Możesz poproszyć model Gemini o analizę plików dokumentów (takich jak pliki PDF i pliki tekstowe) podanych w treści (zakodowanych w formacie base64) lub za pomocą adresu URL. Gdy używasz Firebase AI Logic, możesz wysłać to żądanie bezpośrednio z aplikacji.
Dzięki tej funkcji możesz m.in.:
- analizować diagramy, wykresy i tabele w dokumentach;
- wyodrębniać informacje do uporządkowanych formatów wyjściowych;
- odpowiadać na pytania dotyczące treści wizualnych i tekstowych w dokumentach;
- podsumowywać dokumenty;
- transkrybować zawartość dokumentu (np. do formatu HTML), zachowując układ i formatowanie, do użycia w aplikacjach podrzędnych (np. w potokach RAG).
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych dokumentu (np. plików PDF), ale możesz też generować obrazy na podstawie danych wejściowych dokumentu.
Przejdź do przykładowych fragmentów kodu Przejdź do kodu obsługującego odpowiedzi przesyłane strumieniowo
|
Więcej opcji pracy z dokumentami (np. plikami PDF) znajdziesz w innych przewodnikach Generowanie uporządkowanych danych wyjściowych Czat wieloetapowy |
Zanim zaczniesz
|
Kliknij swojego dostawcę Gemini API, aby wyświetlić na tej stronie treści i kod specyficzne dla dostawcy. |
Jeśli jeszcze tego nie zrobisz, zapoznaj się z
przewodnikiem dla początkujących, w którym opisujemy, jak
skonfigurować projekt Firebase, połączyć aplikację z Firebase, dodać pakiet SDK, zainicjować usługę backendu dla wybranego dostawcy Gemini API i
utworzyć instancję GenerativeModel.
Do testowania i iteracji promptów zalecamy korzystanie z Google AI Studio.
Modele obsługujące tę funkcję
Ten przewodnik dotyczy generowania tekstu na podstawie danych wejściowych dokumentu (np. plików PDF) i ma zastosowanie do tych modeli Gemini:
gemini-3.1-pro-previewgemini-3.5-flashgemini-3.1-flash-litegemini-2.5-progemini-2.5-flashgemini-2.5-flash-lite
Generowanie tekstu z plików PDF (zakodowanych w formacie base64)
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji
Zanim zaczniesz, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk dostawcy interfejsu Gemini API, aby na tej stronie wyświetlały się treści specyficzne dla dostawcy.Gemini API |
Możesz poprosić model Gemini o
wygenerowanie tekstu, podając tekst i pliki PDF – podając mimeType każdego
pliku wejściowego i sam plik. Wymagania i zalecenia dotyczące plików wejściowych znajdziesz w dalszej części tej strony.
Swift
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
generateContent().
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Create a `GenerativeModel` instance with a model that supports your use case.
let model = ai.generativeModel(modelName: "gemini-3.5-flash")
// Provide the PDF as `Data` with the appropriate MIME type
let pdf = try InlineDataPart(data: Data(contentsOf: pdfURL), mimeType: "application/pdf")
// Provide a text prompt to include with the PDF file
let prompt = "Summarize the important results in this report."
// To generate text output, call `generateContent` with the PDF file and text prompt
let response = try await model.generateContent(pdf, prompt)
// Print the generated text, handling the case where it might be nil
print(response.text ?? "No text in response.")
Kotlin
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
generateContent().
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel("gemini-3.5-flash")
val contentResolver = applicationContext.contentResolver
// Provide the URI for the PDF file you want to send to the model
val inputStream = contentResolver.openInputStream(pdfUri)
if (inputStream != null) { // Check if the PDF file loaded successfully
inputStream.use { stream ->
// Provide a prompt that includes the PDF file specified above and text
val prompt = content {
inlineData(
bytes = stream.readBytes(),
mimeType = "application/pdf" // Specify the appropriate PDF file MIME type
)
text("Summarize the important results in this report.")
}
// To generate text output, call `generateContent` with the prompt
val response = model.generateContent(prompt)
// Log the generated text, handling the case where it might be null
Log.d(TAG, response.text ?: "")
}
} else {
Log.e(TAG, "Error getting input stream for file.")
// Handle the error appropriately
}
Java
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
generateContent().
ListenableFuture.
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.5-flash");
// Use the GenerativeModelFutures Java compatibility layer which offers
// support for ListenableFuture and Publisher APIs
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
ContentResolver resolver = getApplicationContext().getContentResolver();
// Provide the URI for the PDF file you want to send to the model
try (InputStream stream = resolver.openInputStream(pdfUri)) {
if (stream != null) {
byte[] audioBytes = stream.readAllBytes();
stream.close();
// Provide a prompt that includes the PDF file specified above and text
Content prompt = new Content.Builder()
.addInlineData(audioBytes, "application/pdf") // Specify the appropriate PDF file MIME type
.addText("Summarize the important results in this report.")
.build();
// To generate text output, call `generateContent` with the prompt
ListenableFuture<GenerateContentResponse> response = model.generateContent(prompt);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
String text = result.getText();
Log.d(TAG, (text == null) ? "" : text);
}
@Override
public void onFailure(Throwable t) {
Log.e(TAG, "Failed to generate a response", t);
}
}, executor);
} else {
Log.e(TAG, "Error getting input stream for file.");
// Handle the error appropriately
}
} catch (IOException e) {
Log.e(TAG, "Failed to read the pdf file", e);
} catch (URISyntaxException e) {
Log.e(TAG, "Invalid pdf file", e);
}
Web
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
generateContent().
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend } from "firebase/ai";
// TODO(developer) Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
// ...
};
// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Create a `GenerativeModel` instance with a model that supports your use case.
const model = getGenerativeModel(ai, { model: "gemini-3.5-flash" });
// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
const base64EncodedDataPromise = new Promise((resolve) => {
const reader = new FileReader();
reader.onloadend = () => resolve(reader.result.split(','));
reader.readAsDataURL(file);
});
return {
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the PDF file
const prompt = "Summarize the important results in this report.";
// Prepare PDF file for input
const fileInputEl = document.querySelector("input[type=file]");
const pdfPart = await fileToGenerativePart(fileInputEl.files);
// To generate text output, call `generateContent` with the text and PDF file
const result = await model.generateContent([prompt, pdfPart]);
// Log the generated text, handling the case where it might be undefined
console.log(result.response.text() ?? "No text in response.");
}
run();
Dart
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
generateContent().
import 'package:firebase_ai/firebase_ai.dart';
import 'package:firebase_core/firebase_core.dart';
import 'firebase_options.dart';
// Initialize FirebaseApp
await Firebase.initializeApp(
options: DefaultFirebaseOptions.currentPlatform,
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
final model =
FirebaseAI.googleAI().generativeModel(model: 'gemini-3.5-flash');
// Provide a text prompt to include with the PDF file
final prompt = TextPart("Summarize the important results in this report.");
// Prepare the PDF file for input
final doc = await File('document0.pdf').readAsBytes();
// Provide the PDF file as `Data` with the appropriate PDF file MIME type
final docPart = InlineDataPart('application/pdf', doc);
// To generate text output, call `generateContent` with the text and PDF file
final response = await model.generateContent([
Content.multi([prompt,docPart])
]);
// Print the generated text
print(response.text);
Unity
Aby wygenerować tekst na podstawie multimodalnych danych wejściowych (tekstu i plików PDF), możesz wywołać funkcję
GenerateContentAsync().
using Firebase;
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports your use case.
var model = ai.GetGenerativeModel(modelName: "gemini-3.5-flash");
// Provide a text prompt to include with the PDF file
var prompt = ModelContent.Text("Summarize the important results in this report.");
// Provide the PDF file as `data` with the appropriate PDF file MIME type
var doc = ModelContent.InlineData("application/pdf",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "document0.pdf")));
// To generate text output, call `GenerateContentAsync` with the text and PDF file
var response = await model.GenerateContentAsync(new [] { prompt, doc });
// Print the generated text
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
Dowiedz się, jak wybrać model odpowiednią dla Twojego przypadku użycia i aplikacji.
Przesyłanie odpowiedzi strumieniowo
|
Zanim wypróbujesz ten przykład, wykonaj czynności opisane w sekcji
Zanim zaczniesz, aby skonfigurować projekt i aplikację. W tej sekcji klikniesz też przycisk dostawcy interfejsu Gemini API, aby na tej stronie wyświetlały się treści specyficzne dla dostawcy.Gemini API |
Możesz przyspieszyć interakcje, nie czekając na cały wynik wygenerowany przez model, i zamiast tego użyć przesyłania strumieniowego do obsługi częściowych wyników.
Aby przesyłać odpowiedź strumieniowo, wywołaj funkcję generateContentStream.
Wymagania i zalecenia dotyczące dokumentów wejściowych
Pamiętaj, że plik podany jako dane w treści jest w trakcie przesyłania kodowany w formacie base64, co zwiększa rozmiar żądania. Jeśli żądanie jest zbyt duże, otrzymasz błąd HTTP 413.
Szczegółowe informacje o tych kwestiach znajdziesz na stronie „Obsługiwane pliki wejściowe i wymagania”:
- Różne opcje podawania pliku w żądaniu (w treści lub za pomocą adresu URL albo URI pliku)
- Wymagania i sprawdzone metody dotyczące plików dokumentów
Obsługiwane typy MIME dokumentów
Gemini modele multimodalne obsługują te typy MIME dokumentów:
- PDF –
application/pdf - Tekst –
text/plain
Limity żądań
Pliki PDF są traktowane jako obrazy, więc jedna strona pliku PDF jest traktowana jako jeden obraz. Liczba stron dozwolonych w prompcie jest ograniczona do liczby obrazów, które mogą obsługiwać modele Gemini multimodalne.
- Maksymalna liczba plików na żądanie: 3000 plików
- Maksymalna liczba stron w pliku: 1000 stron
- Maksymalny rozmiar pliku: 50 MB
Co jeszcze możesz zrobić?
- Dowiedz się, jak zliczać tokeny przed wysłaniem do modelu długich promptów.
- Skonfiguruj Cloud Storage for Firebase , aby móc dołączać duże pliki do żądań multimodalnych i mieć bardziej zarządzane rozwiązanie do podawania plików w promptach. Pliki mogą zawierać obrazy, pliki PDF, filmy i dźwięki.
-
Zacznij przygotowywać się do wdrożenia (zapoznaj się z
listą kontrolną wdrożenia):
- Skonfiguruj Firebase App Check jak najszybciej, aby chronić Gemini API przed nadużyciami ze strony nieautoryzowanych klientów.
- Zintegruj Firebase Remote Config , aby aktualizować wartości w aplikacji (np. nazwę modelu) bez publikowania nowej wersji aplikacji .
Wypróbuj inne funkcje
- Twórz rozmowy wieloetapowe (czaty).
- Generuj tekst na podstawie promptów zawierających tylko tekst.
- Generuj uporządkowane dane wyjściowe (np. JSON) na podstawie promptów tekstowych i multimodalnych.
- Generuj i edytuj obrazy na podstawie promptów tekstowych i multimodalnych.
- Używaj narzędzi (takich jak wywoływanie funkcji i powiązanie ze źródłami informacji przy użyciu wyszukiwarki Google) aby połączyć model Gemini z innymi częściami aplikacji oraz systemami i informacjami zewnętrznymi.
Dowiedz się, jak kontrolować generowanie treści
- Poznaj projektowanie promptów, w tym sprawdzone metody, strategie i przykładowe prompty.
- Skonfiguruj parametry modelu takie jak maksymalna liczba tokenów wyjściowych, prawdopodobieństwo powtórzenia tokenów wyjściowych itp.
- Użyj ustawień bezpieczeństwa, aby dostosować prawdopodobieństwo otrzymania odpowiedzi, które mogą być uznane za szkodliwe.
Więcej informacji o obsługiwanych modelach
Dowiedz się więcej o modelach dostępnych w różnych przypadkach użycia oraz o ich limitach i cenach.Prześlij opinię o korzystaniu z Firebase AI Logic