Gemini 示例应用全景指南generative-ai 仓库 sample-apps 目录的端到端云端实战参考【免费下载链接】generative-aiSample code and notebooks for Generative AI on Google Cloud, with Gemini Enterprise Agent Platform项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai本指南以 gemini/sample-apps/README.md 为骨架系统梳理该目录下全部 Gemini 示例应用从金融领域的多模型数据库检索、可信 GenAI 特性落地到幻觉评估、多智能体科研工具与零代码智能体部署逐一给出应用定位、技术栈、部署要点与源码级证据。读完本文你将能根据业务场景在 16 个参考实现中准确选型并掌握统一的 Cloud Shell 环境初始化流程、Cloud Run 部署范式以及每类应用的核心源码入口。目录定位Sample Applications 在仓库中的作用gemini/sample-apps/是 generative-ai 仓库中面向「完整可运行应用」的目录。与大量仅演示单点 API 能力的 Notebook例如gemini/getting-started/下的模型介绍、gemini/function-calling/下的函数调用示例不同这里每个子目录都是一个端到端参考实现——包含前端、后端、部署配置乃至数据准备脚本直接演示如何在 Gemini Enterprise Agent Platform 上把 Gemini API 组合进真实业务系统。目录本身附带三个基础设施文件README.md全部应用的一览索引本指南的主体。SETUP.md所有应用共用的自定进度环境搭建指南涵盖 GCP 项目创建、Cloud Shell 初始化、API 启用与仓库克隆。LICENSEApache License 2.0 协议文本所有示例代码均可在此协议下自由使用、修改与分发演示代码以 AS IS 提供未做生产级加固详见下文注意事项。需要特别说明的是README 索引中的accelerating_product_innovation/、fixmycar/、llamadeploy-on-cloud-run/、llamaindex-rag/四个条目在当前仓库快照中未包含对应目录可能在其他分支或已独立托管本指南将聚焦当前快照中实际存在、可验证的 15 个应用目录并在文末给出缺失条目的说明。环境准备所有示例应用共用的初始化流程在运行任意示例应用之前先完成 SETUP.md 规定的四步准备工作。这是下面所有部署步骤的共同前提请务必先执行。第一步创建或选择 Google Cloud 项目并启用计费登录 Google Cloud Console新建项目或复用已有项目若没有 Gmail 或 Google Workspace 账号需先注册。明确三个容易混淆的值Project name项目的显示名称仅用于展示可随时修改不参与 API 调用。Project ID全局唯一、创建后不可变更后续所有命令行操作PROJECT_ID都引用它。Project Number部分 API 使用的数字标识。在控制台启用计费Billing。本教程的示例应用运行成本通常很低新用户可参与 $300 USD Free Trial 试用计划。教程结束后删除创建的资源或直接删除项目即可避免后续计费。第二步启动 Cloud Shell 并确认认证Cloud Shell 是运行在 Google Cloud 上的命令行环境自带开发工具、持久的 5GB 主目录并已预置认证。从控制台右上角点击 Cloud Shell 图标即可进入。连接后验证认证状态gcloud auth list期望输出当前账号处于 active 状态Credentialed accounts: - myaccountmydomain.com (active)确认当前项目gcloud config list project期望输出[core] project PROJECT_ID如果项目未设置手动指定gcloud config set project PROJECT_IDCloud Shell 还会预置GOOGLE_CLOUD_PROJECT环境变量可用echo $GOOGLE_CLOUD_PROJECT查看后续应用的 Vertex AI 初始化会用到它。第三步启用所需的 Google Cloud API在 Cloud Shell 中执行一条命令同时启用构建、函数、运行、日志、存储与 AI Platform 六大 APIgcloud services enable cloudbuild.googleapis.com cloudfunctions.googleapis.com run.googleapis.com logging.googleapis.com storage-component.googleapis.com aiplatform.googleapis.com执行成功后应看到类似输出Operation operations/acf.5c5ef4f6-f734-455d-b2f0-ee70b5a17322 finished successfully.第四步克隆仓库将仓库克隆到 Cloud Shell所有示例位于sample-apps目录下git clone https://gitcode.com/GitHub_Trending/ge/generative-ai.git克隆后按需进入对应子目录例如cd generative-ai/gemini/sample-apps/finance-advisor-spanner/。示例应用全景总览下表汇总了当前仓库快照中实际存在的应用目录、核心定位与关键技术栈信息来自各子目录 README应用目录定位关键技术栈finance-advisor-spanner金融投顾演示Spanner 多模型检索全文/向量/图Spanner、Vertex AItext-embedding-005、Cloud Run、Dataflow、Streamlitgenwealth虚构金融公司的可信 GenAI 特性落地AlloyDB AI、Vertex AIgemini-2.0-flash-001、textembedding-gecko003、Agent Builder、Document AI、Cloud Run、Cloud Functions、Eventarc、Pub/Sub、LangChain、Angular 17gemini-hallcheck置信度目标化、可弃权感知的幻觉评估器google-genai SDK、Gemini 2.5 Flash-Lite评判器、CSV / MMLU 数据源gemini-mesop-cloudrunMesop UI 框架 Gemini API on Cloud RunMesop、Vertex AI、Cloud Rungemini-streamlit-cloudrunStreamlit 框架 Gemini API on Cloud RunStreamlit、Vertex AI、Cloud Rungemini-quart-cloudrunQuart 异步框架 Gemini Live API 非阻塞对话QuartASGI、Gemini Live API、WebSocket、Cloud Rungemini-live-telephony-app实时双向语音电话 AI 助手Twilio、FastAPI、Gemini Live API、python-samplerate、Cloud Runimage-bash-jam纯 Bash 命令行测试 Gemini图像/音频Bash 脚本、gcloud、Gemini API、lolcat可选photo-discovery拍照识物 Agent 对话Flutter 多端Flutter、Vertex AI Search、Agent EngineReasoning Engineprism-science-explainer科学问题 → 交互式模拟器的多智能体科研工具FastAPI Google ADK、Gemini 3.7 Flash、Google Search groundingrosetta-agent-porter把 LangGraph/CrewAI/AutoGen 智能体移植为原生 ADK 智能体FastAPI Google ADK、Gemini 3.7 Flash、agents-cliquickbot零编码部署全栈 AI Agent 应用到自有 GCP 账号Angular 前端、FastAPI 后端、Cloud Run、Gemini/Imagen/Agent Builderswot-agent自动化 SWOT 战略分析 Web 应用Gemini 2.0 Flash、Pydantic AI、FastAPI、HTMX、Tailwind CSSphoto-discovery 之外的 e2e-gen-ai-app-starter-pack端到端 GenAI 应用启动包已迁移见迁移说明README 中仅剩指向新仓库的说明金融领域实战多模型数据库与可信 GenAIFinvest用 Spanner 把关系、文本、向量、图四类检索统一到单一数据库finance-advisor-spanner/README.md 描述了一个完整的金融投顾场景投资经理需要从结构化数据费率、基金收益、复杂数据资产持仓、行业板块与非结构化数据投资理念、客户目标中筛选合适的基金。演示应用 Finvest 展示了 Spanner 如何把这四类形态的数据放进同一个多模型数据库。场景推演README 中的四条检索路径关系 全文检索客户要求「北美和欧洲、投资衍生品」的基金Spanner 执行关系查询加文本检索返回基金列表。模糊匹配子串全文检索只记得经理姓名像是 Liz PetersSpanner 用 Full Text Search 的子串匹配定位到由 Elizabeth Peterson 管理的基金。向量检索语义匹配勾选向量搜索后输入 socially responsible社会责任能返回 ESG 基金——这是 KNN 向量相似度匹配的效果。图检索穿透式行业敞口计算基金可再投资于其他基金fund of fundsSpanner 通过资产知识图谱遍历基金及其持仓的嵌套关系计算客户对某行业的实际敞口例如筛选出科技板块敞口 ≥ 20% 的基金。技术栈Spanner、Vertex AI LLMtext-embedding-005同时承担嵌入与文本补全、Cloud Run、Dataflow、Streamlit前端见 home.py 中的st.set_page_config宽屏布局与 FinVest Advisor 页面设置。部署步骤核心命令完整保留在控制台创建 Spanner 实例并记下实例名。从公开 GCS Bucketgithub-repo/generative-ai/sample-apps/finance-advisor-spanner/spanner-fts-mf-data-export/导入数据记下数据库名。执行目录下的 Schema-Operations.sql 附加 DDL。首先必须把嵌入模型的 endpoint 改为你自己的项目与实例所在区域ALTER MODEL EmbeddingsModel SET OPTIONS ( endpoint //aiplatform.googleapis.com/projects/YOUR PROJECT ID HERE/locations/YOUR SPANNER INSTANCE LOCATION HERE/publishers/google/models/text-embedding-005 ) ;其余 DDL 语句无需修改即可继续执行。编辑同目录下的.env文件填入步骤 1、2 记录的名称instance_idYOUR INSTANCE ID database_idYOUR DATABASE ID构建并部署gcloud builds submit --tag gcr.io/YOUR PROJECT ID HERE/finance-advisor-app gcloud run deploy finance-advisor-app --image gcr.io/YOUR PROJECT ID HERE/finance-advisor-app --platform managed --region YOUR SPANNER REGION --allow-unauthenticated源码级纵深Schema-Operations.sql如何支撑上述四种检索这份 DDLSchema-Operations.sql是理解 Spanner 多模型能力的关键证据全文检索的基石——TOKENLIST 生成列为fund_name、category、investment_strategy、investment_managers、fund_benchmark、morningstar_benchmark、top5_regions、top5_holdings等列创建TOKENIZE_FULLTEXT分词列HIDDEN 隐藏列供全文搜索使用。子串模糊匹配的两种形态TOKENIZE_SUBSTRING(investment_managers)提供普通子串分词更精细的 NGRAM 变体使用ngram_size_min2, ngram_size_max3并限定relative_search_types[word_prefix,word_suffix]——这正是演示中输入 Liz Peters 能命中 Elizabeth Peterson 的实现原理。向量检索的底座大量UPDATE EU_MutualFunds SET investment_strategy_Embedding_vector ...语句把预生成的嵌入向量回填到表中。检索加速对每个 TOKENLIST 列创建SEARCH INDEX见同文件 L65-L80 的CREATE SEARCH INDEX category_Tokens_IDX ON EU_MutualFunds(category_Tokens)等语句。前端侧pages 目录按功能拆分为四个 Streamlit 页面1_Asset_Search.py资产搜索、2_Semantic_Search.py语义搜索、3_Graph_Visualization.py图可视化、4_Exposure_Check.py行业敞口核查与 README 中演示的四种检索路径一一对应后端查询逻辑集中在database.py与graph_viz.py。清理资源演示完成后删除项目即可彻底清理注意该命令会永久销毁项目内所有资源务必确认 PROJECT_ID 无误PROJECT_IDYOUR PROJECT ID HERE gcloud projects delete ${PROJECT_ID}GenWealth在存量应用中叠加三个可信 GenAI 特性genwealth/README.md 演示了如何用「已有的数据 已有的技能」组合 AlloyDB AI、Vertex AI、Cloud Run 与 Cloud Functions为虚构金融公司 GenWealth 的现有投资顾问软件新增三个 GenAI 特性投资搜索体验升级面向理财顾问基于 AlloyDB AI 的语义搜索。客户分群面向市场分析师识别新产品/服务的潜在客户。GenAI 聊天机器人面向理财顾问的 RAG 助手以应用数据为 grounding 提升生产力。技术栈README 明确列出AlloyDB for PostgreSQL 14Vertex AI LLMgemini-2.0-flash-001与textembedding-gecko003Vertex AI Agent BuilderDocument AIOCR 处理器Cloud Run第二代Cloud FunctionsPython 3.11Cloud StorageEventarcPub/SubLangChain 0.1.12Node 20Angular 17。部署入口项目根目录提供install.sh、env.sh环境变量配置、deployment/9 个部署脚本、function-scripts/4 个 Cloud Functions 脚本、api/TypeScript 后端、ui/Angular 前端、database-files/SQL 建库脚本与alternate-configs/替代配置。部署同样从创建新项目开始其余步骤参见其 README 与 SETUP.md。可靠性工程面向幻觉的可弃权评估器 gemini-hallcheckgemini-hallcheck/README.md 是一个置信度目标化confidence-targeted、可弃权感知abstention-aware的 Gemini 幻觉评估器基于google-genaiSDK 实现。它把 Kalai 等人论文中的思想工程化落地「只有当你置信度 t 时才回答否则输出 IDK」论文编号 arXiv:2509.04664详见其 README 的 Citation 一节。核心打分机制以弃权感知损失函数给每个条目打分回答且正确 1回答但错误 −t/(1−t)弃权IDK 0。输出风险–覆盖率曲线risk–coverage curvex 轴为覆盖率模型实际作答、没说 IDK 的条目占比y 轴为条件准确率作答时答对的频率曲线上每个点都标注对应的 t 值。判读规则t 升高 ⇒ 覆盖率下降、条件准确率上升。若「t 对应的条件准确率远低于 t」说明模型过度自信或未遵守弃权指令此时应提高 t、加固提示词、引入检索或转交机制、或重新校准。安装与认证python -m venv .venv source .venv/bin/activate pip install -e .Gemini API开发者 API方式export GOOGLE_API_KEYYOUR_KEY # 或 GEMINI_API_KEYVertex AI 方式两者二选一勿同时设置 API Keyexport GOOGLE_GENAI_USE_VERTEXAItrue export GOOGLE_CLOUD_PROJECTyour-gcp-project export GOOGLE_CLOUD_LOCATIONus-central1 # 或 europe-west1 等快速开始CSV 模式gemhall run --data examples/toy.csv --thresholds 0.5 0.75 0.9 --model gemini-2.5-flash-lite --progress --out outputs直接跑 MMLUHugging Face 数据集并混入 IDK-only 样本gemhall mmlu --thresholds 0.5 0.75 0.9 --model gemini-2.5-flash-lite --split test --subjects all --limit 200 --judge llm --async --concurrency 16 --progress --out outputs/mmlu --idk-frac 0.3其中--idk-frac 0.3会把 30% 的抽样条目转换成「不可回答」的 IDK-only 样本——唯一正确行为就是输出 IDK从而真正检验模型的弃权能力。输出产物results.csv每个 条目×t 一行的预测、弃权标记、正确性、得分、metrics.json覆盖率、条件准确率、回答中的幻觉率、期望得分均值、behavior.json简单行为检查如覆盖率随 t 单调性、rc_curve.png带 t… 标注的风险–覆盖率曲线、report.md汇总报告并内嵌图表。CLI 参考完整保留共享参数run与mmlu均适用--thresholds FLOAT... 置信度阈值如 0.5 0.75 0.9[必填] --model TEXT Gemini 模型 ID默认 gemini-2.5-flash --temperature FLOAT 采样温度默认 0.0 --thinking-budget INT 可选的思考预算默认 0 --seed INT 抽样用 RNG 种子默认 1234 --judge {exact,llm} 有效性评判器exact 或 llm默认 exact --async 异步客户端并发请求 --concurrency INT 异步模式最大并发数默认 8 --progress 显示进度条 --out PATH 输出目录默认 outputs --rpm-limit INT 客户端每分钟请求数上限可选 --max-retries INT 429 退避重试次数默认 6runCSV专有--data PATHCSV 需含id, question, gold, unknown_ok列。mmlu专有--split TEXT 数据集划分test、dev 等[默认 test] --subjects STR... 科目名或 all [默认 all] --limit INT 按科目过滤后随机抽样 N 条 --idk-frac FLOAT 转为 IDK-only 条目的比例 [0..1]默认 0.0评判器与限流细节exact评判器对选择题做字母A/B/C/D严格匹配对自由形式做数值/文本等价匹配llm评判器用 Gemini 2.5 Flash-Lite 做 YES/NO 评分且unknown_ok1时只有 IDK 才算正确不发起 LLM 调用。不设--rpm-limit时仍会遵守服务端RetryInfo做带抖动的指数退避重试高并发时建议--async --concurrency 12 --rpm-limit 180 --max-retries 8这类稳定组合。业务映射README 建议的 t 值档位t≈0.5 用于草稿与分流高覆盖率、人在回路t≈0.75 用于辅助性回答支持建议、带引用的 FAQt≈0.9 用于自助回复非监管流程的公开答复t≈0.95 用于高风险场景受监管/品牌关键否则转人工。UI 框架三件套Mesop、Streamlit 与 Quart on Cloud RunGemini with Mesop on Cloud Rungemini-mesop-cloudrun/README.md 演示 Mesop UI 框架Google 出品的 Python 原生 Web UI 框架运行在 Cloud Run 上通过 Vertex AI 调用 Gemini。本地运行Cloud Shellpython3 -m venv gemini-mesop . gemini-mesop/bin/activate pip install -r requirements.txt export GOOGLE_CLOUD_PROJECT$(gcloud config get project) # 当前项目 ID export GOOGLE_CLOUD_REGIONus-central1 # 改成区域时请确认受支持 mesop --port 8080 main.py启动后用 Cloud Shell 的 Web 预览打开返回的 URL 即可交互。构建并部署到 Cloud Runexport SERVICE_NAMEmesop-gemini gcloud run deploy $SERVICE_NAME \ --source . \ --port8080 --allow-unauthenticated \ --project$GOOGLE_CLOUD_PROJECT --region$GOOGLE_CLOUD_REGION \ --set-env-varsGOOGLE_CLOUD_PROJECT$GOOGLE_CLOUD_PROJECT \ --set-env-varsGOOGLE_CLOUD_REGION$GOOGLE_CLOUD_REGION要点GOOGLE_CLOUD_PROJECT与GOOGLE_CLOUD_REGION两个环境变量是 Vertex AI 初始化所必需本地与部署时都要注入。Gemini with Streamlit on Cloud Rungemini-streamlit-cloudrun/README.md 是同样模式下的 Streamlit 版本数据科学团队最熟悉的 Python UI 框架python3 -m venv gemini-streamlit source gemini-streamlit/bin/activate pip install -r requirements.txt export GOOGLE_CLOUD_PROJECTYour Google Cloud Project ID随后按 README 选择标准 Vertex AI 或旧版aiplatformSDK 的对应配置本地streamlit run验证后再部署到 Cloud Run部署命令与 Mesop 版本同构见其 README。Gemini with Quart on Cloud Run非阻塞对话与 Live APIgemini-quart-cloudrun/README.md 是三者中最具架构深度的一个它用Quart基于 ASGI 标准的异步 Python Web 框架承载Gemini Live API的双向实时语音/文本流。为什么选 Quart异步架构基于asyncio的事件循环高效处理并发 I/O不会在等待 Gemini 响应时阻塞进程。原生 WebSocket 支持为实时 AI 应用所需的持久双向通道提供一等公民支持。Flask 风格 APIAPI 设计与广泛采用的 Flask 一致学习曲线低。为多模态流式数据优化擅长高效处理生成式 AI 模型的大体积流式输出。Flask阻塞vs Quart非阻塞README 明确对比了两者的行为差异——Flask 一次处理一个请求等待 Gemini 时整个请求被阻塞客户端必须等前一个响应才能发下一条消息交互缓慢Quart 则在全双工 WebSocket 上非阻塞收发用户可连续发送文本/语音消息且支持对正在生成的回复进行打断interruption延迟更低、服务器资源利用率更高、并发与扩展性更好。上图是 README 中用来对照说明的 Flask 处理流程示意该图片位于仓库根目录 seq_flask.png客户端发出 HTTP RequestWSGI Server 通过environ将请求交给 FlaskApp依次执行路由匹配与视图函数后返回 HTTP Response——整个过程是同步阻塞的这正是与 Quart 异步模型形成对比的基线。语音电话AI Care AssistantTwilio Gemini Live APIgemini-live-telephony-app/README.md 提供了一个实时双向语音到 AI 应用的完整架构蓝图与实现Twilio负责电话接入、FastAPI后端做实时处理、Google Gemini Live API提供对话能力整体部署在 Cloud Run 上。关键设计决策README 明确记录使用python-samplerate做高质量流式音频重采样解决电话音频编码与 Live API 输入之间的格式转换。Cloud Run 部署通过min-instances1缓解冷启动并利用会话亲和session affinity保存内存中的 DSP 状态。环境准备要点创建项目并启用 Vertex AI APIgcloud auth login与gcloud auth application-default login完成账号与应用双重认证基于.env.example创建.env文件配置环境变量。完整的系统架构说明组件拆解、数据流、技术论证、分步实现指南在其 design_doc.md 中工具代码位于utils/目录。命令行与脚本用 Bash 直接测 Geminiimage-bash-jamimage-bash-jam/README.md 提供一套纯 Bash 脚本让你在终端里直接调用 Gemini覆盖图像与音频示例非常适合快速验证 API 行为或做演示。目录内容一览01-setup.sh认证与初始化、_common.sh公共函数含_lolcat彩色输出检测、annotate-all.sh、gemini-explain-image.sh解释图像、gemini-explain-image-italian.sh、gemini-generic.sh、gemini-generic-two-pics.sh两图对比、gemini-why-is-the-sky-blue.sh、tts.sh语音合成以及Makefile统一封装。快速上手cd generative-ai/gemini/sample-apps/image-bash-jam/ # 可选安装 lolcat 获得彩色输出不装也会自动回退到默认颜色 gem install lolcat # 认证Cloud Shell 环境可跳过一键授权 gcloud auth login # 用本地密钥方式配置项目 cp .envrc.dist .envrc vim .envrc # 修改 PROJECT_ID 与 ACCOUNT ./01-setup.sh # 完成认证并执行 make images 下载本地资源多智能体前沿Prism 与 Rosetta这两个应用代表了当前仓库中最先进的多智能体参考实现均由单一模型驱动全部流水线阶段。Prism问一个科学问题得到一台交互式模拟器prism-science-explainer/README.md 描述的应用接受一个朴素科学问题如 彩虹是怎么形成的先在实时网络上研究答案然后现场编写一个可拖拽控件的交互式模拟器来解释它——没有模板库、没有预制答案全程约 45 秒。整条流水线跑在同一个模型 Gemini 3.7 Flash 上该模型链接为仓库 README 原文标注当前实现以仓库内app/config.py的配置为准。五阶段流水线Gatekeeper守门人检查问题是否属于可教学的科学主题并设定受众水平。Planner规划器把问题拆解为五个研究角度。Research swarm研究蜂群基于 ADKParallelAgent并行启动五个搜索智能体分别研究机制、关键数字、常见误解、边界与一个可计算示例全部以 Google Search 为 grounding。Build instrument构建模拟器写出PRISM_SPEC规格与PRISM_SIM模拟器。Verify验证静态检查模拟器确实会动画、控件能驱动它失败则通过修复循环回到构建阶段。源码级纵深不同阶段改变的不是模型而是思考级别thinking level——gatekeeper、planner 与五个并行搜索者运行在LOW以保持速度模拟器构建者使用MEDIUM见 app/config.py 中的THINK与MODES。最后三步是最有趣的部分让模型产出一个真正能跑的模拟器t30s 时仍在运动、拖拽滑块会改变正在播放的动画本质上是个「提示词 验证」问题——app/fill_prompt.txt 承载了硬性的运动契约hard motion contract而 app/render.py 会静态拒绝step()为空实现的仪器——这正是经典失败模式画面很美但点击 Play 毫无反应。前置条件Python 3.11–3.13、uv依赖与虚拟环境管理以及两种后端之一Gemini API 或 Vertex AI按其 README 配置。Rosetta把任何智能体移植成原生 ADK 智能体rosetta-agent-porter/README.md 描述一个「移植智能体的智能体」把用LangGraph、CrewAI 或 AutoGen构建的智能体仓库指给它它读代码、用Google ADK重建为原生智能体、自我修复构建直到通过green、校验移植后的行为与原版一致然后交付一个可对话的在线智能体——全程约一分钟。同样全程使用单一模型 Gemini 3.7 Flash。六阶段流水线intake代码摄入→ 基于 ADKParallelAgent的六智能体分析蜂群分别覆盖 graph、prompts、tools、state、models、inputs 六个维度→ port plan移植方案→ codegen代码生成→ verify带修复循环的构建验证→ fidelity eval保真度评估最终以原生 ADK 智能体形式运行在adk api_server上。源码级纵深与 Prism 相同的设计哲学——高吞吐的仓库读取运行在LOW思考预算上移植规划器与代码生成器运行在MEDIUM见 app/config.py 中的ROLE_THINKING。前置条件为 Python 3.11–3.13、uv、gitRosetta 需要克隆目标仓库其余依赖包括负责脚手架与 lint 生成 ADK 项目的agents-cli由make setup安装。零代码智能体部署Quickbotquickbot/README.md 定位为「开箱即用」解决方案用户无需任何编码经验即可把成熟的 AI Agent 以全栈云应用形式部署到自己名下的 GCP 账号中且部署完成后代码归用户所有、可自由定制。核心特性README 所列预置模板快速创建定制 Agent官方 README 声称可在 10 分钟内完成部署该数字为项目方标称建议以实际验证为准完全开源可定制Angular 前端 Python FastAPI 后端每个模板可独立部署到 Cloud Run模板架构标准化前端 Angular、后端 FastAPI复用默认 Google Cloud 凭证按模板复杂度自动开通所需云资源集成最新 AI 能力Gemini、Imagen、Vertex AI Search 等模板生态多样化自有模板 借鉴 Agent Garden、A2A 等。标准架构frontend/Angular 用户界面与backend/FastAPI 智能体逻辑与 Google Cloud 服务交互分离便于独立开发与扩展。当前仓库快照中共有 7 个可直接选用的模板覆盖多剧本/单剧本对话应用、基于 Agent Builder 的文档/网站搜索、基于 Imagen 3 的图片背景替换、LinkedIn 头像生成、文生图等场景详见其 README 的 Available Templates 一节。自动化 SWOT 分析swot-agentswot-agent/README.md 用 Gemini 2.0 Flash 与 Pydantic AI 智能体框架实现自动化 SWOT 分析优势、劣势、机会、威胁前端为 FastAPI HTMX Tailwind CSS该模型链接为仓库 README 原文标注。智能体的三个工具Content Extraction根据 URL 抽取网页内容。Community Insights调用 Reddit API 获取相关 subreddit 的社区洞察。Competitive Analysis调用 Gemini API 生成竞争分析。前置条件Python 3.10、Google Cloud API 凭证、可选 Reddit API 凭证用于社区内容抽取。安装pip install -r requirements.txt export GOOGLE_CLOUD_PROJECTyour_project_id export GOOGLE_APPLICATION_CREDENTIALSpath_to_service_account.json核心实现集中在 agent.pyPydantic AI 智能体与工具定义与 main.pyFastAPI 入口测试位于tests/另有 Dockerfile 与templates/中的 HTML 模板。拍照识物 Agent 对话photo-discoveryphoto-discovery/README.md 把Vertex AI Agent与多平台Flutter应用集成Flutter 作为客户端框架、Vertex AI Search 作为向量数据库、Agent EngineReasoning Engine负责构建与部署智能体。用户拍照或上传地标照片后应用识别主体名称并给出简介点 tell me more 可与 Agent 对话追问历史还能识别 Google Merchandise Store 的商品并提供名称、描述、价格与购买链接。Vertex AI Search 数据准备要点在 Agent Builder 中创建数据存储数据源选 Cloud Storage 的结构化 JSONL文件gcp-samples-ic0-ag/src/google_merch_shop_items.json区域选择us命名gms创建后确认文档数为 204 条并记录 Data store ID即 search engine ID随后创建名为gms_test的 Search 应用关闭 Enterprise edition 与 Advanced LLM features。Flutter 应用代码位于app/目录多端工程云端逻辑见ag-web/。已迁移项目e2e-gen-ai-app-starter-packe2e-gen-ai-app-starter-pack/README.md 仅保留一条迁移声明该项目已整体迁移至 GoogleCloudPlatform 下的agent-starter-pack新仓库README 中给出指向新仓库的外部链接本文按规范不转载。若你关注「端到端 GenAI 应用启动包」这一形态可直接在其 README 中查看迁移目标当前快照内不再包含其代码。README 索引中当前快照缺失的条目README.md 中还列出了以下四个应用但在本仓库快照中找不到对应目录可能位于其他分支、已迁移或独立托管本文不杜撰其内容Accelerating Product Innovationaccelerating_product_innovation/README 描述其为面向产品品类/品牌方、用生成式 AI 加速产品创新的解决方案。FixMyCarfixmycar/README 描述其为基于车主手册做故障排查的 RAG 示例应用。LlamaDeploy on Cloud Runllamadeploy-on-cloud-run/README 描述其为用llama-deploy库部署 LlamaIndex Workflow 到 Cloud Run 的示例。LlamaIndex RAGllamaindex-rag/README 描述其为基于 LlamaIndex 与 Gemini Enterprise Agent Platform 的进阶 RAG 原型系统。如需使用上述四个应用建议在仓库更新后重新拉取或在官方 generative-ai 仓库中按 README 描述核对。选型参考如何根据目标挑选示例应用你的目标推荐应用学习要点学习多模型数据库全文向量图统一检索finance-advisor-spannerSchema-Operations.sql的 TOKENLIST/SEARCH INDEX/嵌入回填在存量系统上叠加可信 GenAI 特性genwealthAlloyDB AI 语义搜索、RAG 聊天机器人、事件驱动架构评估并缓解模型幻觉gemini-hallcheck弃权感知损失、风险–覆盖率曲线、IDK 数据增强快速搭一个 Python UI 的 Gemini 应用gemini-mesop-cloudrun / gemini-streamlit-cloudrunCloud Run 环境变量注入、本地→云端一致部署构建实时双向语音/文本对话gemini-quart-cloudrun / gemini-live-telephony-appQuart 非阻塞模型、WebSocket、Live API、电话集成终端快速验证 Gemini 多模态能力image-bash-jamBash 脚本化调用、图像/音频示例学习多智能体流水线与并行蜂群prism-science-explainer / rosetta-agent-porterADK ParallelAgent、思考预算分层、验证/修复循环零代码部署全栈 AI AgentquickbotAngular FastAPI 模板架构、Cloud Run 一键部署结构化智能体业务分析swot-agentPydantic AI 工具调用、FastAPI HTMX 前端多端移动应用 Agent 集成photo-discoveryFlutter 客户端、Vertex AI Search 数据准备、Agent Engine注意事项与资源清理演示代码非生产就绪finance-advisor-spanner 的 README 明确提示演示代码「过度宽松、未经安全与可靠性加固」以 AS IS 提供不得在未做自有测试与安全加固的情况下用于生产。其他应用同理均以教学演示为目标。认证方式二选一gemini-hallcheck 等支持双后端的应用使用 Gemini API Key 与 Vertex AI 环境变量GOOGLE_GENAI_USE_VERTEXAItrue不可同时设置否则行为未定义。成本控制教程类应用运行成本通常很低但涉及 Spanner 实例、Cloud Run 常驻实例如min-instances1时请留意持续计费完成后删除资源或删除整个演示项目gcloud projects delete PROJECT_ID注意该命令不可逆。环境变量前置多数 Cloud Run 应用依赖GOOGLE_CLOUD_PROJECT与GOOGLE_CLOUD_REGION或GOOGLE_CLOUD_LOCATION本地与云端部署前务必按各自 README 注入。至此你已经掌握了 generative-ai 仓库gemini/sample-apps目录的全景从统一的环境初始化SETUP.md到金融、UI、语音、命令行、多智能体、零代码与移动端等各类参考实现的选择路径、部署命令与核心源码入口。下一步按上文选型表选定一个应用在 Cloud Shell 中完成环境搭建并跑通部署即可把其中的模式迁移到你的真实业务中。【免费下载链接】generative-aiSample code and notebooks for Generative AI on Google Cloud, with Gemini Enterprise Agent Platform项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
