“Hola, mundo” en Gemini

El 'Hola, mundo' de Gemini: un ejemplo básico de cómo interactuar con la API de Gemini (usando `curl` para simplicidad) para enviar un prompt simple de texto y recibir una respuesta generada por el modelo `gemini-pro`. Requiere una clave de API o autenticación configurada.

📋 Copiar

# **Prerrequisitos:** Necesitas una clave de API de Google AI Studio o configurar autenticación en Vertex AI (Google Cloud).
# El endpoint exacto y la autenticación varian segun la plataforma (Google AI Studio usa API Keys, Vertex AI usa Service Accounts/OAuth).
# Ejemplo usando el endpoint de la API de Google AI Studio (basado en generativelanguage.googleapis.com):

curl -X POST \
  https://generativelanguage.googleapis.com/v1/models/gemini-pro:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [{
      "parts":[{
        "text":"Hola, Gemini! ¿Cómo estás?"
      }]
    }]
  }'

Resultado:

Output

Una respuesta en formato JSON que contiene el texto generado por Gemini (ej: en el campo `candidates[0].content.parts[0].text`), respondiendo al prompt ingresado e indicando el éxito de la llamada a la API.

Comandos básicos

Familiarizarse con estos comandos es esencial para interactuar eficientemente con Gemini:

Obtener una Clave de API (Google AI Studio) o configurar autenticación (Vertex AI)

📋 Copiar

Para Google AI Studio:
1. Ve a Google AI Studio (ai.google.dev).
2. Crea un nuevo proyecto o usa uno existente.
3. Obtén una clave de API para tu proyecto en 'Get API key'.

Para Vertex AI (Google Cloud):
1. Configura un proyecto de Google Cloud y habilita la API de Vertex AI.
2. Crea una Service Account y genera una clave (JSON) o usa credenciales de usuario para autenticacion.

Necesitas autenticar tus peticiones a la API de Gemini. Google AI Studio proporciona API keys sencillas para prototipado rápido. Vertex AI en Google Cloud ofrece métodos de autenticación más robustos (Service Accounts, OAuth) para entornos de producción.

Enviar un prompt de texto usando el endpoint `generateContent`

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [{
      "parts":[{
        "text":"Escribe un poema corto sobre el océano."
      }]
    }],
    "generationConfig": {
      "temperature": 0.9,
      "maxOutputTokens": 100
    },
    "safetySettings": [...]
  }'
# Reemplaza <endpoint> (ej: generativelanguage.googleapis.com o una URL de Vertex AI), <model_id> (ej: gemini-pro, gemini-ultra), YOUR_API_KEY o usa autenticacion de Vertex AI. Añade safetySettings si es necesario.

Utiliza el endpoint principal `generateContent` para enviar un prompt de texto a un modelo específico de Gemini. Permite incluir parámetros de generación (`temperature`, `maxOutputTokens`, `topP`, `topK`, `stopSequences`) y ajustes de seguridad.

Enviar un prompt multimodal (texto + imagen) usando `generateContent`

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [{
      "parts":[
        {"text":"Describe lo que ves en esta imagen:"},
        {"inline_data": {
          "mime_type": "image/jpeg",
          "data": "<base64_encoded_image_data>" # Datos de la imagen codificados en Base64
        }}
      ]
    }],
    "generationConfig": { ... },
    "safetySettings": { ... }
  }'
# Reemplaza <endpoint>, <model_id> (debe soportar vision, ej: gemini-pro-vision), YOUR_API_KEY, y proporciona los datos Base64 de la imagen.

Muestra cómo estructurar una petición a la API para enviar un prompt que combina texto y datos de imagen (codificados en Base64). Esto aprovecha la capacidad multimodal de Gemini para entender y responder basándose en contenido visual y textual.

Continuar una conversación (manejar historial de chat) usando `generateContent`

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [
      {"role": "user", "parts":[{"text":"Hola, cual es la capital de Francia?"}]},
      {"role": "model", "parts":[{"text":"La capital de Francia es Paris."}]},
      {"role": "user", "parts":[{"text":"Y cual es el idioma oficial?"}]}
    ],
    "generationConfig": { ... },
    "safetySettings": { ... }
  }'
# Reemplaza <endpoint>, <model_id>, YOUR_API_KEY.

Cómo enviar un historial completo de mensajes (`contents`) con roles (`user`, `model`) para mantener el contexto en una conversación. Debes gestionar este historial en tu aplicación y enviarlo en cada turno de chat.

Usar el endpoint `countTokens`

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:countTokens?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [{
      "parts":[{
        "text":"Este es un texto para contar tokens."
      }]
    }]
  }'
# Reemplaza <endpoint>, <model_id> y YOUR_API_KEY.

Permite contar cuántos tokens contiene un prompt, un historial de chat o un contenido multimodal. Útil para predecir el costo de una llamada API, gestionar la ventana de contexto y optimizar el tamaño de los prompts.

Usar el endpoint `embedContent`

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:embedContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "content": {
      "parts":[{
        "text":"Genera un embedding para esta frase."
      }]
    }
  }'
# Reemplaza <endpoint>, <model_id> (debe ser un modelo de embedding, ej: embedding-001), y YOUR_API_KEY.

Genera un vector numérico (embedding) que representa el significado semántico del texto o contenido multimodal proporcionado. Es fundamental para tareas como búsqueda semántica, sistemas de recomendación, clustering y clasificación.

Configurar ajustes de seguridad (`safety_settings`)

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [...],
    "safetySettings": [
      {
        "category": "HARM_CATEGORY_DANGEROUS_CONTENT",
        "threshold": "BLOCK_NONE" # O BLOCK_LOW_AND_ABOVE, BLOCK_MEDIUM_AND_ABOVE, BLOCK_ONLY_HIGH
      },
      {
        "category": "HARM_CATEGORY_HARASSMENT",
        "threshold": "BLOCK_LOW_AND_ABOVE"
      }
      // Añadir otras categorias si es necesario
    ]
  }'

Permite controlar la sensibilidad de los filtros de seguridad de Gemini a diferentes categorías de contenido potencialmente dañino (discurso de odio, acoso, contenido sexual, contenido peligroso), definiendo umbrales para bloquear las respuestas que superen cierto nivel de riesgo.

Implementar Function Calling (Concepto)

📋 Copiar

curl -X POST \
  https://<endpoint>/v1/models/<model_id>:generateContent?key=YOUR_API_KEY \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [...],
    "tools": [
      {"function_declarations": [
        {
          "name": "get_current_weather",
          "description": "Obtiene el clima actual en una ubicacion.",
          "parameters": {
            "type": "OBJECT",
            "properties": {
              "location": {"type": "STRING", "description": "La ciudad y codigo postal"}
            },
            "required": ["location"]
          }
        }
        // Añadir otras declaraciones de funcion
      ]}
    ]
  }'
# Si Gemini determina que una funcion es relevante, la respuesta contendra un `function_call`. Tu codigo debe detectar esto, ejecutar la funcion real con los argumentos proporcionados, y enviar el resultado de vuelta a Gemini en un nuevo turno de conversacion para obtener la respuesta final.

Permite que Gemini interactúe con sistemas externos a través de funciones que defines en tu aplicación. Le describes a Gemini la estructura de tus funciones (nombre, descripción, parámetros) y él puede decidir 'llamarlas' basándose en el prompt del usuario, indicando qué función y argumentos usar en la respuesta. Tu código maneja la ejecución real y el envío del resultado de vuelta a Gemini.

Usar el SDK de Python para interactuar con Gemini

📋 Copiar

# 1. Instala la libreria: pip install google-generativeai
# 2. Configura tu API key (idealmente via variable de entorno GOOGLE_API_KEY)
import google.generativeai as genai
import os

genai.configure(api_key=os.getenv('GOOGLE_API_KEY'))

# Inicializa un modelo (ej: gemini-pro, o gemini-pro-vision para multimodal)
model = genai.GenerativeModel('gemini-pro')

# Enviar un prompt simple y obtener respuesta
response = model.generate_content("Cuentame un dato curioso.")
print(response.text)

# Iniciar o continuar un chat
chat = model.start_chat(history=[]) # Puedes cargar historial previo
response = chat.send_message("Hola, eres un modelo de lenguaje?")
print(response.text)
response = chat.send_message("Cual es tu nombre?")
print(response.text)

Muestra cómo interactuar con la API de Gemini de forma programática utilizando el SDK oficial de Google para Python. Los SDKs simplifican la autenticación, la estructuración de peticiones (incluido el chat) y el manejo de respuestas. Hay SDKs disponibles para varios lenguajes.

Usar la Interfaz Web de Google AI Studio para Prototipado
📋 Copiar
```
Visita https://ai.google.dev/ y crea un nuevo proyecto. Puedes experimentar con prompts de texto y multimodales, ajustar parámetros, ver el código generado para la API en diferentes lenguajes y probar Function Calling en un entorno visual sin necesidad de programar inicialmente.
```
Google AI Studio es una herramienta web gratuita e intuitiva para explorar las capacidades de Gemini, prototipar ideas rápidamente y obtener el código de ejemplo para tu aplicación antes de pasar a la integración directa con la API.

Conceptos Clave

Comprender estos conceptos fundamentales te ayudará a dominar Gemini de forma más organizada y eficiente:

Familia de Modelos Gemini (Ultra, Pro, Nano):

Gemini no es un modelo único, sino una familia con diferentes tamaños y capacidades optimizadas para diversos casos de uso: **Gemini Ultra** (el modelo más grande y capaz, para tareas complejas), **Gemini Pro** (un modelo de alto rendimiento y escalable para una amplia gama de aplicaciones), y **Gemini Nano** (el modelo más pequeño, diseñado para ejecutarse eficientemente en dispositivos como smartphones o sistemas embebidos).
Multimodalidad Nativa:

Una de las capacidades distintivas de Gemini. Puede comprender y combinar información de múltiples modalidades (texto, imágenes, audio, video, código) dentro del mismo prompt o contexto. Esto permite interactuar con el modelo de formas más ricas, como hacer preguntas sobre el contenido de una imagen o video, o combinar texto y código.
Puntos de Acceso: Google AI Studio y Vertex AI:

Puedes acceder a los modelos Gemini a través de dos plataformas de Google: **Google AI Studio** (ai.google.dev) es una herramienta web gratuita para prototipar rápidamente, experimentar con prompts y obtener código. **Vertex AI** (en Google Cloud Platform) es la plataforma empresarial para desplegar, gestionar y escalar modelos Gemini en producción, ofreciendo mayor control, seguridad, opciones de despliegue y autenticación (Service Accounts, OAuth).
Diseño y Endpoints de la API:

La API de Gemini se basa en la arquitectura REST. El endpoint principal es `generateContent` (para generación de texto y contenido multimodal, incluyendo el manejo del chat). Otros endpoints importantes son `countTokens` (para contar tokens), `embedContent` (para generar embeddings) y otros para gestión de modelos y tareas específicas.
Gestión de Conversaciones (`contents` con roles):

Para mantener el contexto en interacciones de chat, la API utiliza una estructura específica dentro del cuerpo de la solicitud `generateContent`. Debes enviar un historial de mensajes completo en la clave `contents`, alternando entre los roles \"user\" (para las entradas del usuario) y \"model\" (para las respuestas de Gemini) para mantener el hilo de la conversación.
Parámetros de Generación:

Configuraciones que permiten controlar el comportamiento de Gemini durante la generación de texto o contenido. Los parámetros clave incluyen `temperature` (controla la aleatoriedad y creatividad de 0.0 a 1.0), `max_output_tokens` (limita la longitud máxima de la respuesta), `top_p` y `top_k` (controlan la selección de tokens, afectando la diversidad de las respuestas) y `stop_sequences` (palabras o frases que, al ser generadas, detienen la respuesta).
Configuración de Seguridad (`safety_settings`):

La API permite ajustar la sensibilidad de los filtros de seguridad integrados de Gemini. Puedes definir umbrales para diferentes categorías de contenido potencialmente dañino (ej: `HARM_CATEGORY_HARASSMENT`, `HARM_CATEGORY_HATE_SPEECH`, `HARM_CATEGORY_SEXUALLY_EXPLICIT`, `HARM_CATEGORY_DANGEROUS_CONTENT`), controlando cuándo se bloquea una respuesta que se considera riesgosa.
Function Calling:

Una capacidad que permite a Gemini interactuar con herramientas o sistemas externos. Defines la estructura (declaración) de las funciones que tu aplicación puede ejecutar. Si Gemini determina que una de estas funciones es relevante para responder al prompt del usuario, te indicará en la respuesta qué función y argumentos 'llamar'. Tu código ejecuta la función real y envía el resultado de vuelta a Gemini para que genere la respuesta final al usuario.
Grounding (Anclaje a Datos Externos):

La capacidad de conectar a Gemini a fuentes de información externas y verificables (como bases de datos, documentos, búsqueda web) para que sus respuestas se basen en esos datos en lugar de solo su conocimiento pre-entrenado. Esto es fundamental para tareas de QA sobre datos específicos, reduciendo alucinaciones y mejorando la precisión (comúnmente usado en arquitecturas RAG).
Versiones del Modelo y Estabilidad:

Google itera y actualiza los modelos Gemini periódicamente. Al usar la API, puedes especificar una versión de modelo particular (ej: `gemini-pro-001`) o usar la versión más reciente (`gemini-pro`). Es importante entender las políticas de versiones y la estabilidad de los modelos para mantener la fiabilidad en aplicaciones de producción.
Principios de IA Responsable:

El desarrollo de Gemini se rige por los principios de IA responsable de Google. La API incluye características de seguridad y transparencia. Al construir aplicaciones con Gemini, es esencial que los desarrolladores también consideren el uso ético, la equidad, la privacidad y la seguridad.
Modelo de Precios:

El uso de la API de Gemini (especialmente en Vertex AI) se factura generalmente por token procesado (tanto en la entrada como en la salida), con tarifas que varían según el modelo utilizado (Ultra es más caro que Pro, Pro más que Nano) y la modalidad (procesar imágenes o videos tiene costos adicionales). También hay costos asociados a otros servicios de Google Cloud si se usan.

Casos de uso

Algunos ejemplos de aplicaciones prácticas donde se utiliza Gemini:

Construir aplicaciones multimodales avanzadas que combinen texto, imágenes, video y audio:

Desarrollar sistemas que pueden analizar y generar contenido basado en múltiples tipos de datos. Ejemplos: analizar un documento con texto e imágenes para extraer información; crear descripciones de productos a partir de imágenes y etiquetas; generar resúmenes de videos.
Crear agentes conversacionales con memoria de largo plazo, contexto y capacidad de interactuar con sistemas externos:

Desarrollar chatbots sofisticados que mantengan el hilo de conversaciones largas, utilicen Function Calling para interactuar con APIs o bases de datos (ej: consultar inventario, obtener información de perfil, controlar un sistema externo), y proporcionen respuestas personalizadas basadas en el contexto histórico y datos externos.
Implementar soluciones de Grounding (RAG) para anclar las respuestas de Gemini a bases de conocimiento internas o fuentes de datos específicas:

Conectar Gemini a tus propios documentos, bases de datos o información propietaria (utilizando embeddings, búsqueda vectorial y el patrón RAG) para que genere respuestas precisas y contextualizadas basadas en esos datos, ideal para sistemas de soporte al cliente, conocimiento interno o investigación especializada.
Automatizar flujos de trabajo de creación de contenido controlado para marketing, redacción técnica o generación de scripts:

Utilizar la API de Gemini con parámetros de generación avanzados (`temperature`, `top_p`, `stop_sequences`) y prompts estructurados para generar texto de alta calidad que se ajuste a estilos, tonos y requisitos específicos. Ejemplos: crear borradores de correos, descripciones de productos, publicaciones para redes sociales, o snippets de código.
Desarrollar asistentes avanzados de código que ayuden a escribir, refactorizar, explicar o depurar código:

Aprovechar las capacidades de código de Gemini para construir herramientas que generen código en varios lenguajes, completen funciones, expliquen fragmentos de código complejos, sugieran mejoras de estilo o eficiencia, o ayuden a encontrar errores en el código existente.
Analizar y extraer información estructurada de imágenes o documentos complejos con prompts de texto:

Utilizar la capacidad multimodal de Gemini para analizar contenido visual (gráficos, tablas, diagramas, texto en imágenes) y extraer información específica en un formato estructurado (ej: JSON) basándose en preguntas o instrucciones proporcionadas en texto. Útil para automatizar el procesamiento de documentos o imágenes.
Integrar capacidades de generación de lenguaje natural y multimodalidad en productos y servicios existentes vía API:

Añadir funcionalidades de IA a aplicaciones web, móviles o de escritorio utilizando la API de Gemini. Ejemplos: resumen automático de correos electrónicos, generación de respuestas sugeridas en chats, análisis de sentimientos en feedback de usuarios, generación de descripciones de productos a partir de características, etc.
Construir aplicaciones que requieren razonamiento complejo, resolución de problemas o pensamiento abstracto:

Utilizar los modelos más potentes de Gemini (como Ultra) para tareas que demandan habilidades avanzadas de razonamiento, como análisis de datos complejos, resolución de problemas lógicos o matemáticos, o la generación de explicaciones detalladas de conceptos complejos.
Desarrollar sistemas de recomendación basados en el análisis de contenido multimodal:

Utilizar los embeddings generados por el endpoint `embedContent` de Gemini (para texto, imágenes, etc.) para representar elementos (productos, documentos, videos, artículos) y consultas de usuario en un espacio vectorial, permitiendo encontrar elementos semánticamente similares o relevantes para hacer recomendaciones personalizadas.
Implementar sistemas de moderación, clasificación o etiquetado de contenido:

Utilizar los filtros de seguridad configurables de Gemini o entrenar modelos de clasificación basados en embeddings de Gemini para identificar y categorizar contenido (texto, imágenes) según su tema, tono, contenido potencialmente dañino o cualquier otra taxonomía definida, ayudando en la moderación o análisis de grandes volúmenes de datos.

Consejos para Principiantes

Aquí tienes algunas recomendaciones para facilitar tus inicios en Gemini:

Empieza con Google AI Studio para Prototipar Rápido y Obtener Código de Ejemplo:

Google AI Studio (ai.google.dev) es la forma más sencilla y gratuita de empezar a experimentar con Gemini. Te permite probar prompts (texto y multimodal), ajustar parámetros y ver el código para llamar a la API en diferentes lenguajes. Es ideal para prototipar antes de escribir código.
Obtén una Clave de API (Google AI Studio) y Asegúrate de Usarla de Forma Segura:

Necesitarás una API key para interactuar con Gemini fuera de AI Studio. Obtén una en AI Studio y úsala en tus scripts o aplicaciones. **Importante:** Nunca expongas tu API key en código del lado del cliente (frontend). Úsala siempre en tu backend o en entornos de servidor seguros.
Familiarízate con los Diferentes Modelos Gemini (Pro es un Buen Punto de Partida):

Gemini viene en diferentes tamaños (Ultra, Pro, Nano) y variantes (texto, visión). `gemini-pro` es un buen modelo general para empezar con la API. `gemini-pro-vision` soporta prompts multimodales (texto+imagen). Ultra es para tareas más exigentes y Nano para dispositivos. Consulta la documentación para elegir el adecuado.
Comprende la Estructura de las Peticiones y Respuestas de la API (`generateContent`):

El endpoint principal es `generateContent`. Las peticiones usan JSON y envían el contenido en la clave `contents`, que es una lista de 'parts' (texto, inline_data para imágenes, etc.). Las respuestas también son JSON y el texto generado está en `candidates[0].content.parts[0].text`. Entender esta estructura es clave.
Aprende a Manejar el Historial de Conversación para Crear Chatbots:

Para mantener el contexto en un chat, necesitas enviar a la API todo el historial de la conversación en la clave `contents`, alternando los roles 'user' y 'model'. Tu aplicación es responsable de construir y gestionar este historial.
Experimenta con los Parámetros de Generación (`temperature`, `max_output_tokens`, etc.):

Estos parámetros controlan cómo Gemini genera texto. `temperature` (0.0-1.0) es clave para la creatividad. `max_output_tokens` limita la longitud. Experimenta con ellos en Google AI Studio o en tus llamadas API para obtener el tipo de respuesta que deseas.
Prueba la Multimodalidad: Envía Imágenes y Texto Juntos:

Si usas un modelo que soporta visión (ej: `gemini-pro-vision`), experimenta enviando prompts que incluyan texto y datos de imagen (codificados en Base64 en la API). Pídele a Gemini que describa la imagen, extraiga texto, o responda preguntas sobre su contenido.
Lee la Documentación de la API: Es Tu Guía Completa:

La documentación oficial de Gemini (especialmente la referencia de la API) es extremadamente detallada. Cubre todos los endpoints, parámetros, estructuras de petición/respuesta, códigos de error y guías para tareas específicas. ¡Consúltala con frecuencia!
Comprende los Ajustes de Seguridad y Su Impacto:

La API te permite ajustar los filtros de seguridad para diferentes categorías de contenido dañino. Entiende cómo funcionan estos umbrales y cómo pueden afectar las respuestas de Gemini en tu aplicación. Úsalos de forma responsable.
Explora Conceptos Avanzados como Function Calling y Grounding Cuando Estés Listo:

Una vez que domines la generación básica y el chat, investiga Function Calling (para que Gemini interactúe con tus funciones) y Grounding (para conectar a Gemini con tus datos externos). Estas capacidades abren la puerta a aplicaciones mucho más potentes.
Considera Usar los SDKs para Mayor Facilidad en Tu Código:

Aunque `curl` es útil para probar la API, usar los SDKs oficiales de Google para tu lenguaje (Python, Node.js, etc.) simplifica mucho la integración, el manejo de la autenticación, la estructuración de las peticiones complejas (como chat) y el manejo de las respuestas.
Si Piensas en Producción, Considera Vertex AI en Google Cloud:

Para aplicaciones que requieren escalabilidad, seguridad de nivel empresarial, opciones de despliegue gestionado y facturación integrada con otros servicios de Google Cloud, explora usar Gemini en Vertex AI. Ofrece más control que la API simple de Google AI Studio.

Herramientas relacionadas

Si te interesa Gemini, también podrías explorar estas herramientas:

Recursos útiles

Amplía tus conocimientos con estos enlaces y materiales: