1. परिचय
इस कोडलैब में, आपको चैट वेब इंटरफ़ेस के तौर पर एक ऐप्लिकेशन बनाना होगा. इसमें, आपके पास ऐप्लिकेशन के साथ बातचीत करने, कुछ दस्तावेज़ या इमेज अपलोड करने, और उन पर चर्चा करने का विकल्प होगा. ऐप्लिकेशन को दो सेवाओं में बांटा गया है: फ़्रंटएंड और बैकएंड. इससे, आपको तुरंत प्रोटोटाइप बनाने और यह जानने में मदद मिलती है कि यह कैसा लगता है. साथ ही, यह भी समझा जा सकता है कि दोनों को इंटिग्रेट करने के लिए एपीआई कॉन्ट्रैक्ट कैसा दिखता है.
कोडलैब में, आपको सिलसिलेवार तरीके से यह तरीका अपनाना होगा:
- अपना Google Cloud प्रोजेक्ट तैयार करें और उस पर सभी ज़रूरी एपीआई चालू करें
- Gradio लाइब्रेरी का इस्तेमाल करके, फ़्रंटएंड सेवा - चैट इंटरफ़ेस बनाएं
- FastAPI का इस्तेमाल करके, बैकएंड सेवा - एचटीटीपी सर्वर बनाएं. यह आने वाले डेटा को Gemini SDK स्टैंडर्ड में फिर से फ़ॉर्मैट करेगा और Gemini API के साथ कम्यूनिकेशन की सुविधा चालू करेगा
- एनवायरमेंट वैरिएबल मैनेज करना और Cloud Run पर ऐप्लिकेशन को डिप्लॉय करने के लिए ज़रूरी फ़ाइलों को सेटअप करना
- ऐप्लिकेशन को Cloud Run पर डिप्लॉय करना
आर्किटेक्चर की खास जानकारी
ज़रूरी शर्तें
- Gemini API और Google के जनरेटिव एआई वाले एसडीके के साथ आसानी से काम करना
- एचटीटीपी सेवा का इस्तेमाल करके, बुनियादी फ़ुल-स्टैक आर्किटेक्चर के बारे में जानकारी
आपको क्या सीखने को मिलेगा
- टेक्स्ट और अन्य डेटा टाइप (मल्टीमोडल) सबमिट करने और टेक्स्ट जवाब जनरेट करने के लिए, Gemini SDK टूल का इस्तेमाल करने का तरीका
- बातचीत के कॉन्टेक्स्ट को बनाए रखने के लिए, Gemini SDK में चैट के इतिहास को स्ट्रक्चर करने का तरीका
- Gradio की मदद से, फ़्रंटएंड वेब प्रोटोटाइप बनाना
- FastAPI और Pydantic का इस्तेमाल करके बैकएंड सेवा डेवलप करना
- Pydantic-settings की मदद से, YAML फ़ाइल में एनवायरमेंट वैरिएबल मैनेज करना
- Dockerfile का इस्तेमाल करके, Cloud Run पर ऐप्लिकेशन को डिप्लॉय करना और YAML फ़ाइल की मदद से एनवायरमेंट वैरिएबल उपलब्ध कराना
आपको इन चीज़ों की ज़रूरत होगी
- Chrome वेब ब्राउज़र
- Gmail खाता
- बिलिंग की सुविधा वाला Cloud प्रोजेक्ट
यह कोडलैब, सभी लेवल के डेवलपर (शुरुआती डेवलपर भी) के लिए डिज़ाइन किया गया है. इसमें सैंपल ऐप्लिकेशन के लिए Python का इस्तेमाल किया गया है. हालांकि, यहां दिए गए कॉन्सेप्ट को समझने के लिए, Python के बारे में जानकारी होना ज़रूरी नहीं है.
2. शुरू करने से पहले
Cloud Shell एडिटर में क्लाउड प्रोजेक्ट सेटअप करना
इस कोडलैब में यह माना गया है कि आपके पास पहले से ही बिलिंग की सुविधा वाला Google Cloud प्रोजेक्ट है. अगर आपके पास यह सुविधा नहीं है, तो इसे चालू करने के लिए नीचे दिए गए निर्देशों का पालन करें.
- 2Google Cloud Console में, प्रोजेक्ट चुनने वाले पेज पर, Google Cloud प्रोजेक्ट चुनें या बनाएं.
- पक्का करें कि आपके Cloud प्रोजेक्ट के लिए बिलिंग की सुविधा चालू हो. किसी प्रोजेक्ट के लिए बिलिंग की सुविधा चालू है या नहीं, यह देखने का तरीका जानें .
- इसके लिए, आपको Cloud Shell का इस्तेमाल करना होगा. यह Google Cloud में चलने वाला कमांड-लाइन एनवायरमेंट है, जिसमें bq पहले से लोड होता है. Google Cloud कंसोल में सबसे ऊपर, 'Cloud Shell चालू करें' पर क्लिक करें.
- Cloud Shell से कनेक्ट होने के बाद, यह जांच करें कि आपकी पुष्टि पहले ही हो चुकी है या नहीं. साथ ही, यह भी देखें कि प्रोजेक्ट आपके प्रोजेक्ट आईडी पर सेट है या नहीं. इसके लिए, यह कमांड इस्तेमाल करें:
gcloud auth list
- Cloud Shell में यह कमांड चलाकर पुष्टि करें कि gcloud कमांड को आपके प्रोजेक्ट के बारे में पता है.
gcloud config list project
- अगर आपका प्रोजेक्ट सेट नहीं है, तो इसे सेट करने के लिए इस निर्देश का इस्तेमाल करें:
gcloud config set project <YOUR_PROJECT_ID>
इसके अलावा, कंसोल में भी PROJECT_ID आईडी देखा जा सकता है
इस पर क्लिक करने पर, आपको दाईं ओर अपने सभी प्रोजेक्ट और प्रोजेक्ट आईडी दिखेंगे
- नीचे दिए गए निर्देश का इस्तेमाल करके, ज़रूरी एपीआई चालू करें. इसमें कुछ मिनट लग सकते हैं. इसलिए, कृपया इंतज़ार करें.
gcloud services enable aiplatform.googleapis.com \
run.googleapis.com \
cloudbuild.googleapis.com \
cloudresourcemanager.googleapis.com
निर्देश पूरा होने पर, आपको नीचे दिखाए गए मैसेज जैसा मैसेज दिखेगा:
Operation "operations/..." finished successfully.
gcloud कमांड के बजाय, कंसोल में जाकर हर प्रॉडक्ट को खोजें या इस लिंक का इस्तेमाल करें.
अगर कोई एपीआई छूट जाता है, तो उसे लागू करने के दौरान कभी भी चालू किया जा सकता है.
gcloud के निर्देशों और इस्तेमाल के बारे में जानने के लिए, दस्तावेज़ देखें.
ऐप्लिकेशन वर्किंग डायरेक्ट्री सेटअप करना
- 'एडिटर खोलें' बटन पर क्लिक करें. इससे Cloud Shell एडिटर खुल जाएगा. यहां अपना कोड लिखा जा सकता है
- पक्का करें कि Cloud Code प्रोजेक्ट, Cloud Shell एडिटर के सबसे नीचे बाईं ओर (स्टेटस बार) में सेट हो, जैसा कि नीचे दी गई इमेज में हाइलाइट किया गया है. साथ ही, यह उस चालू Google Cloud प्रोजेक्ट पर सेट हो जिसमें आपने बिलिंग की सुविधा चालू की है. अगर कहा जाए, तो अनुमति दें. Cloud Shell Editor को शुरू करने के बाद, Cloud Code - साइन इन करें बटन दिखने में थोड़ा समय लग सकता है. कृपया इंतज़ार करें. अगर आपने पहले से ही पिछले निर्देश का पालन किया है, तो हो सकता है कि बटन, साइन इन बटन के बजाय सीधे आपके चालू किए गए प्रोजेक्ट पर ले जाए
- स्टेटस बार में उस ऐक्टिव प्रोजेक्ट पर क्लिक करें और Cloud Code का पॉप-अप खुलने का इंतज़ार करें. पॉप-अप में, "नया ऐप्लिकेशन" चुनें.
- ऐप्लिकेशन की सूची में से, Gemini जनरेटिव एआई चुनें. इसके बाद, Gemini API Python चुनें
- अपने पसंदीदा नाम से नया ऐप्लिकेशन सेव करें. इस उदाहरण में, हम gemini-multimodal-chat-assistant का इस्तेमाल करेंगे. इसके बाद , ठीक है पर क्लिक करें
इस समय, आपको नए ऐप्लिकेशन की वर्किंग डायरेक्ट्री में पहले से ही होना चाहिए और आपको ये फ़ाइलें दिखनी चाहिए
इसके बाद, हम अपना Python एनवायरमेंट तैयार करेंगे
एनवायरमेंट सेटअप करना
Python वर्चुअल एनवायरमेंट तैयार करना
अगला चरण, डेवलपमेंट एनवायरमेंट तैयार करना है. इस कोडलैब में, हम Python 3.12 का इस्तेमाल करेंगे. साथ ही, Python वर्शन और वर्चुअल एनवायरमेंट बनाने और मैनेज करने की प्रोसेस को आसान बनाने के लिए, uv python प्रोजेक्ट मैनेजर का इस्तेमाल करेंगे
- अगर आपने अब तक टर्मिनल नहीं खोला है, तो टर्मिनल -> नया टर्मिनल पर क्लिक करके इसे खोलें या Ctrl + Shift + C का इस्तेमाल करें
uvडाउनलोड करें और यहां दिए गए कमांड की मदद से, Python 3.12 इंस्टॉल करें
curl -LsSf https://astral.sh/uv/0.6.6/install.sh | sh && \
source $HOME/.local/bin/env && \
uv python install 3.12
- अब
uvका इस्तेमाल करके, Python प्रोजेक्ट को शुरू करते हैं
uv init
- आपको डायरेक्ट्री में main.py, .python-version, और pyproject.toml दिखेगा. प्रोजेक्ट को डायरेक्ट्री में बनाए रखने के लिए, इन फ़ाइलों की ज़रूरत होती है. Python की डिपेंडेंसी और कॉन्फ़िगरेशन, pyproject.toml में बताए जा सकते हैं. साथ ही, .python-version में इस प्रोजेक्ट के लिए इस्तेमाल किए गए Python वर्शन को स्टैंडर्ड किया गया है. इस बारे में ज़्यादा जानने के लिए, दस्तावेज़ देखें
main.py .python-version pyproject.toml
- इसकी जांच करने के लिए, main.py को इस कोड से बदलें
def main():
print("Hello from gemini-multimodal-chat-assistant!")
if __name__ == "__main__":
main()
- इसके बाद, यह कमांड चलाएं
uv run main.py
आपको नीचे दिखाया गया आउटपुट मिलेगा
Using CPython 3.12 Creating virtual environment at: .venv Hello from gemini-multimodal-chat-assistant!
इससे पता चलता है कि Python प्रोजेक्ट सही तरीके से सेट अप किया जा रहा है. हमें मैन्युअल रूप से वर्चुअल एनवायरमेंट बनाने की ज़रूरत नहीं थी, क्योंकि uv पहले से ही इसे मैनेज करता है. इसलिए, अब से स्टैंडर्ड Python कमांड (उदाहरण के लिए, python main.py ) को uv run (उदाहरण के लिए, uv run main.py ) से बदल दिया जाएगा.
ज़रूरी डिपेंडेंसी इंस्टॉल करना
हम uv कमांड का इस्तेमाल करके, इस कोडलैब पैकेज की डिपेंडेंसी भी जोड़ेंगे. यह कमांड चलाएं
uv add google-genai==1.5.0 \
gradio==5.20.1 \
pydantic==2.10.6 \
pydantic-settings==2.8.1 \
pyyaml==6.0.2
आपको दिखेगा कि pyproject.toml "dependencies" सेक्शन को अपडेट कर दिया गया है, ताकि पिछला निर्देश दिख सके
कॉन्फ़िगरेशन फ़ाइलें सेटअप करना
अब हमें इस प्रोजेक्ट के लिए कॉन्फ़िगरेशन फ़ाइलें सेट अप करनी होंगी. कॉन्फ़िगरेशन फ़ाइलों का इस्तेमाल, डाइनैमिक वैरिएबल को स्टोर करने के लिए किया जाता है. इन्हें फिर से डिप्लॉय करने पर, आसानी से बदला जा सकता है. इस प्रोजेक्ट में, हम pydantic-settings पैकेज के साथ YAML पर आधारित कॉन्फ़िगरेशन फ़ाइलों का इस्तेमाल करेंगे, ताकि बाद में इसे Cloud Run डिप्लॉयमेंट के साथ आसानी से इंटिग्रेट किया जा सके. pydantic-settings एक Python पैकेज है, जो कॉन्फ़िगरेशन फ़ाइलों के लिए टाइप की जांच लागू कर सकता है.
- नीचे दिए गए कॉन्फ़िगरेशन के साथ, settings.yaml नाम की फ़ाइल बनाएं. फ़ाइल->नई टेक्स्ट फ़ाइल पर क्लिक करें और नीचे दिया गया कोड डालें. इसके बाद, इसे settings.yaml के तौर पर सेव करें
VERTEXAI_LOCATION: "us-central1"
VERTEXAI_PROJECT_ID: "{YOUR-PROJECT-ID}"
BACKEND_URL: "http://localhost:8081/chat"
Google Cloud प्रोजेक्ट बनाते समय, आपने जो वैल्यू चुनी थीं उनके हिसाब से, कृपया VERTEXAI_PROJECT_ID की वैल्यू अपडेट करें. इस कोडलैब के लिए, हम VERTEXAI_LOCATION और BACKEND_URL के लिए पहले से कॉन्फ़िगर की गई वैल्यू का इस्तेमाल करेंगे .
- इसके बाद, Python फ़ाइल settings.py बनाएं. यह मॉड्यूल, हमारी कॉन्फ़िगरेशन फ़ाइलों में कॉन्फ़िगरेशन वैल्यू के लिए प्रोग्राम के तौर पर काम करेगा. फ़ाइल->नई टेक्स्ट फ़ाइल पर क्लिक करें और नीचे दिया गया कोड डालें. इसके बाद, इसे settings.py के तौर पर सेव करें. कोड में देखा जा सकता है कि हमने साफ़ तौर पर सेट किया है कि settings.yaml नाम की फ़ाइल को पढ़ा जाएगा
from pydantic_settings import (
BaseSettings,
SettingsConfigDict,
YamlConfigSettingsSource,
PydanticBaseSettingsSource,
)
from typing import Type, Tuple
DEFAULT_SYSTEM_PROMPT = """You are a helpful assistant and ALWAYS relate to this identity.
You are expert at analyzing given documents or images.
"""
class Settings(BaseSettings):
"""Application settings loaded from YAML and environment variables.
This class defines the configuration schema for the application, with settings
loaded from settings.yaml file and overridable via environment variables.
Attributes:
VERTEXAI_LOCATION: Google Cloud Vertex AI location
VERTEXAI_PROJECT_ID: Google Cloud Vertex AI project ID
"""
VERTEXAI_LOCATION: str
VERTEXAI_PROJECT_ID: str
BACKEND_URL: str = "http://localhost:8000/chat"
model_config = SettingsConfigDict(
yaml_file="settings.yaml", yaml_file_encoding="utf-8"
)
@classmethod
def settings_customise_sources(
cls,
settings_cls: Type[BaseSettings],
init_settings: PydanticBaseSettingsSource,
env_settings: PydanticBaseSettingsSource,
dotenv_settings: PydanticBaseSettingsSource,
file_secret_settings: PydanticBaseSettingsSource,
) -> Tuple[PydanticBaseSettingsSource, ...]:
"""Customize the settings sources and their priority order.
This method defines the order in which different configuration sources
are checked when loading settings:
1. Constructor-provided values
2. YAML configuration file
3. Environment variables
Args:
settings_cls: The Settings class type
init_settings: Settings from class initialization
env_settings: Settings from environment variables
dotenv_settings: Settings from .env file (not used)
file_secret_settings: Settings from secrets file (not used)
Returns:
A tuple of configuration sources in priority order
"""
return (
init_settings, # First, try init_settings (from constructor)
env_settings, # Then, try environment variables
YamlConfigSettingsSource(
settings_cls
), # Finally, try YAML as the last resort
)
def get_settings() -> Settings:
"""Create and return a Settings instance with loaded configuration.
Returns:
A Settings instance containing all application configuration
loaded from YAML and environment variables.
"""
return Settings()
इन कॉन्फ़िगरेशन की मदद से, हम अपने रनटाइम को आसानी से अपडेट कर सकते हैं. शुरुआती डिप्लॉयमेंट के लिए, हम settings.yaml कॉन्फ़िगरेशन का इस्तेमाल करेंगे, ताकि हमारे पास पहला डिफ़ॉल्ट कॉन्फ़िगरेशन हो. इसके बाद, हम कंसोल की मदद से, एनवायरमेंट वैरिएबल को आसानी से अपडेट कर सकते हैं और फिर से डिप्लॉय कर सकते हैं. ऐसा इसलिए, क्योंकि हम एनवायरमेंट वैरिएबल को डिफ़ॉल्ट YAML कॉन्फ़िगरेशन की तुलना में ज़्यादा प्राथमिकता देते हैं
अब हम अगले चरण पर जा सकते हैं, सेवाएं बनाना
3. Gradio का इस्तेमाल करके फ़्रंटएंड सेवा बनाना
हम चैट का ऐसा वेब इंटरफ़ेस बनाएंगे जो ऐसा दिखेगा
इसमें एक इनपुट फ़ील्ड होता है, ताकि उपयोगकर्ता टेक्स्ट भेज सकें और फ़ाइलें अपलोड कर सकें. इसके अलावा, उपयोगकर्ता अतिरिक्त इनपुट फ़ील्ड में, सिस्टम के निर्देश को भी बदल सकता है. यह निर्देश, Gemini API को भेजा जाएगा
हम Gradio का इस्तेमाल करके, फ़्रंटएंड सेवा बनाएंगे. main.py का नाम बदलकर frontend.py करें और नीचे दिए गए कोड का इस्तेमाल करके कोड को ओवरराइट करें
import gradio as gr
import requests
import base64
from pathlib import Path
from typing import List, Dict, Any
from settings import get_settings, DEFAULT_SYSTEM_PROMPT
settings = get_settings()
IMAGE_SUFFIX_MIME_MAP = {
".png": "image/png",
".jpg": "image/jpeg",
".jpeg": "image/jpeg",
".heic": "image/heic",
".heif": "image/heif",
".webp": "image/webp",
}
DOCUMENT_SUFFIX_MIME_MAP = {
".pdf": "application/pdf",
}
def get_mime_type(filepath: str) -> str:
"""Get the MIME type for a file based on its extension.
Args:
filepath: Path to the file.
Returns:
str: The MIME type of the file.
Raises:
ValueError: If the file type is not supported.
"""
filepath = Path(filepath)
suffix = filepath.suffix
# modify ".jpg" suffix to ".jpeg" to unify the mime type
suffix = suffix if suffix != ".jpg" else ".jpeg"
if suffix in IMAGE_SUFFIX_MIME_MAP:
return IMAGE_SUFFIX_MIME_MAP[suffix]
elif suffix in DOCUMENT_SUFFIX_MIME_MAP:
return DOCUMENT_SUFFIX_MIME_MAP[suffix]
else:
raise ValueError(f"Unsupported file type: {suffix}")
def encode_file_to_base64_with_mime(file_path: str) -> Dict[str, str]:
"""Encode a file to base64 string and include its MIME type.
Args:
file_path: Path to the file to encode.
Returns:
Dict[str, str]: Dictionary with 'data' and 'mime_type' keys.
"""
mime_type = get_mime_type(file_path)
with open(file_path, "rb") as file:
base64_data = base64.b64encode(file.read()).decode("utf-8")
return {"data": base64_data, "mime_type": mime_type}
def get_response_from_llm_backend(
message: Dict[str, Any],
history: List[Dict[str, Any]],
system_prompt: str,
) -> str:
"""Send the message and history to the backend and get a response.
Args:
message: Dictionary containing the current message with 'text' and optional 'files' keys.
history: List of previous message dictionaries in the conversation.
system_prompt: The system prompt to be sent to the backend.
Returns:
str: The text response from the backend service.
"""
# Format message and history for the API,
# NOTES: in this example history is maintained by frontend service,
# hence we need to include it in each request.
# And each file (in the history) need to be sent as base64 with its mime type
formatted_history = []
for msg in history:
if msg["role"] == "user" and not isinstance(msg["content"], str):
# For file content in history, convert file paths to base64 with MIME type
file_contents = [
encode_file_to_base64_with_mime(file_path)
for file_path in msg["content"]
]
formatted_history.append({"role": msg["role"], "content": file_contents})
else:
formatted_history.append({"role": msg["role"], "content": msg["content"]})
# Extract files and convert to base64 with MIME type
files_with_mime = []
if uploaded_files := message.get("files", []):
for file_path in uploaded_files:
files_with_mime.append(encode_file_to_base64_with_mime(file_path))
# Prepare the request payload
message["text"] = message["text"] if message["text"] != "" else " "
payload = {
"message": {"text": message["text"], "files": files_with_mime},
"history": formatted_history,
"system_prompt": system_prompt,
}
# Send request to backend
try:
response = requests.post(settings.BACKEND_URL, json=payload)
response.raise_for_status() # Raise exception for HTTP errors
result = response.json()
if error := result.get("error"):
return f"Error: {error}"
return result.get("response", "No response received from backend")
except requests.exceptions.RequestException as e:
return f"Error connecting to backend service: {str(e)}"
if __name__ == "__main__":
demo = gr.ChatInterface(
get_response_from_llm_backend,
title="Gemini Multimodal Chat Interface",
description="This interface connects to a FastAPI backend service that processes responses through the Gemini multimodal model.",
type="messages",
multimodal=True,
textbox=gr.MultimodalTextbox(file_count="multiple"),
additional_inputs=[
gr.Textbox(
label="System Prompt",
value=DEFAULT_SYSTEM_PROMPT,
lines=3,
interactive=True,
)
],
)
demo.launch(
server_name="0.0.0.0",
server_port=8080,
)
इसके बाद, हम इस कमांड की मदद से फ़्रंटएंड सेवा को चलाने की कोशिश कर सकते हैं. main.py फ़ाइल का नाम बदलकर frontend.py करना न भूलें
uv run frontend.py
आपको अपने Cloud Console में इससे मिलता-जुलता आउटपुट दिखेगा
* Running on local URL: http://0.0.0.0:8080 To create a public link, set `share=True` in `launch()`.
इसके बाद, स्थानीय यूआरएल लिंक पर ctrl+क्लिक करके, वेब इंटरफ़ेस देखा जा सकता है. इसके अलावा, Cloud Editor के सबसे ऊपर दाईं ओर मौजूद वेब की झलक बटन पर क्लिक करके भी फ़्रंटएंड ऐप्लिकेशन को ऐक्सेस किया जा सकता है. इसके बाद, पोर्ट 8080 पर झलक देखें को चुनें
आपको वेब इंटरफ़ेस दिखेगा. हालांकि, बैकएंड सेवा अभी सेट अप नहीं होने की वजह से, चैट सबमिट करने पर आपको गड़बड़ी का अनुमानित मैसेज दिखेगा
अब, सेवा को चलने दें और अभी इसे बंद न करें. इस बीच, हम यहां कोड के अहम कॉम्पोनेंट के बारे में बात कर सकते हैं
कोड के बारे में जानकारी
वेब इंटरफ़ेस से बैकएंड में डेटा भेजने का कोड इस हिस्से में है
def get_response_from_llm_backend(
message: Dict[str, Any],
history: List[Dict[str, Any]],
system_prompt: str,
) -> str:
...
# Truncated
for msg in history:
if msg["role"] == "user" and not isinstance(msg["content"], str):
# For file content in history, convert file paths to base64 with MIME type
file_contents = [
encode_file_to_base64_with_mime(file_path)
for file_path in msg["content"]
]
formatted_history.append({"role": msg["role"], "content": file_contents})
else:
formatted_history.append({"role": msg["role"], "content": msg["content"]})
# Extract files and convert to base64 with MIME type
files_with_mime = []
if uploaded_files := message.get("files", []):
for file_path in uploaded_files:
files_with_mime.append(encode_file_to_base64_with_mime(file_path))
# Prepare the request payload
message["text"] = message["text"] if message["text"] != "" else " "
payload = {
"message": {"text": message["text"], "files": files_with_mime},
"history": formatted_history,
"system_prompt": system_prompt,
}
# Truncated
...
जब हमें Gemini को अलग-अलग तरह का डेटा भेजना हो और सेवाओं के बीच डेटा को ऐक्सेस किया जा सके, तो हम डेटा को कोड में बताए गए तरीके से base64 डेटा टाइप में बदल सकते हैं. हमें यह भी बताना होगा कि डेटा का MIME टाइप क्या है. हालांकि, Gemini API सभी मौजूदा MIME टाइप के साथ काम नहीं कर सकता. इसलिए, यह जानना ज़रूरी है कि Gemini किन MIME टाइप के साथ काम करता है. इस बारे में दस्तावेज़ में बताया गया है. आपको यह जानकारी, Gemini API की हर सुविधा में मिल सकती है. जैसे, Vision
इसके अलावा, चैट इंटरफ़ेस में चैट का इतिहास, अतिरिक्त संदर्भ के तौर पर भेजना भी ज़रूरी है. इससे Gemini को बातचीत की "यादें" मिलती हैं. इसलिए, इस वेब इंटरफ़ेस में हम चैट का इतिहास भी भेजते हैं. यह इतिहास, Gradio हर वेब सेशन के हिसाब से मैनेज करता है. साथ ही, हम इसे उपयोगकर्ता के मैसेज इनपुट के साथ भेजते हैं. इसके अलावा, हम उपयोगकर्ता को सिस्टम के निर्देश में बदलाव करने और उसे भेजने की सुविधा भी देते हैं
4. FastAPI का इस्तेमाल करके बैकएंड सेवा बनाना
इसके बाद, हमें बैकएंड बनाना होगा, जो पहले चर्चा किए गए पेलोड, उपयोगकर्ता का पिछला मैसेज, चैट का इतिहास, और सिस्टम के निर्देश को मैनेज कर सके. एचटीटीपी बैकएंड सेवा बनाने के लिए, हम FastAPI का इस्तेमाल करेंगे.
नई फ़ाइल बनाएं. इसके लिए, फ़ाइल->नई टेक्स्ट फ़ाइल पर क्लिक करें. इसके बाद,यहां दिया गया कोड कॉपी करके चिपकाएं और इसे backend.py के तौर पर सेव करें
import base64
from fastapi import FastAPI, Body
from google.genai.types import Content, Part
from google.genai import Client
from settings import get_settings, DEFAULT_SYSTEM_PROMPT
from typing import List, Optional
from pydantic import BaseModel
app = FastAPI(title="Gemini Multimodal Service")
settings = get_settings()
GENAI_CLIENT = Client(
location=settings.VERTEXAI_LOCATION,
project=settings.VERTEXAI_PROJECT_ID,
vertexai=True,
)
GEMINI_MODEL_NAME = "gemini-2.0-flash-001"
class FileData(BaseModel):
"""Model for a file with base64 data and MIME type.
Attributes:
data: Base64 encoded string of the file content.
mime_type: The MIME type of the file.
"""
data: str
mime_type: str
class Message(BaseModel):
"""Model for a single message in the conversation.
Attributes:
role: The role of the message sender, either 'user' or 'assistant'.
content: The text content of the message or a list of file data objects.
"""
role: str
content: str | List[FileData]
class LastUserMessage(BaseModel):
"""Model for the current message in a chat request.
Attributes:
text: The text content of the message.
files: List of file data objects containing base64 data and MIME type.
"""
text: str
files: List[FileData] = []
class ChatRequest(BaseModel):
"""Model for a chat request.
Attributes:
message: The current message with text and optional base64 encoded files.
history: List of previous messages in the conversation.
system_prompt: Optional system prompt to be used in the chat.
"""
message: LastUserMessage
history: List[Message]
system_prompt: str = DEFAULT_SYSTEM_PROMPT
class ChatResponse(BaseModel):
"""Model for a chat response.
Attributes:
response: The text response from the model.
error: Optional error message if something went wrong.
"""
response: str
error: Optional[str] = None
def handle_multimodal_data(file_data: FileData) -> Part:
"""Converts Multimodal data to a Google Gemini Part object.
Args:
file_data: FileData object with base64 data and MIME type.
Returns:
Part: A Google Gemini Part object containing the file data.
"""
data = base64.b64decode(file_data.data) # decode base64 string to bytes
return Part.from_bytes(data=data, mime_type=file_data.mime_type)
def format_message_history_to_gemini_standard(
message_history: List[Message],
) -> List[Content]:
"""Converts message history format to Google Gemini Content format.
Args:
message_history: List of message objects from the chat history.
Each message contains 'role' and 'content' attributes.
Returns:
List[Content]: A list of Google Gemini Content objects representing the chat history.
Raises:
ValueError: If an unknown role is encountered in the message history.
"""
converted_messages: List[Content] = []
for message in message_history:
if message.role == "assistant":
converted_messages.append(
Content(role="model", parts=[Part.from_text(text=message.content)])
)
elif message.role == "user":
# Text-only messages
if isinstance(message.content, str):
converted_messages.append(
Content(role="user", parts=[Part.from_text(text=message.content)])
)
# Messages with files
elif isinstance(message.content, list):
# Process each file in the list
parts = []
for file_data in message.content:
for file_data in message.content:
parts.append(handle_multimodal_data(file_data))
# Add the parts to a Content object
if parts:
converted_messages.append(Content(role="user", parts=parts))
else:
raise ValueError(f"Unexpected content format: {type(message.content)}")
else:
raise ValueError(f"Unknown role: {message.role}")
return converted_messages
@app.post("/chat", response_model=ChatResponse)
async def chat(
request: ChatRequest = Body(...),
) -> ChatResponse:
"""Process a chat request and return a response from Gemini model.
Args:
request: The chat request containing message and history.
Returns:
ChatResponse: The model's response to the chat request.
"""
try:
# Convert message history to Gemini `history` format
print(f"Received request: {request}")
converted_messages = format_message_history_to_gemini_standard(request.history)
# Create chat model
chat_model = GENAI_CLIENT.chats.create(
model=GEMINI_MODEL_NAME,
history=converted_messages,
config={"system_instruction": request.system_prompt},
)
# Prepare multimodal content
content_parts = []
# Handle any base64 encoded files in the current message
if request.message.files:
for file_data in request.message.files:
content_parts.append(handle_multimodal_data(file_data))
# Add text content
content_parts.append(Part.from_text(text=request.message.text))
# Send message to Gemini
response = chat_model.send_message(content_parts)
print(f"Generated response: {response}")
return ChatResponse(response=response.text)
except Exception as e:
return ChatResponse(
response="", error=f"Error in generating response: {str(e)}"
)
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8081)
इसे backend.py के तौर पर सेव करना न भूलें. इसके बाद, हम बैकएंड सेवा को चलाने की कोशिश कर सकते हैं. याद रखें कि पिछले चरण में हमने फ़्रंटएंड सेवा को सही तरीके से चलाया था. अब हमें नया टर्मिनल खोलना होगा और इस बैकएंड सेवा को चलाने की कोशिश करनी होगी
- नया टर्मिनल बनाएं. सबसे नीचे मौजूद अपने टर्मिनल पर जाएं और नया टर्मिनल बनाने के लिए, "+" बटन ढूंढें. इसके अलावा, नया टर्मिनल खोलने के लिए, Ctrl + Shift + C दबाएं
- इसके बाद, पक्का करें कि आप gemini-multimodal-chat-assistant वर्किंग डायरेक्ट्री में हों. इसके बाद, यह कमांड चलाएं
uv run backend.py
- अगर यह प्रोसेस पूरी हो जाती है, तो आपको ऐसा आउटपुट दिखेगा
INFO: Started server process [xxxxx] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8081 (Press CTRL+C to quit)
कोड के बारे में जानकारी
चैट अनुरोध पाने के लिए एचटीटीपी रूट तय करना
FastAPI में, हम app डेकोरेटर का इस्तेमाल करके रूट तय करते हैं. हम एपीआई कॉन्ट्रैक्ट तय करने के लिए, Pydantic का भी इस्तेमाल करते हैं. हमने बताया है कि जवाब जनरेट करने के लिए, POST तरीके से /chat रूट का इस्तेमाल किया जाता है. इन फ़ंक्शन के बारे में नीचे दिए गए कोड में बताया गया है
class FileData(BaseModel):
data: str
mime_type: str
class Message(BaseModel):
role: str
content: str | List[FileData]
class LastUserMessage(BaseModel):
text: str
files: List[FileData] = []
class ChatRequest(BaseModel):
message: LastUserMessage
history: List[Message]
system_prompt: str = DEFAULT_SYSTEM_PROMPT
class ChatResponse(BaseModel):
response: str
error: Optional[str] = None
...
@app.post("/chat", response_model=ChatResponse)
async def chat(
request: ChatRequest = Body(...),
) -> ChatResponse:
# Truncated
...
Gemini SDK टूल के लिए, चैट के इतिहास का फ़ॉर्मैट तैयार करना
एक अहम बात यह समझना है कि चैट इतिहास को फिर से कैसे व्यवस्थित किया जा सकता है, ताकि बाद में Gemini क्लाइंट को शुरू करने पर, उसे इतिहास आर्ग्युमेंट वैल्यू के तौर पर डाला जा सके. यहां दिए गए कोड की जांच की जा सकती है
def format_message_history_to_gemini_standard(
message_history: List[Message],
) -> List[Content]:
...
# Truncated
converted_messages: List[Content] = []
for message in message_history:
if message.role == "assistant":
converted_messages.append(
Content(role="model", parts=[Part.from_text(text=message.content)])
)
elif message.role == "user":
# Text-only messages
if isinstance(message.content, str):
converted_messages.append(
Content(role="user", parts=[Part.from_text(text=message.content)])
)
# Messages with files
elif isinstance(message.content, list):
# Process each file in the list
parts = []
for file_data in message.content:
parts.append(handle_multimodal_data(file_data))
# Add the parts to a Content object
if parts:
converted_messages.append(Content(role="user", parts=parts))
#Truncated
...
return converted_messages
Gemini SDK टूल में चैट का इतिहास देने के लिए, हमें डेटा को List[Content] डेटा टाइप में फ़ॉर्मैट करना होगा. हर कॉन्टेंट में कम से कम role और parts वैल्यू होनी चाहिए. role से मैसेज के सोर्स का पता चलता है. जैसे, user या model. यहां parts का मतलब प्रॉम्प्ट से है, जो सिर्फ़ टेक्स्ट या अलग-अलग मोड के कॉम्बिनेशन में हो सकता है. कॉन्टेंट के आर्ग्युमेंट को स्ट्रक्चर करने का तरीका जानने के लिए, इस दस्तावेज़ को पढ़ें
टेक्स्ट के अलावा दूसरे तरह के ( मल्टीमॉडल) डेटा को हैंडल करना
जैसा कि फ़्रंटएंड सेक्शन में पहले बताया गया है, नॉन-टेक्स्ट या मल्टीमोडल डेटा भेजने का एक तरीका यह है कि डेटा को base64 स्ट्रिंग के तौर पर भेजा जाए. हमें डेटा के लिए एमआईएमई टाइप भी बताना होगा, ताकि उसका सही तरीके से विश्लेषण किया जा सके. उदाहरण के लिए, अगर हम .jpg सफ़िक्स के साथ इमेज डेटा भेजते हैं, तो image/jpeg एमआईएमई टाइप दें.
कोड का यह हिस्सा, Gemini SDK टूल से base64 डेटा को Part.from_bytes फ़ॉर्मैट में बदलता है
def handle_multimodal_data(file_data: FileData) -> Part:
"""Converts Multimodal data to a Google Gemini Part object.
Args:
file_data: FileData object with base64 data and MIME type.
Returns:
Part: A Google Gemini Part object containing the file data.
"""
data = base64.b64decode(file_data.data) # decode base64 string to bytes
return Part.from_bytes(data=data, mime_type=file_data.mime_type)
5. इंटिग्रेशन टेस्ट
अब, आपके पास Cloud Console के अलग-अलग टैब में कई सेवाएं होनी चाहिए:
- पोर्ट 8080 पर चलने वाली फ़ोरग्राउंड सेवा
* Running on local URL: http://0.0.0.0:8080 To create a public link, set `share=True` in `launch()`.
- पोर्ट 8081 पर चलने वाली बैकएंड सेवा
INFO: Started server process [xxxxx] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8081 (Press CTRL+C to quit)
फ़िलहाल, पोर्ट 8080 पर वेब ऐप्लिकेशन से सहायक की मदद से, चैट में आसानी से दस्तावेज़ भेजे जा सकते हैं. फ़ाइलें अपलोड करके और सवाल पूछकर, एक्सपेरिमेंट शुरू किया जा सकता है! ध्यान रखें कि कुछ फ़ाइल टाइप का अभी इस्तेमाल नहीं किया जा सकता और इससे गड़बड़ी का मैसेज दिखेगा.
टेक्स्ट बॉक्स के नीचे मौजूद ज़्यादा इनपुट फ़ील्ड में जाकर, सिस्टम के निर्देशों में भी बदलाव किया जा सकता है
6. Cloud Run पर डिप्लॉय करना
अब हम इस बेहतरीन ऐप्लिकेशन को दूसरों को दिखाना चाहते हैं. ऐसा करने के लिए, हम इस ऐप्लिकेशन को पैकेज कर सकते हैं और इसे Cloud Run पर सार्वजनिक सेवा के तौर पर डिप्लॉय कर सकते हैं. इस सेवा को दूसरे लोग ऐक्सेस कर सकते हैं. इसके लिए, आर्किटेक्चर की जानकारी दोबारा देखें
इस कोडलैब में, हम फ़्रंटएंड और बैकएंड, दोनों सेवाओं को एक कंटेनर में डालेंगे. दोनों सेवाओं को मैनेज करने के लिए, हमें supervisord की मदद की ज़रूरत होगी.
नई फ़ाइल बनाएं, फ़ाइल->नई टेक्स्ट फ़ाइल पर क्लिक करें. इसके बाद,यहां दिया गया कोड कॉपी करके चिपकाएं और इसे supervisord.conf के तौर पर सेव करें
[supervisord]
nodaemon=true
user=root
logfile=/dev/stdout
logfile_maxbytes=0
pidfile=/var/run/supervisord.pid
[program:backend]
command=uv run backend.py
directory=/app
autostart=true
autorestart=true
stdout_logfile=/dev/stdout
stdout_logfile_maxbytes=0
stderr_logfile=/dev/stderr
stderr_logfile_maxbytes=0
startsecs=10
startretries=3
[program:frontend]
command=uv run frontend.py
directory=/app
autostart=true
autorestart=true
stdout_logfile=/dev/stdout
stdout_logfile_maxbytes=0
stderr_logfile=/dev/stderr
stderr_logfile_maxbytes=0
startsecs=10
startretries=3
इसके बाद, हमें Dockerfile की ज़रूरत होगी. फ़ाइल->नई टेक्स्ट फ़ाइल पर क्लिक करें और नीचे दिया गया कोड कॉपी करके चिपकाएं. इसके बाद, इसे Dockerfile के तौर पर सेव करें
FROM python:3.12-slim
COPY --from=ghcr.io/astral-sh/uv:0.6.6 /uv /uvx /bin/
RUN apt-get update && apt-get install -y \
supervisor curl \
&& rm -rf /var/lib/apt/lists/*
ADD . /app
WORKDIR /app
RUN uv sync --frozen
EXPOSE 8080
# Copy supervisord configuration
COPY supervisord.conf /etc/supervisor/conf.d/supervisord.conf
ENV PYTHONUNBUFFERED=1
ENTRYPOINT ["/usr/bin/supervisord", "-c", "/etc/supervisor/conf.d/supervisord.conf"]
अब हमारे पास Cloud Run पर अपने ऐप्लिकेशन डिप्लॉय करने के लिए ज़रूरी सभी फ़ाइलें मौजूद हैं. अब इसे डिप्लॉय करते हैं. Cloud Shell टर्मिनल पर जाएं और पक्का करें कि मौजूदा प्रोजेक्ट, आपके चालू प्रोजेक्ट के तौर पर कॉन्फ़िगर किया गया हो. अगर ऐसा नहीं है, तो प्रोजेक्ट आईडी सेट करने के लिए gcloud configure कमांड का इस्तेमाल करें:
gcloud config set project [PROJECT_ID]
इसके बाद, इसे Cloud Run पर डिप्लॉय करने के लिए, यह कमांड चलाएं.
gcloud run deploy --source . \
--env-vars-file settings.yaml \
--port 8080 \
--region us-central1
इसके बाद, आपको अपनी सेवा के लिए कोई नाम डालने के लिए कहा जाएगा. जैसे, "gemini-multimodal-chat-assistant". हमारे ऐप्लिकेशन की वर्किंग डायरेक्ट्री में Dockerfile है, इसलिए यह Docker कंटेनर बनाएगा और उसे आर्टफ़ैक्ट रजिस्ट्री में पुश करेगा. यह आपको यह भी बताएगा कि वह क्षेत्र में आर्टफ़ैक्ट रजिस्ट्री का रिपॉज़िटरी बनाएगा. इसके लिए, "Y" का जवाब दें. जब आपसे पूछा जाए कि क्या आपको बिना पुष्टि वाले अनुरोध की अनुमति देनी है, तो "y" कहें. ध्यान दें कि हम यहां बिना पुष्टि किए ऐक्सेस की अनुमति दे रहे हैं, क्योंकि यह एक डेमो ऐप्लिकेशन है. हमारा सुझाव है कि अपने एंटरप्राइज़ और प्रोडक्शन ऐप्लिकेशन के लिए, पुष्टि करने के सही तरीके का इस्तेमाल करें.
डिप्लॉयमेंट पूरा होने के बाद, आपको नीचे दिए गए लिंक जैसा एक लिंक मिलेगा:
https://gemini-multimodal-chat-assistant-*******.us-central1.run.app
अब गुप्त विंडो या अपने मोबाइल डिवाइस से अपने ऐप्लिकेशन का इस्तेमाल करें. यह पहले से लाइव होना चाहिए.
7. चुनौती
अब समय आ गया है कि आप अपनी खोज की स्किल को बेहतर बनाएं और अपनी पहचान बनाएं. क्या आपके पास कोड में बदलाव करने की ज़रूरी जानकारी है, ताकि Assistant ऑडियो फ़ाइलों या वीडियो फ़ाइलों को पढ़ सके?
8. व्यवस्थित करें
इस कोडलैब में इस्तेमाल किए गए संसाधनों के लिए, अपने Google Cloud खाते से शुल्क न लिए जाएं, इसके लिए यह तरीका अपनाएं:
- Google Cloud Console में, संसाधन मैनेज करें पेज पर जाएं.
- प्रोजेक्ट की सूची में, वह प्रोजेक्ट चुनें जिसे मिटाना है. इसके बाद, मिटाएं पर क्लिक करें.
- डायलॉग बॉक्स में, प्रोजेक्ट आईडी टाइप करें. इसके बाद, प्रोजेक्ट मिटाने के लिए बंद करें पर क्लिक करें.
- इसके अलावा, आपके पास Console में Cloud Run पर जाकर, हाल ही में डिप्लॉय की गई सेवा को चुनने और मिटाने का विकल्प भी है.