Tworzenie i wdrażanie multimodalnego asystenta w chmurze za pomocą Gemini (Python)

1. Wprowadzenie

W tym laboratorium programistycznym utworzysz aplikację w postaci interfejsu internetowego czatu, za pomocą którego będziesz się komunikować z aplikacją, przesyłać dokumenty lub obrazy i omawiając je. Sama aplikacja jest podzielona na 2 usługi: front-end i back-end. Dzięki temu możesz szybko utworzyć prototyp i sprawdzić, jak działa, a także zrozumieć, jak wygląda integracja obu usług w ramach interfejsu API.

W ramach tego ćwiczenia będziesz wykonywać czynności w kolejności:

1. Przygotuj projekt Google Cloud i włącz w nim wszystkie wymagane interfejsy API
2. Utwórz usługę frontendu – interfejs czatu za pomocą biblioteki Gradio
3. Utwórz usługę backendową – serwer HTTP za pomocą FastAPI, który przeformatuje przychodzące dane do standardu Gemini SDK i umożliwi komunikację z interfejsem Gemini API.
4. Zarządzanie zmiennymi środowiskowymi i plikami konfiguracyjnymi wymaganymi do wdrożenia aplikacji do Cloud Run
5. Wdrażanie aplikacji w Cloud Run

Omówienie architektury

Wymagania wstępne

• swobodnie korzystać z Gemini API i Google Gen AI SDK;
• podstawowa architektura pełnego zestawu usług korzystająca z usługi HTTP;

Czego się nauczysz

• Jak za pomocą pakietu Gemini SDK przesłać tekst i inne typy danych (multimodalne) oraz wygenerować odpowiedź tekstową
• Jak ustrukturyzować historię czatu w Gemini SDK, aby zachować kontekst rozmowy
• Tworzenie prototypów front-endu witryny za pomocą Gradio
• Tworzenie usługi backendu za pomocą FastAPI i Pydantic
• Zarządzanie zmiennymi środowiskowymi w pliku YAML za pomocą Pydantic-settings
• Wdrażanie aplikacji w Cloud Run za pomocą pliku Dockerfile i podawanie zmiennych środowiskowych w pliku YAML

Czego potrzebujesz

• przeglądarka Chrome,
• konto Gmail,
• projekt w chmurze z włączonymi płatnościami,

Ten warsztat programistyczny przeznaczony dla deweloperów na wszystkich poziomach zaawansowania (w tym dla początkujących) używa Pythona w próbnej aplikacji. Jednak znajomość Pythona nie jest wymagana do zrozumienia omawianych zagadnień.

2. Zanim zaczniesz

Konfigurowanie projektu w usłudze Cloud w edytorze Cloud Shell

W tym laboratorium programowania zakładamy, że masz już projekt Google Cloud z włączonymi płatnościami. Jeśli jeszcze go nie masz, możesz zacząć od wykonania tych instrukcji.

1. 2 W konsoli Google Cloud na stronie selektora projektu wybierz lub utwórz projekt Google Cloud.
2. Sprawdź, czy w projekcie Cloud włączone są płatności. Dowiedz się, jak sprawdzić, czy w projekcie są włączone płatności .
3. Użyjesz Cloud Shell, czyli środowiska wiersza poleceń działającego w Google Cloud, które jest wstępnie załadowane w bq. Kliknij Aktywuj Cloud Shell u góry konsoli Google Cloud.

4. Po połączeniu z Cloud Shell sprawdź, czy jesteś już uwierzytelniony i czy projekt jest ustawiony na identyfikator Twojego projektu, używając tego polecenia:

gcloud auth list

5. Aby sprawdzić, czy polecenie gcloud zna Twój projekt, uruchom w Cloud Shell to polecenie:

gcloud config list project

6. Jeśli projekt nie jest ustawiony, użyj tego polecenia:

gcloud config set project <YOUR_PROJECT_ID>

Identyfikator PROJECT_ID możesz też zobaczyć w konsoli

Kliknij go, aby wyświetlić po prawej stronie wszystkie informacje o projekcie i jego identyfikator.

7. Włącz wymagane interfejsy API, używając polecenia pokazanego poniżej. Może to potrwać kilka minut, więc zachowaj cierpliwość.

gcloud services enable aiplatform.googleapis.com \
                           run.googleapis.com \
                           cloudbuild.googleapis.com \
                           cloudresourcemanager.googleapis.com

Po pomyślnym wykonaniu polecenia powinien wyświetlić się komunikat podobny do tego:

Operation "operations/..." finished successfully.

Alternatywą dla polecenia gcloud jest konsola, w której możesz wyszukać poszczególne usługi lub skorzystać z tego linku.

Jeśli pominiesz któryś interfejs API, możesz go włączyć w trakcie implementacji.

Informacje o poleceniach i użytkowaniu gcloud znajdziesz w dokumentacji.

Konfigurowanie katalogu roboczego aplikacji

1. Kliknij przycisk Otwórz edytor, aby otworzyć edytor Cloud Shell, w którym możesz napisać kod
2. Sprawdź, czy w lewym dolnym rogu (pasek stanu) edytora Cloud Shell ustawiony jest projekt Cloud Code (jak na obrazku poniżej) i czy jest to aktywny projekt Google Cloud, w którym masz włączone płatności. Jeśli pojawi się taka prośba, autoryzuj. Po zainicjowaniu edytora Cloud Shell może minąć trochę czasu, zanim pojawi się przycisk Cloud Code – Zaloguj się. Prosimy o cierpliwość. Jeśli wykonasz poprzednie polecenie, przycisk może też wskazywać bezpośrednio aktywny projekt zamiast przycisku logowania.

3. Na pasku stanu kliknij aktywny projekt i poczekaj, aż otworzy się wyskakujące okienko Cloud Code. W wyskakującym okienku wybierz „Nowa aplikacja”.

4. Na liście aplikacji wybierz Generatywna AI Gemini, a potem Gemini API Python.

5. Zapisz nową aplikację pod wybraną nazwą. W tym przykładzie użyjemy nazwy gemini-multimodal-chat-assistant, a potem klikniemy OK.

W tym momencie powinieneś/powinnaś znajdować się w nowym katalogu roboczym aplikacji i mieć widoczne te pliki

Następnie przygotujemy środowisko Pythona.

Konfiguracja środowiska

Przygotowanie wirtualnego środowiska Pythona

Kolejnym krokiem jest przygotowanie środowiska programistycznego. W tym laboratorium kodu użyjemy Pythona 3.12 i menedżera projektu uv python, aby uprościć tworzenie wersji Pythona i zarządzanie nią oraz środowiskiem wirtualnym.

1. Jeśli terminal nie jest jeszcze otwarty, otwórz go , klikając Terminal -> Nowy terminal lub używając skrótu Ctrl + Shift + C.

2. Pobierz uv i zainstaluj Pythona 3.12 za pomocą tego polecenia

curl -LsSf https://astral.sh/uv/0.6.6/install.sh | sh && \
source $HOME/.local/bin/env && \
uv python install 3.12

3. Teraz zainicjuj projekt Pythona za pomocą uv

uv init

4. W katalogu zostaną utworzone pliki main.py, .python-version i pyproject.toml. Te pliki są potrzebne do utrzymania projektu w katalogu. Zależność i konfigurację Pythona można określić w pliku pyproject.toml i skalibrować wersję Pythona używaną w tym projekcie za pomocą pliku .python-version. Więcej informacji znajdziesz w dokumentacji.

main.py
.python-version
pyproject.toml

5. Aby przetestować ten kod, zastąp plik main.py tym kodem.

def main():
   print("Hello from gemini-multimodal-chat-assistant!")

if __name__ == "__main__":
   main()

6. Następnie uruchom to polecenie:

uv run main.py

Dane wyjściowe będą wyglądać tak:

Using CPython 3.12
Creating virtual environment at: .venv
Hello from gemini-multimodal-chat-assistant!

To pokazuje, że projekt Pythona jest prawidłowo skonfigurowany. Nie musimy tworzyć wirtualnego środowiska ręcznie, ponieważ uv już się tym zajmuje. Od tej pory standardowe polecenie Pythona (np. python main.py) będzie zastępowane przez uv run (np. uv run main.py).

Instalowanie wymaganych zależności

Zależność pakietu tego Codelab dodamy też za pomocą polecenia uv. Uruchom to polecenie:

uv add google-genai==1.5.0 \
       gradio==5.20.1 \
       pydantic==2.10.6 \
       pydantic-settings==2.8.1 \
       pyyaml==6.0.2

Zobaczysz, że sekcja „dependencies” w pliku pyproject.toml zostanie zaktualizowana zgodnie z poprzednim poleceniem.

Konfigurowanie plików konfiguracji

Teraz musimy skonfigurować pliki konfiguracji dla tego projektu. Pliki konfiguracji służą do przechowywania zmiennych dynamicznych, które można łatwo zmienić podczas ponownego wdrażania. W tym projekcie użyjemy plików konfiguracji opartych na formacie YAML z pakietem pydantic-settings, aby można było później łatwo zintegrować usługę z wdrożeniem Cloud Run. pydantic-settings to pakiet Pythona, który może wymuszać sprawdzanie typów w plikach konfiguracji.

1. Utwórz plik o nazwie settings.yaml z tą konfiguracją. Kliknij Plik > Nowy plik tekstowy i wpisz ten kod. Następnie zapisz plik jako settings.yaml.

VERTEXAI_LOCATION: "us-central1"
VERTEXAI_PROJECT_ID: "{YOUR-PROJECT-ID}"
BACKEND_URL: "http://localhost:8081/chat"

Zaktualizuj wartości VERTEXAI_PROJECT_ID zgodnie z ustawieniami wybranymi podczas tworzenia projektu Google Cloud. W tym ćwiczeniu używamy wstępnie skonfigurowanych wartości VERTEXAI_LOCATION i BACKEND_URL .

2. Następnie utwórz plik Pythona settings.py. Ten moduł będzie działać jako element programowy dla wartości konfiguracji w naszych plikach konfiguracyjnych. Kliknij Plik > Nowy plik tekstowy i wpisz ten kod. Następnie zapisz plik jako settings.py. W kodzie wyraźnie ustawiamy plik o nazwie settings.yaml jako plik do odczytu.

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()

Te konfiguracje umożliwiają nam elastyczne aktualizowanie środowiska uruchomieniowego. Podczas wdrożenia początkowego użyjemy konfiguracji settings.yaml, aby uzyskać pierwszą konfigurację domyślną. Następnie możemy elastycznie aktualizować zmienne środowiskowe w konsoli i ponownie wdrożyć, ponieważ zmienne środowiskowe mają wyższy priorytet niż domyślna konfiguracja YAML.

Możemy teraz przejść do następnego kroku, czyli tworzenia usług.

3. Tworzenie usługi frontendu za pomocą Gradio

Utworzymy interfejs internetowy czatu, który będzie wyglądał tak

Zawiera pole do wprowadzania tekstu i przesyłania plików. Użytkownik może też zastąpić instrukcje systemowe, które zostaną wysłane do interfejsu Gemini API, w polu dodatkowych danych wejściowych.

Usługę front-end zbudujemy za pomocą Gradio. Zmień nazwę pliku main.py na frontend.py i zastąp kod tym kodem:

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,
    )

Następnie możemy spróbować uruchomić usługę frontendu za pomocą tego polecenia. Pamiętaj, aby zmienić nazwę pliku main.py na frontend.py.

uv run frontend.py

W konsoli Google Cloud zobaczysz dane wyjściowe podobne do tych

* Running on local URL:  http://0.0.0.0:8080

To create a public link, set `share=True` in `launch()`.

Następnie możesz sprawdzić interfejs internetowy, gdy Ctrl+klikniesz lokalny link URL. Możesz też uzyskać dostęp do aplikacji interfejsu, klikając w prawym górnym rogu Edytora Cloud przycisk Podgląd w przeglądarce i wybierając Podejrzyj na porcie 8080.

Zobaczysz interfejs internetowy, ale podczas próby przesłania czatu pojawi się oczekiwany błąd z powodu usługi backendowej, która nie została jeszcze skonfigurowana.

Teraz pozwól działać usłudze i nie zabijaj jej jeszcze. Tymczasem możemy omówić ważne elementy kodu

Objaśnienie kodu

Kod do wysyłania danych z interfejsu internetowego do backendu znajduje się w tej części

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
    ... 

Jeśli chcemy wysłać do Gemini dane multimodalne i uzyskać do nich dostęp w różnych usługach, możemy przekształcić je w typ danych base64, zgodnie z deklaracją w kodzie. Musimy też określić typ MIME danych. Interfejs Gemini API nie obsługuje jednak wszystkich istniejących typów MIME, dlatego ważne jest, aby wiedzieć, które typy MIME są obsługiwane przez Gemini. Informacje te znajdziesz w tej dokumentacji. Informacje te znajdziesz w przypadku każdej funkcji Gemini API (np.Vision).

Dodatkowo w interfejsie czatu ważne jest też wysłanie historii czatu jako dodatkowego kontekstu, aby Gemini miało „pamięć” o rozmowie. W tym interfejsie internetowym wysyłamy też historię czatu, którą Gradio zarządza w ramach każdej sesji internetowej, wraz z danymi wprowadzanymi przez użytkownika. Pozwalamy też użytkownikowi zmodyfikować instrukcje systemu i je wysłać.

4. Tworzenie usługi backendu za pomocą FastAPI

Następnie musimy zbudować backend, który będzie obsługiwać wcześniej omówione dane, ostatnią wiadomość użytkownika, historię czatu i instrukcje systemu. Do utworzenia usługi backendu HTTP użyjemy biblioteki FastAPI.

Utwórz nowy plik, kliknij Plik->Nowy plik tekstowy, skopiuj i wklej podany niżej kod, a potem zapisz go jako backend.py.

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)

Pamiętaj, aby zapisać plik jako backend.py. Następnie możemy spróbować uruchomić usługę backendową. Pamiętaj, że w poprzednim kroku uruchomiliśmy usługę frontendu. Teraz musimy otworzyć nowy terminal i spróbować uruchomić usługę backendu.

1. Utwórz nowy terminal. Przejdź do terminala w dolnej części ekranu i znajdź przycisk „+”, aby utworzyć nowy terminal. Możesz też nacisnąć Ctrl + Shift + C, aby otworzyć nowy terminal.

2. Następnie sprawdź, czy jesteś w katalogu roboczym gemini-multimodal-chat-assistant, a potem uruchom to polecenie:

uv run backend.py

3. Jeśli się uda, pojawi się taki wynik

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)

Objaśnienie kodu

Defining the HTTP Route to Receive Chat Request

W FastAPI definiujemy ścieżkę za pomocą dekoratora app. Używamy też Pydantic do definiowania umowy dotyczącej interfejsu API. Określamy, że ścieżka do wygenerowania odpowiedzi znajduje się na ścieżce /chat z metodą POST. Te funkcje są zadeklarowane w tym kodzie

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
    ...

Przygotowanie formatu historii czatu w Gemini SDK

Jedną z ważniejszych kwestii, którą należy zrozumieć, jest sposób przekształcania historii czatu, aby można ją było wstawić jako wartość argumentu history podczas inicjowania klienta Gemini. Poniżej możesz sprawdzić kod

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

Aby przekazać historię czatu do pakietu Gemini SDK, musimy sformatować dane w typie danych List[Content]. Każdy element Content musi mieć co najmniej wartość role i parts. Wartość role odnosi się do źródła wiadomości, czyli użytkownika lub modelu. Części odnoszą się do samego promptu, który może być tylko tekstem lub kombinacją różnych modalności. Szczegółowe informacje o tym, jak tworzyć argumenty Content, znajdziesz w tej dokumentacji.

Praca z danymi nietekstowymi ( wielomodalnymi)

Jak już wspomnieliśmy w sekcji dotyczącej interfejsu, jednym ze sposobów przesyłania danych nietekstowych lub multimodalnych jest wysyłanie ich jako ciąg znaków w standardzie base64. Musimy też określić typ MIME danych, aby można je było prawidłowo zinterpretować. Na przykład, jeśli wysyłamy dane obrazu z przyrostkiem .jpg, musimy podać typ MIME image/jpeg.

Ten fragment kodu konwertuje dane w formacie base64 na format Part.from_bytes z Gemini SDK.

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. Test integracji

W tej chwili na różnych kartach konsoli Google Cloud powinno działać kilka usług:

• Usługa interfejsu działa na porcie 8080

* Running on local URL:  http://0.0.0.0:8080

To create a public link, set `share=True` in `launch()`.

• Usługa backendowa działa na porcie 8081

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)

Obecnie możesz bezproblemowo wysyłać dokumenty na czacie z asystentem z aplikacji internetowej na porcie 8080. Możesz zacząć eksperymentować, przesyłając pliki i zadając pytania. Pamiętaj, że niektóre typy plików nie są jeszcze obsługiwane i spowodują błąd.

Instrukcje systemu możesz też edytować w polu Dodatkowe dane wejściowe pod polem tekstowym.

6. Wdrażanie w Cloud Run

Oczywiście chcemy pokazać tę niesamowitą aplikację innym. Aby to zrobić, możemy spakować aplikację i wdrożyć ją w Cloud Run jako publiczną usługę, do której inni użytkownicy będą mieć dostęp. Aby to zrobić, zacznijmy od architektury

W tym laboratorium programistycznym umieścimy w 1 kontenerze zarówno usługę frontendu, jak i backendu. Do zarządzania obiema usługami będziemy potrzebować pomocy supervisord.

Utwórz nowy plik, kliknij Plik->Nowy plik tekstowy, skopiuj i wklej ten kod, a następnie zapisz go jako supervisord.conf.

[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

Następnie potrzebujemy pliku Dockerfile. Kliknij Plik->Nowy plik tekstowy, skopiuj i wklej ten kod, a następnie zapisz go jako Dockerfile.

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"]

Mamy już wszystkie pliki potrzebne do wdrożenia aplikacji do Cloud Run, więc zróbmy to. Otwórz terminal Cloud Shell i sprawdź, czy bieżący projekt jest ustawiony jako aktywny. Jeśli nie, użyj polecenia gcloud configure, aby ustawić identyfikator projektu:

gcloud config set project [PROJECT_ID]

Następnie uruchom to polecenie, aby wdrożyć go w Cloud Run.

gcloud run deploy --source . \
                  --env-vars-file settings.yaml \
                  --port 8080 \
                  --region us-central1

Pojawi się prośba o podanie nazwy usługi, np. „gemini-multimodal-chat-assistant”. Plik Dockerfile znajduje się w katalogu roboczym aplikacji, więc skompiluje on kontener Dockera i prześle go do Artifact Registry. Pojawi się też komunikat, że repozytorium Artifact Registry zostanie utworzone w regionie. Odpowiedz „Y". Gdy pojawi się pytanie, czy chcesz zezwolić na nieuwierzytelnione wywołania, odpowiedz „y”. Ponieważ jest to aplikacja demonstracyjna, zezwalamy na dostęp bez uwierzytelniania. Zalecamy stosowanie odpowiedniego uwierzytelniania w przypadku aplikacji korporacyjnych i produkcyjnych.

Po zakończeniu wdrażania powinien pojawić się link podobny do tego:

https://gemini-multimodal-chat-assistant-*******.us-central1.run.app

Użyj aplikacji w oknie incognito lub na urządzeniu mobilnym. Powinien być już dostępny.

7. Wyzwanie

Teraz nadszedł czas, aby zabłysnąć i doskonalić swoje umiejętności eksploracji. Czy masz odpowiednie umiejętności, aby zmienić kod, tak aby asystent mógł czytać pliki audio lub wideo?

8. Czyszczenie danych

Aby uniknąć obciążenia konta Google Cloud opłatami za zasoby wykorzystane w tym ćwiczeniu, wykonaj te czynności:

1. W konsoli Google Cloud otwórz stronę Zarządzanie zasobami.
2. Na liście projektów wybierz projekt do usunięcia, a potem kliknij Usuń.
3. W oknie wpisz identyfikator projektu i kliknij Wyłącz, aby usunąć projekt.
4. Możesz też przejść w konsoli do Cloud Run, wybrać właśnie wdrożony zasób i usunąć go.