انتقال به کیت‌های توسعه نرم‌افزار Firebase AI Logic از کیت‌های توسعه نرم‌افزار Google AI client


رفتن مستقیم به دستورالعمل‌های انتقال

چرا باید به کیت‌های توسعه نرم‌افزار Firebase AI Logic منتقل شد؟

ممکن است مجموعه جایگزینی از کیت‌های توسعه نرم‌افزار کارخواه وب یا تلفن همراه را امتحان کرده باشید که به شما امکان دسترسی به Gemini Developer API را داده است.

آن کیت‌های توسعه نرم‌افزار کارخواه در بوم‌سازگان قدرتمند Firebase که خدمات مهمی را برای برنامه‌های وب و تلفن همراه ارائه می‌دهد ادغام نشده بودند. این مدل‌ها اکنون منسوخ شده‌اند و کیت‌های توسعه نرم‌افزار کارخواه Firebase AI Logic جایگزین آن‌ها شده‌اند که می‌توانند دسترسی به Gemini Developer API را برای شما فراهم کنند.

ویژگی‌های امنیتی برای برنامه‌های وب و تلفن همراه

برای برنامه‌های وب و تلفن همراه، امنیت بسیار مهم است و به ملاحظات ویژه‌ای نیاز دارد زیرا کد شما (ازجمله تماس‌ها با Gemini API) در محیطی محافظت‌نشده اجرا می‌شود. می‌توانید از Firebase App Check برای محافظت از میاناهای برنامه‌سازی کاربردی دربرابر سوءاستفاده کارخواهان غیرمجاز استفاده کنید.

وقتی از Firebase App Check با Firebase AI Logic استفاده می‌کنید، هرگز کلید میانای برنامه‌سازی کاربردی Gemini را برای Gemini Developer API مستقیماً به پایگاه کد برنامه وب یا تلفن همراهتان اضافه نمی‌کنید. درعوض، کلید میانای برنامه‌سازی کاربردی Gemini در سرور باقی می‌ماند و درمعرض عاملان بدخواه قرار نمی‌گیرد.

بوم‌سازگانی که برای برنامه‌های وب و تلفن همراه ساخته شده است

Firebase پلاتفرم Google برای توسعه برنامه‌های وب و تلفن همراه است. استفاده از Firebase AI Logic یعنی برنامه‌هایتان در بوم‌سازگانی قرار دارند که بر نیازهای برنامه‌ها و توسعه‌دهندگان پشته کامل تمرکز دارد. برای مثال:

  • بااستفاده از Firebase Remote Config، پیکربندی‌های زمان اجرا را به‌طور پویا تنظیم کنید یا مقادیر را در برنامه‌تان (مانند نام و نسخه مدل) بدون انتشار نسخه جدید برنامه تعویض کنید.

  • از Cloud Storage for Firebase برای گنجاندن فایل‌های بزرگ در درخواست‌های چندحالتی خود استفاده کنید (اگر از Agent Platform Gemini API (formerly Vertex AI) استفاده می‌کنید). کیت‌های توسعه نرم‌افزار کارخواه Cloud Storage به شما کمک می‌کنند بارگذاری و بارگیری فایل‌ها را مدیریت کنید (حتی در شرایط شبکه ضعیف) و امنیت بیشتری برای داده‌های کاربران نهایی شما ارائه می‌دهند. در راهنمای راه‌حل ما درباره استفاده از Cloud Storage for Firebase بیشتر بدانید.

  • مدیریت داده‌های ساختاریافته بااستفاده از کیت‌های توسعه نرم‌افزار پایگاه داده ساخته‌شده برای برنامه‌های وب و تلفن همراه (مثل Cloud Firestore).

انتقال به کیت‌های توسعه نرم‌افزار Firebase AI Logic

نمای کلی مراحل انتقال به کیت‌های توسعه نرم‌افزار Firebase AI Logic:

  • مرحله ۱: پروژه Firebase جدید یا موجودی راه‌اندازی کنید و برنامه‌تان را به Firebase متصل کنید.

  • مرحله ۲: کیت‌های توسعه نرم‌افزار Firebase AI Logic را به برنامه‌تان اضافه کنید.

  • مرحله ۳: واردات و مقداردهی اولیه را در برنامه‌تان به‌روز کنید.

  • مرحله ۴: بسته به ویژگی‌هایی که استفاده می‌کنید، کدتان را به‌روز کنید.

مرحله ۱: راه‌اندازی پروژه Firebase و متصل کردن برنامه

  1. به سیستم کنسول Firebase وارد شوید، و سپس پروژه Firebase خود را انتخاب کنید.

  2. در کنسول Firebase، به سرویس‌های هوش مصنوعی > منطق هوش مصنوعی بروید.

  3. روی شروع به کار کلیک کنید تا گردش کار راهنمایی‌شده‌ای راه‌اندازی شود که به شما کمک می‌کند میاناهای برنامه‌سازی کاربردی و منابع لازم را برای پروژه‌تان راه‌اندازی کنید.

  4. Gemini Developer API را انتخاب کنید. هرزمان بخواهید می‌توانید ارائه‌دهنده میانای برنامه‌سازی کاربردی دیگر را راه‌اندازی و استفاده کنید.

    کنسول میاناهای برنامه‌سازی کاربردی لازم را فعال خواهد کرد و کلید میانای برنامه‌سازی کاربردی اختصاصی جدیدی Gemini در پروژه‌تان ایجاد خواهد کرد.
    این کلید میانای برنامه‌سازی کاربردی Gemini جدید را به پایگاه کد برنامه‌تان اضافه نکنید. بیشتر بدانید

  5. اگر در گردش کار کنسول از شما خواسته شد، دستورالعمل‌های روی صفحه را برای ثبت برنامه و اتصال آن به Firebase دنبال کنید.

  6. برای به‌روزرسانی کتابخانه و مقداردهی اولیه در برنامه‌تان، این راهنمای انتقال را ادامه دهید.

مرحله ۲: افزودن کیت توسعه نرم‌افزار Firebase AI Logic به برنامه

با راه‌اندازی پروژه Firebase و اتصال برنامه به Firebase (مرحله قبلی را ببینید)، اکنون می‌توانید Firebase AI Logic SDK را به برنامه‌تان اضافه کنید.

Swift

از Swift Package Manager برای نصب و مدیریت وابستگی‌های Firebase استفاده کنید. درصورت نیاز، با دیگر گزینه‌های نصب آشنا شوید.

کتابخانه Firebase AI Logic امکان دسترسی به میاناهای برنامه‌سازی کاربردی را برای تعامل با مدل‌های Gemini فراهم می‌کند. این کتابخانه به‌عنوان بخشی از کیت توسعه نرم‌افزار Firebase برای پلاتفرم‌های Apple (firebase-ios-sdk) گنجانده شده است.

اگر درحال‌حاضر از Firebase استفاده می‌کنید، مطمئن شوید که بسته Firebase شما نسخه ۱۲.۵.۰ یا بالاتر باشد.

  1. در Xcode، درحالی‌که پروژه برنامه‌تان باز است، به File > Add Package Dependencies (فایل > افزودن وابستگی‌های بسته) بروید.

  2. وقتی خواسته شد، مخزن کیت توسعه نرم‌افزار Firebase Apple platforms را اضافه کنید:

    https://github.com/firebase/firebase-ios-sdk
    
  3. جدیدترین نسخه کیت توسعه نرم‌افزار را انتخاب کنید.

  4. کتابخانه FirebaseAILogic و کتابخانه FirebaseAppCheck را انتخاب کنید.

وقتی تمام شد، Xcode به‌طور خودکار شروع به حل و بارگیری وابستگی‌های شما در پس‌زمینه می‌کند.

Kotlin

Firebase AI Logic SDK for Android (firebase-ai) provides access to the APIs for interacting with Gemini models.

در فایل Gradle (سطح برنامه) (مانند <project>/<app-module>/build.gradle.kts)، وابستگی‌های کتابخانه‌های Firebase AI Logic و App Check را برای Android اضافه کنید. توصیه می‌کنیم از Firebase Android BoM برای کنترل نسخه‌بندی کتابخانه استفاده کنید.

dependencies {
  // ... other androidx dependencies

  // Import the BoM for the Firebase platform
  implementation(platform("com.google.firebase:firebase-bom:35.2.0"))

  // Add the dependencies for the Firebase AI Logic and App Check libraries
  // When using the BoM, you don't specify versions in Firebase library dependencies
  implementation("com.google.firebase:firebase-ai")
  implementation("com.google.firebase:firebase-appcheck-debug")
}

بااستفاده از Firebase Android BoM، برنامه‌تان همیشه از نسخه‌های سازگار کتابخانه‌های Firebase Android استفاده خواهد کرد.

Java

Firebase AI Logic SDK for Android (firebase-ai) provides access to the APIs for interacting with Gemini models.

در فایل Gradle (سطح برنامه) (مانند <project>/<app-module>/build.gradle.kts)، وابستگی‌های کتابخانه‌های Firebase AI Logic و App Check را برای Android اضافه کنید. توصیه می‌کنیم از Firebase Android BoM برای کنترل نسخه‌بندی کتابخانه استفاده کنید.

برای Java، باید دو کتابخانه دیگر اضافه کنید.

dependencies {
  // ... other androidx dependencies

  // Import the BoM for the Firebase platform
  implementation(platform("com.google.firebase:firebase-bom:35.2.0"))

  // Add the dependencies for the Firebase AI Logic and App Check libraries
  // When using the BoM, you don't specify versions in Firebase library dependencies
  implementation("com.google.firebase:firebase-ai")
  implementation("com.google.firebase:firebase-appcheck-debug")

  // Required for one-shot operations (to use `ListenableFuture` from Guava Android)
  implementation("com.google.guava:guava:31.0.1-android")

  // Required for streaming operations (to use `Publisher` from Reactive Streams)
  implementation("org.reactivestreams:reactive-streams:1.0.4")
}

بااستفاده از Firebase Android BoM، برنامه‌تان همیشه از نسخه‌های سازگار کتابخانه‌های Firebase Android استفاده خواهد کرد.

Web

کتابخانه Firebase AI Logic امکان دسترسی به میاناهای برنامه‌سازی کاربردی را برای تعامل با مدل‌های Gemini فراهم می‌کند. این کتابخانه به‌عنوان بخشی از کیت توسعه نرم‌افزار جاوا اسکریپت در Firebase برای وب گنجانده شده است.

  1. نصب کردن کیت توسعه نرم‌افزار Firebase JS برای وب بااستفاده از npm:

    npm install firebase
    
  2. مقداردهی اولیه Firebase در برنامه شما:

    import { initializeApp } from "firebase/app";
    import { initializeAppCheck, DebugProvider } from "firebase/app-check";
    
    // 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);
    

Dart

افزایه Firebase AI Logic برای Flutter (firebase_ai) دسترسی به میاناهای برنامه‌سازی کاربردی را برای تعامل با مدل‌های Gemini فراهم می‌کند.

  1. از فهرست راهنمای پروژه Flutter، دستور زیر را برای نصب افزایه‌های Firebase AI Logic و App Check اجرا کنید:

    flutter pub add firebase_ai firebase_app_check
    
  2. در فایل lib/main.dart، افزونه‌های Firebase AI Logic و App Check را وارد کنید:

    import 'package:firebase_core/firebase_core.dart';
    import 'package:firebase_ai/firebase_ai.dart';
    import 'package:firebase_app_check/firebase_app_check.dart';
    import 'firebase_options.dart';
    
  3. همچنین در فایل lib/main.dart، مطمئن شوید که Firebase را بااستفاده از شیء DefaultFirebaseOptions صادرشده توسط فایل پیکربندی مقداردهی اولیه کرده‌اید:

    await Firebase.initializeApp(
      options: DefaultFirebaseOptions.currentPlatform,
    );
    
  4. برنامه Flutter خود را بازسازی کنید:

    flutter run
    

Unity

پشتیبانی از Unity ازطریق کیت‌های توسعه نرم‌افزار کارخواه Google AI دردسترس نبود.

با نحوه شروع به کار با Firebase AI Logic SDK برای Unity آشنا شوید.

کیت توسعه نرم‌افزار قدیمی را از برنامه‌تان بردارید

پس‌از اتمام انتقال برنامه‌تان (بخش‌های باقی‌مانده در این راهنما را ببینید)، حتماً کتابخانه قدیمی را حذف کنید.

Swift

کتابخانه قدیمی را بردارید:

  1. در Xcode، درحالی‌که پروژه برنامه‌تان باز است، به قاب Packages Dependencies بروید.

  2. بسته generative-ai-swift را از فهرست وابستگی‌های بسته انتخاب کنید.

  3. روی دکمه - در پایین فهرست کلیک کنید و برای تأیید روی برداشتن کلیک کنید.

Kotlin

dependencies {
    implementation("com.google.ai.client.generativeai:generativeai:VERSION")
}

Java

dependencies {
    implementation("com.google.ai.client.generativeai:generativeai:VERSION")
}

Web

// BEFORE
import { initializeApp } from "firebase/app";
import { GoogleGenerativeAI } from "@google/generative-ai";

Dart

حذف بسته قدیمی:
flutter pub remove google_generative_ai

Unity

پشتیبانی Unity ازطریق کیت‌های توسعه نرم‌افزار کارخواه Google AI دردسترس نبود.

با نحوه شروع به کار با کیت توسعه نرم‌افزار Firebase AI Logic برای Unity آشنا شوید.

مرحله ۳: واردات و مقداردهی اولیه را در برنامه‌تان به‌روز کنید

واردات خود و نحوه مقداردهی اولیه سرویس پس‌زمانی Gemini Developer API و ایجاد نمونه GenerativeModel را به‌روز کنید.

Swift

// BEFORE
import GoogleGenerativeAI

let model = GenerativeModel(name: "MODEL_NAME", apiKey: APIKey.default)

// AFTER
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-4-hydrogen")

Kotlin

// BEFORE
import com.google.ai.client.generativeai.Chat
import com.google.ai.client.generativeai.type.Content
import com.google.ai.client.generativeai.java.GenerativeModuleFutures

...

val generativeModel = GenerativeModel(modelName = "MODEL_NAME",
  // Access your API key as a Build Configuration variable
  apiKey = BuildConfig.apiKey
)

// AFTER
import com.google.firebase.Firebase
import com.google.firebase.ai.ai
import com.google.firebase.ai.type.GenerativeBackend

...

// 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-4-hydrogen")

Java

// BEFORE
import com.google.ai.client.generativeai.Chat;
import com.google.ai.client.generativeai.type.Content;
import com.google.ai.client.generativeai.java.GenerativeModuleFutures;

...

GenerativeModel gm = new GenerativeModel("MODEL_NAME",
  // Access your API key as a Build Configuration variable
  BuildConfig.apiKey
);

GenerativeModelFutures model = GenerativeModelFutures.from(gm);

// AFTER
import com.google.firebase.ai.FirebaseAI;
import com.google.firebase.ai.GenerativeModel;
import com.google.firebase.ai.java.GenerativeModelFutures;
import com.google.firebase.ai.type.GenerativeBackend;

...

// 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-4-hydrogen");

// Use the GenerativeModelFutures Java compatibility layer which offers
// support for ListenableFuture and Publisher APIs
GenerativeModelFutures model = GenerativeModelFutures.from(ai);

Web

// BEFORE
import { GoogleGenerativeAI } from "@google/generative-ai";

// Fetch your API_KEY and access your API
const API_KEY = "...";
const genAI = new GoogleGenerativeAI(API_KEY);

...

const model = genAI.getGenerativeModel({ model: "MODEL_NAME"});

// AFTER
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-4-hydrogen" });

Dart

// BEFORE
import 'package:google_generative_ai/google_generative_ai.dart';

final apiKey = Platform.environment['API_KEY'];
if (apiKey == null) {
print('No \$API_KEY environment variable');
exit(1);
}

final model = GenerativeModel(model: 'MODEL_NAME', apiKey: apiKey);

// AFTER
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-4-hydrogen');

Unity

پشتیبانی Unity ازطریق کیت‌های توسعه نرم‌افزار کارخواه Google AI دردسترس نبود.

با نحوه شروع به کار با کیت توسعه نرم‌افزار Firebase AI Logic برای Unity آشنا شوید.

توجه داشته باشید که بسته به قابلیتی که استفاده می‌کنید، ممکن است همیشه نمونه GenerativeModel ایجاد نکنید. برای جاری‌سازی ورودی و خروجی بااستفاده از Gemini Live API، یک نمونه LiveModel ایجاد کنید.

مرحله ۴: به‌روزرسانی کد بسته به ویژگی‌هایی که استفاده می‌کنید

این مرحله تغییراتی را شرح می‌دهد که ممکن است بسته به ویژگی‌هایی که استفاده می‌کنید لازم باشد.

  • کیت‌های توسعه نرم‌افزار کارخواه Firebase AI Logic از اجرای کد پشتیبانی نمی‌کنند. اگر از این ویژگی استفاده می‌کنید، حتماً آن را در برنامه‌تان لحاظ کنید.

  • فهرست‌های زیر را برای هرگونه تغییری که ممکن است لازم باشد در کد خود ایجاد کنید تا با انتقال به کیت‌های توسعه نرم‌افزار کارخواه Firebase AI Logic سازگار شود، مرور کنید.

برای همه زبان‌ها و پلاتفرم‌ها الزامی است

  • فراخوانی تابع
    اگر این ویژگی را پیاده‌سازی کرده‌اید، باید نحوه تعریف طرح‌واره‌تان را به‌روز کنید. توصیه می‌کنیم راهنمای فراخوانی تابع به‌روزشده را مرور کنید تا با نحوه نوشتن اعلان‌های تابع آشنا شوید.

  • تولید برونداد ساختاریافته (مانند JSON) بااستفاده از responseSchema
    اگر این ویژگی را پیاده‌سازی کرده‌اید، باید نحوه تعریف طرح‌واره‌تان را به‌روز کنید. توصیه می‌کنیم راهنمای خروجی ساختاریافته جدید را مرور کنید تا با نحوه نوشتن طرح‌واره‌های JSON آشنا شوید.

  • توقف موقت

    • زمان استراحت پیش‌فرض برای درخواست‌ها به ۱۸۰ ثانیه تغییر کرد.

براساس پلاتفرم یا زبان لازم است

Swift

  • شمارش‌ها

    • بیشتر انواع enum با struct با متغیرهای ایستا جایگزین شد. این تغییر انعطاف‌پذیری بیشتری برای توسعه میانای برنامه‌سازی کاربردی به‌صورت سازگار با نسخه قدیمی فراهم می‌کند. هنگام استفاده از عبارت‌های switch، اکنون باید یک مورد default: اضافه کنید تا مقادیر ناشناخته یا مدیریت‌نشده را پوشش دهد، ازجمله مقادیر جدیدی که در آینده به کیت توسعه نرم‌افزار اضافه می‌شود.

    • نام شمارش BlockThreshold به HarmBlockThreshold تغییر کرد؛ این نوع اکنون struct است.

    • موارد unknown و unspecified از شمارش‌های زیر برداشته شد (اکنون struct): HarmCategory، HarmBlockThreshold، HarmProbability، BlockReason، و FinishReason.

    • شمارش ModelContent.Part با پروتکلی به‌نام Part جایگزین شد تا انواع جدید بتوانند به‌روشی سازگار با نسخه قدیمی اضافه شوند. این تغییر با جزئیات بیشتر در بخش بخش‌های محتوا شرح داده شده است.

  • بخش‌های محتوا

    • پروتکل ThrowingPartsRepresentable را برداشتیم و مقداردهی‌های اولیه برای ModelContent را ساده کردیم تا از خطاهای گاه‌به‌گاه کامپایلر جلوگیری شود. تصاویری که به‌درستی کدگذاری نشده‌اند، همچنان هنگام استفاده در generateContent خطا ایجاد می‌کنند.

    • موارد ModelContent.Part با انواع struct زیر که با پروتکل Part مطابقت دارند جایگزین شد:

      • ‫.text به TextPart
      • ‫.data به InlineDataPart
      • ‫.fileData به FileDataPart
      • ‫.functionCall به FunctionCallPart
      • ‫.functionResponse به FunctionResponsePart
  • دسته آسیب

    • HarmCategory تغییر کرد تا دیگر در نوع SafetySetting تودرتو نباشد. اگر به آن به‌عنوان SafetySetting.HarmCategory اشاره می‌کنید، می‌توان آن را با HarmCategory جایگزین کرد.
  • بازخورد ایمنی

    • نوع SafetyFeedback برداشته شد، زیرا در هیچ‌یک از پاسخ‌ها استفاده نشده بود.
  • فراداده استناد

    • نام خصوصیت citationSources به citations در CitationMetadata تغییر کرد.
  • مجموع نویسه‌های قابل‌صورت‌حساب

    • ویژگی totalBillableCharacters در CountTokensResponse را تغییر دادیم تا اختیاری باشد و شرایطی را که هیچ نویسه‌ای ارسال نمی‌شود منعکس کند.
  • پاسخ نامزد

    • نام CandidateResponse به Candidate تغییر کرد تا با پلاتفرم‌های دیگر مطابقت داشته باشد.
  • پیکربندی تولید

    • ویژگی‌های عمومی GenerationConfig را به internal تغییر داد. همه آن‌ها در مقداردهی اولیه قابل‌پیکربندی باقی می‌مانند.

Kotlin

  • شمارش‌ها

    • enum کلاس و sealed کلاس با کلاس‌های معمولی جایگزین شد. این تغییر انعطاف‌پذیری بیشتری برای توسعه میانای برنامه‌سازی کاربردی به‌صورت سازگار با نسخه قدیمی فراهم می‌کند.

    • نام شمارش BlockThreshold به HarmBlockThreshold تغییر کرد.

    • مقادیر از شمارش‌های زیر برداشته شد: HarmBlockThreshold، HarmProbability، HarmSeverity، BlockReason، و FinishReason.

  • روش‌های Blob

    • نام همه روش‌هایی را که Blob بخشی از نامشان بود تغییر دادیم تا به‌جای آن از InlineData استفاده کنند.
  • تنظیمات ایمنی

    • فیلد method به حالت تهی‌پذیر تغییر کرد.
  • کلاس مدت

    • همه موارد استفاده از کلاس Duration Kotlin را بردارید و آن را با long جایگزین کنید. این تغییر قابلیت همکاری بهتری با Java فراهم می‌کند.
  • فراداده استناد

    • همه فیلدهایی که قبلاً در CitationMetadata اعلام شده بود در کلاس جدیدی به‌نام Citation قرار داده شد. نقل‌قول‌ها را می‌توانید در فهرستی به‌نام citations در CitationMetadata پیدا کنید. این تغییر باعث هم‌ترازی بهتر انواع در پلاتفرم‌ها می‌شود.
  • شمارش داده‌واحدها

    • فیلد totalBillableCharacters به حالت تهی‌پذیر تغییر کرد.
  • مجموع نویسه‌های قابل‌صورت‌حساب

    • ویژگی totalBillableCharacters در CountTokensResponse را تغییر دادیم تا اختیاری باشد و شرایطی را که هیچ نویسه‌ای ارسال نمی‌شود منعکس کند.
  • نمونه‌سازی مدل

    • پارامتر requestOptions به انتهای فهرست پارامترها منتقل شد تا با پلاتفرم‌های دیگر هم‌راستا شود.

Java

  • شمارش‌ها

    • enum کلاس و sealed کلاس با کلاس‌های معمولی جایگزین شد. این تغییر انعطاف‌پذیری بیشتری برای توسعه میانای برنامه‌سازی کاربردی به‌صورت سازگار با نسخه قدیمی فراهم می‌کند.

    • نام شمارش BlockThreshold به HarmBlockThreshold تغییر کرد.

    • مقادیر از شمارش‌های زیر برداشته شد: HarmBlockThreshold، HarmProbability، HarmSeverity، BlockReason، و FinishReason.

  • روش‌های Blob

    • نام همه روش‌هایی را که Blob بخشی از نامشان بود تغییر دادیم تا به‌جای آن از InlineData استفاده کنند.
  • تنظیمات ایمنی

    • فیلد method به حالت تهی‌پذیر تغییر کرد.
  • کلاس مدت

    • همه موارد استفاده از کلاس Duration Kotlin را بردارید و آن را با long جایگزین کنید. این تغییر قابلیت همکاری بهتری با Java فراهم می‌کند.
  • فراداده استناد

    • همه فیلدهایی که قبلاً در CitationMetadata اعلام شده بود در کلاس جدیدی به‌نام Citation قرار داده شد. نقل‌قول‌ها را می‌توانید در فهرستی به‌نام citations در CitationMetadata پیدا کنید. این تغییر باعث هم‌ترازی بهتر انواع در پلاتفرم‌ها می‌شود.
  • شمارش داده‌واحدها

    • فیلد totalBillableCharacters به حالت تهی‌پذیر تغییر کرد.
  • مجموع نویسه‌های قابل‌صورت‌حساب

    • ویژگی totalBillableCharacters در CountTokensResponse را تغییر دادیم تا اختیاری باشد و شرایطی را که هیچ نویسه‌ای ارسال نمی‌شود منعکس کند.
  • نمونه‌سازی مدل

    • پارامتر requestOptions به انتهای فهرست پارامترها منتقل شد تا با پلاتفرم‌های دیگر هم‌راستا شود.

Web

توجه داشته باشید که کیت توسعه نرم‌افزار کلاینت Google AI برای جاوا اسکریپت از زمانی که کیت‌های توسعه نرم‌افزار کلاینت Firebase AI Logic از آن منشعب شده‌اند، تغییرات زیادی داشته است. فهرست زیر برخی‌از تغییرات احتمالی است که ممکن است لازم باشد هنگام انتقال به کیت‌های توسعه نرم‌افزار مشتری Firebase AI Logic درنظر بگیرید.

  • شمارش‌ها

    • مقادیر از شمارش‌های زیر برداشته شد: HarmCategory، BlockThreshold، HarmProbability، HarmSeverity، BlockReason، و FinishReason.
  • دلیل مسدود کردن

    • ‫blockReason در PromptFeedback به اختیاری تغییر کرد.
  • زمینه‌سازی جستجو

    • همه موارد استفاده از این ویژگی برداشته شد، چون هنوز در کیت‌های توسعه نرم‌افزار Firebase AI Logic پشتیبانی نمی‌شود.
  • خطاها

    • همه موارد استفاده از GoogleGenerativeAIError را بردارید و درصورت تمایل به AIError منتقل کنید.

Dart

  • شمارش‌ها

    • مقادیر از شمارش‌های زیر برداشته شد: HarmCategory، HarmProbability، BlockReason، و FinishReason.
  • بخش داده

    • نام DataPart به InlineDataPart و تابع static data به inlineData تغییر کرد تا با پلاتفرم‌های دیگر همسو شود.
  • گزینه‌های درخواست

    • ‫RequestOptions برداشته شد چون timeout کار نمی‌کرد. در آینده نزدیک دوباره اضافه خواهد شد، اما برای مطابقت با پلاتفرم‌های دیگر به نوع GenerativeModel منتقل خواهد شد.
  • توالی‌های توقف

    • پارامتر stopSequences در GenerationConfig را تغییر دادیم تا اختیاری باشد و به‌جای آرایه خالی، به‌طور پیش‌فرض null باشد.
  • استنادها

    • نام خصوصیت citationSources به citations در CitationMetadata تغییر کرد. نوع CitationSource به Citation تغییر نام داد تا با پلاتفرم‌های دیگر مطابقت داشته باشد.
  • انواع، روش‌ها، و ویژگی‌های عمومی غیرضروری

    • انواع، روش‌ها، و ویژگی‌های زیر که به‌طور ناخواسته درمعرض دید قرار گرفته بودند برداشته شدند: defaultTimeout، CountTokensResponseFields، parseCountTokensResponse، parseEmbedContentResponse، parseGenerateContentResponse، parseContent، BatchEmbedContentsResponse، ContentEmbedding، EmbedContentRequest، و EmbedContentResponse.
  • شمارش داده‌واحدها

    • فیلدهای اضافی از تابع countTokens که دیگر لازم نیستند برداشته شد. فقط contents لازم است.
  • نمونه‌سازی مدل

    • پارامتر systemInstruction را به انتهای فهرست پارامترها منتقل کردیم تا با پلاتفرم‌های دیگر هم‌راستا شود.
  • عملکرد جاسازی

    • عملکرد جاسازی پشتیبانی‌نشده (embedContent و batchEmbedContents) از مدل برداشته شد.

Unity

پشتیبانی Unity ازطریق کیت‌های توسعه نرم‌افزار کارخواه Google AI دردسترس نبود.

با نحوه شروع به کار با کیت توسعه نرم‌افزار Firebase AI Logic برای Unity آشنا شوید.


درباره تجربه‌تان با Firebase AI Logic بازخورد ارائه دهید