Możesz kontrolować generowanie odpowiedzi na różne sposoby w zależności od zastosowania i wymaganego poziomu kontroli.
Projektowanie promptów
Dowiedz się więcej o projektowaniu promptów, aby wpływać na model i generować dane wyjściowe dostosowane do Twoich potrzeb.
Dowiedz się na przykład, jak w uporządkowany sposób podawać istotne informacje związane z zadaniem.
Konfiguracja modelu
Skonfiguruj konfigurację modelu, aby określić, jak model ma generować odpowiedź. Opcje konfiguracji zależą od modelu i używanej funkcji. Oto przykłady:
W przypadku modeli Gemini możesz skonfigurować parametry takie jak maksymalna liczba tokenów wyjściowych, prawdopodobieństwo powtórzenia tokenów wyjściowych itp.
W przypadku modeli Gemini, które mogą generować dane wyjściowe w różnych formatach (np. modele „Nano Banana” lub modele Gemini Live API), możesz dodatkowo skonfigurować typ odpowiedniej odpowiedzi (dźwięk, tekst lub obrazy) oraz głos używany w odpowiedziach audio (w stosownych przypadkach).
W przypadku modeli Gemini, które mogą myśleć, możesz też określić konfigurację związaną z myśleniem, w tym poziom myślenia (lub budżet na myślenie w przypadku modeli Gemini 2.5) oraz to, czy mają być uwzględniane podsumowania myśli.
Ustawienia bezpieczeństwa
Użyj ustawień bezpieczeństwa, aby dostosować prawdopodobieństwo otrzymania odpowiedzi, które mogą być uznane za szkodliwe. Te ustawienia mogą pomóc Ci kontrolować dane wyjściowe pod kątem możliwych wypowiedzi szerzących nienawiść, nękania, treści o charakterze jednoznacznie seksualnym i treści niebezpiecznych.
Możesz na przykład blokować odpowiedzi, które promują szkodliwe produkty, usługi i aktywności albo umożliwiają dostęp do nich.
Instrukcje systemowe
Ustaw instrukcje systemowe, aby sterować działaniem modelu. Ta funkcja jest podobna do „wprowadzenia”, które dodajesz, zanim model otrzyma dalsze instrukcje od użytkownika końcowego.
Możesz na przykład poprosić model, aby odpowiadał jak pirat lub w określonym formacie.
Ustrukturyzowane dane wyjściowe z użyciem schematu odpowiedzi
Przekaż schemat odpowiedzi wraz z promptem, aby określić konkretny schemat wyjściowy. Ta funkcja jest najczęściej używana podczas generowania danych wyjściowych w formacie JSON, ale można jej też używać do zadań klasyfikacji (np. gdy chcesz, aby model używał określonych etykiet lub tagów).