Gemini API 完整攻略：从新手到高手

Gemini API 完整使用攻略：从入门到放弃（不，到精通）

是什么 / 适合谁

Google 的 Gemini 系列 API 是当前最值得关注的 AI 编程接口之一。它最大的特点就是“大方”——免费额度给的非常慷慨，而且原生支持多模态（文字、图片、音频、视频都能理解）。对于个人开发者、小团队、学生、AI 爱好者来说，这几乎是零成本探索前沿大模型能力的最佳入口。

特别适合这几类人：

• AI 应用原型开发者：想快速验证一个创意，不想一开始就烧钱
• 内容处理需求者：需要分析长文档、视频、音频，2M tokens 的上下文窗口能直接吞下一整本书或一部电影
• 多模态实验爱好者：想试试让 AI 看图说话、听音识曲、分析视频帧
• 预算敏感型用户：免费额度足够日常使用，付费价格也相对合理

阶段学习路径

第 1 天：拿到钥匙，跑通第一个请求

目标：获取 API Key，用 Python 调用 Gemini 生成第一段文字。

步骤：

1. 访问 Google AI Studio（ai.google.dev），用 Google 账号登录。
2. 点击左侧“Get API Key”创建一个新密钥。复制保存好。
3. 安装 Python 库：pip install google-generativeai
4. 写一段最简单的代码：

import google.generativeai as genai

genai.configure(api_key="你的API密钥")
model = genai.GenerativeModel('gemini-2.0-flash-exp')
response = model.generate_content("用一句话解释量子计算")
print(response.text)

关键点：gemini-2.0-flash-exp 是目前最推荐的免费模型，速度快、能力均衡。如果遇到网络连接问题，请确保你的网络环境能正常访问 Google 服务，这是使用前提。

第 1 周：掌握核心能力

目标：学会多模态输入、流式输出、系统指令调教。

多模态实战：

import PIL.Image

image = PIL.Image.open('猫的照片.jpg')
model = genai.GenerativeModel('gemini-2.0-flash-exp')
response = model.generate_content(["描述这张图片里的猫是什么品种", image])
print(response.text)

流式输出（适合对话场景）：

response = model.generate_content("写一首关于AI的诗", stream=True)
for chunk in response:
    print(chunk.text, end="")

系统指令（定义AI的角色和行为）：

model = genai.GenerativeModel(
    'gemini-2.0-flash-exp',
    system_instruction="你是一个毒舌程序员，用讽刺的语气回答技术问题"
)

进阶：2M tokens 长上下文与函数调用

长上下文实战：上传一本《三体》的电子书（约 30 万字，远小于 2M tokens），直接提问“罗辑的黑暗森林理论在书中有哪些体现？”——模型会检索全文回答。

with open('三体.txt', 'r', encoding='utf-8') as f:
    book_text = f.read()

model = genai.GenerativeModel('gemini-2.0-flash-exp')
response = model.generate_content(f"以下是一本小说全文：{book_text[:100000]}\n问题：罗辑的黑暗森林理论是什么？")

函数调用（Function Calling）：让模型能调用外部工具，比如查询天气、数据库。这是构建智能体的基础。

优势

• 免费额度极其大方：每分钟 60 次请求，每天 1500 次，对于个人项目几乎用不完。
• 2M tokens 上下文窗口：目前业界最长，可以一次性处理海量文本。
• 原生多模态：不需要额外模型处理图片、音频，一个 API 搞定。
• 模型迭代快：Google 持续推出新版本，如 Gemini 2.0 Flash、Pro、Ultra。
• 集成生态：与 Google Cloud、Vertex AI 无缝衔接，方便企业级部署。

短板

• 网络依赖：国内用户需要确保能稳定访问 Google 服务，这是硬性门槛。
• API 仍在演进：部分功能（如视频理解）还在实验阶段，偶有稳定性问题。
• 中文理解深度：在中文古诗词、成语、文化梗的理解上，不如国内大模型细腻。
• 安全限制严格：某些敏感话题会被拦截，审查机制比开源模型更保守。

价格规划

免费层（强烈推荐起步）：

• Gemini 2.0 Flash：完全免费，每分钟 60 次，每天 1500 次
• Gemini 1.5 Pro：免费额度也很大，每分钟 30 次

付费层（按量计费）：

• Gemini 2.0 Flash：$0.10/百万输入 tokens，$0.40/百万输出 tokens
• Gemini 1.5 Pro：$1.25/百万输入 tokens，$5.00/百万输出 tokens
• 注意：付费需要绑信用卡，且 Google 账户区域需匹配。如果无法完成支付，免费层足够学习和小型项目使用。

省钱建议：优先用 gemini-2.0-flash-exp，它又快又便宜（其实免费）。只有需要极致推理能力时才切到 Pro 模型。

不合适怎么办

如果 Gemini API 不适合你（网络问题、中文能力不足、安全限制太严），可以考虑这些替代方案：

• 国内大模型 API：文心一言、通义千问、智谱清言的 API 都支持多模态，网络无压力，中文更强。
• 开源模型本地部署：使用 Ollama 或 llama.cpp 运行 Qwen2、DeepSeek 等模型，完全离线，隐私性好。
• 混合方案：用 Gemini 处理英文、长文档、多模态任务，用国内模型处理中文、敏感内容。

底线建议：先花 30 分钟跑通免费层，如果卡在网络问题上，果断转向国内方案。工具是拿来用的，不是拿来折腾的。