Google Gen AI（实验性）

https://github.com/googleapis/java-genai

[!WARNING]
此集成目前标记为实验性。API 和实现可能在未来版本中发生变化。它使用新的官方 Google Gen AI Java SDK（com.google.genai:google-genai）。

Maven 依赖
API 密钥
可用模型
GoogleGenAiChatModel
- 配置
GoogleGenAiStreamingChatModel
- Executor
GoogleGenAiEmbeddingModel
GoogleGenAiImageModel
请求与响应日志
Batch API
工具
JSON Schema / 结构化输出
Grounding 元数据
自定义标签
File API
缓存内容支持
思考模型（Gemini 3.0+）
多模态（音频、视频、PDF）
Token 计数估算器
模型目录

Maven 依赖

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-google-genai</artifactId>
    <version>1.18.1-beta28</version>
</dependency>

认证

你可以使用 API 密钥或 Google Cloud Vertex AI 凭据对 Gemini 模型进行认证。

Gemini Developer API（API 密钥）

在此处免费获取 API 密钥：https://ai.google.dev/gemini-api/docs/api-key。你可以使用 .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY")) 将其提供给构建器。

Google Cloud Vertex AI

如果使用 Vertex AI，可以使用 Google Credentials 以及你的 project ID 和 location 进行认证。如果可用，集成将自动使用 Application Default Credentials（ADC），你也可以显式提供它们：

ChatModel gemini = GoogleGenAiChatModel.builder()
    // .googleCredentials(...) // Optional: explicitly provide credentials
    .projectId("your-google-cloud-project-id")
    .location("us-central1")
    .modelName("gemini-2.5-flash")
    .build();

可用模型

在文档中查看可用模型列表。

gemini-3.1-pro-preview
gemini-3.1-flash-lite
gemini-3-pro-preview
gemini-3-flash-preview
gemini-2.5-pro
gemini-2.5-flash
gemini-2.5-flash-lite

（有关 -image、-tts 和 -live 等专用预览模型的完整列表，请参见官方文档。）

GoogleGenAiChatModel

常用的 chat(...) 方法可用：

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

String response = gemini.chat("Hello Gemini!");

以及 ChatResponse chat(ChatRequest req) 方法：

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

ChatResponse chatResponse = gemini.chat(ChatRequest.builder()
    .messages(UserMessage.from(
        "How many R's are there in the word 'strawberry'?"))
    .build());

String response = chatResponse.aiMessage().text();

配置

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    // or .googleCredentials(...)
    .projectId(...)
    .location(...)
    .modelName("gemini-2.5-flash")
    .temperature(1.0)
    .topP(0.95)
    .topK(64)
    .seed(42)
    .maxOutputTokens(8192)
    .timeout(Duration.ofSeconds(60))
    .maxRetries(2)
    .stopSequences(List.of(...))
    .safetySettings(List.of(...))
    .responseFormat(ResponseFormat.JSON)
    .enableGoogleSearch(true)
    .enableGoogleMaps(true)
    .enableUrlContext(true)
    .allowedFunctionNames(List.of("getWeather"))
    .thinkingLevel("LOW")
    .listeners(...)
    .build();

高级：自定义 `GenerateContentConfig`

构建器方法涵盖了最常见的选项。要设置底层 Google Gen AI Java SDK 中尚未通过构建器方法公开的选项，请注册一个 generateContentConfigCustomizer。它在此集成填充配置（生成参数、工具、系统指令等）之后、配置构建之前接收 GenerateContentConfig.Builder，因此可以设置额外选项或覆盖现有选项，同时保留每个请求的工具和系统指令。

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .generateContentConfigCustomizer(config -> config.responseLogprobs(true).logprobs(5))
    .build();

这在 GoogleGenAiStreamingChatModel 上以相同方式工作。

请求与响应日志

你可以在 GoogleGenAiChatModel、GoogleGenAiStreamingChatModel、GoogleGenAiEmbeddingModel 和 GoogleGenAiImageModel 上启用请求和响应日志，用于调试、故障排除和审计目的。

要捕获这些日志，在模型构建器中配置 .logRequests(true)、.logResponses(true)（或使用 .logRequestsAndResponses(true) 同时启用两者）。

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .logRequests(true)
    .logResponses(true)
    // Or: .logRequestsAndResponses(true)
    .build();

日志配置设置

Google Gen AI 集成模块中的所有日志都通过标准的 SLF4J 门面路由。要实际查看输出，必须确保：

依赖中存在 SLF4J 绑定（实现）。
日志框架配置为对包 dev.langchain4j.model.google.genai 以 INFO 级别输出日志。

以下是流行日志环境的常见设置模式：

1. 使用 Logback 设置

将 Logback classic 实现添加到项目中：

Maven

<dependency>
    <groupId>ch.qos.logback</groupId>
    <artifactId>logback-classic</artifactId>
    <version>1.5.8</version> <!-- or your preferred version -->
</dependency>

Gradle

implementation 'ch.qos.logback:logback-classic:1.5.8'

接下来，在 src/main/resources/logback.xml 文件中配置日志级别。例如：

<configuration>
    <appender name="STDOUT" class="ch.qos.logback.core.ConsoleAppender">
        <encoder>
            <pattern>%d{HH:mm:ss.SSS} [%thread] %-5level %logger{36} - %msg%n</pattern>
        </encoder>
    </appender>

    <!-- Configure the package specifically for Google Gen AI logging -->
    <logger name="dev.langchain4j.model.google.genai" level="INFO" />

    <root level="WARN">
        <appender-ref ref="STDOUT" />
    </root>
</configuration>

2. 在 Spring Boot 应用中设置

Spring Boot 自动提供 SLF4J 提供者。只需在 application.properties（或等效的 application.yml）中配置日志级别：

# Enable logging for Google Gen AI models
logging.level.dev.langchain4j.model.google.genai=INFO

3. 使用 SLF4J Simple 设置

如果你正在编写脚本或简单的命令行应用，可以使用轻量级的 slf4j-simple 后端：

Maven

<dependency>
    <groupId>org.slf4j</groupId>
    <artifactId>slf4j-simple</artifactId>
    <version>2.0.13</version>
</dependency>

启动应用时通过系统属性配置 SLF4J Simple：

java -Dorg.slf4j.simpleLogger.log.dev.langchain4j.model.google.genai=INFO -jar app.jar

或者，在 src/main/resources/ 中创建包含以下内容的 simplelogger.properties 文件：

org.slf4j.simpleLogger.log.dev.langchain4j.model.google.genai=info

GoogleGenAiStreamingChatModel

GoogleGenAiStreamingChatModel 允许逐 token 流式传输响应文本。响应必须由 StreamingChatResponseHandler 处理。

StreamingChatModel gemini = GoogleGenAiStreamingChatModel.builder()
        .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
        .modelName("gemini-2.5-flash")
        .build();

CompletableFuture<ChatResponse> futureResponse = new CompletableFuture<>();

gemini.chat("Tell me a joke about Java", new StreamingChatResponseHandler() {

    @Override
    public void onPartialResponse(String partialResponse) {
        System.out.print(partialResponse);
    }

    @Override
    public void onCompleteResponse(ChatResponse completeResponse) {
        futureResponse.complete(completeResponse);
    }

    @Override
    public void onError(Throwable error) {
        futureResponse.completeExceptionally(error);
    }
});

futureResponse.join();

Executor

Google Gen AI SDK 将流式传输公开为阻塞的 ResponseStream 迭代器：每个块通过阻塞的 next() 调用交付。因此，GoogleGenAiStreamingChatModel 需要一个 ExecutorService 来在调用者线程之外驱动该迭代。

如果不传入一个，则使用来自 DefaultExecutorProvider 的共享默认值（延迟初始化，在可用时使用虚拟线程）。这开箱即用，但不推荐用于生产：默认执行器是无界的、JVM 范围的，且不与你的应用生命周期绑定——因此它不提供背压、优雅关闭，也无法在你的指标中可见。

你几乎总是应该提供自己的执行器——例如，框架管理的任务执行器（Spring TaskExecutor、Quarkus ManagedExecutor 等）、你拥有的虚拟线程执行器，或根据并发预算调整的有界池：

ExecutorService executor = Executors.newVirtualThreadPerTaskExecutor(); // or your framework's executor

StreamingChatModel gemini = GoogleGenAiStreamingChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .executor(executor)
    .build();

工具

支持工具（即函数调用）。你可以使用 LangChain4j 的 AiServices 定义它们：

class WeatherForecastService {
    @Tool("Get the weather forecast for a location")
    String getForecast(@P("Location to get the forecast for") String location) {
        return "The weather in " + location + " is sunny and 25°C.";
    }
}

interface WeatherAssistant {
    String chat(String userMessage);
}

WeatherForecastService weatherForecastService = new WeatherForecastService();

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .temperature(0.0)
    .build();

WeatherAssistant weatherAssistant = AiServices.builder(WeatherAssistant.class)
    .chatModel(gemini)
    .tools(weatherForecastService)
    .build();

String response = weatherAssistant.chat("What is the weather forecast for Tokyo?");

JSON Schema / 结构化输出

langchain4j-google-genai 集成将 LangChain4j JSON schema（ResponseFormat.jsonSchema()）直接映射到官方 Google Gen AI SDK 的 ResponseSchema。这允许原生提取强类型 Java record！

record WeatherForecast(
    @Description("minimum temperature") Integer minTemperature,
    @Description("maximum temperature") Integer maxTemperature,
    @Description("chances of rain") boolean rain
) { }

interface WeatherForecastAssistant {
    WeatherForecast extract(String forecast);
}

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

WeatherForecastAssistant forecastAssistant = AiServices.builder(WeatherForecastAssistant.class)
    .chatModel(gemini)
    .build();

WeatherForecast forecast = forecastAssistant.extract("""
    Morning: The day dawns bright and clear in Osaka...
    Temperatures climb to a comfortable 22°C (72°F) and 
    will drop to 15°C (59°F).
    """);

[!NOTE]
Google Gen AI API 对高级 JSON schema 功能（如 anyOf / 多态类型）有一些限制。简单的 POJO、列表和嵌套对象完全支持。

缓存内容支持

当处理在多个请求中重用的非常大的上下文窗口（如庞大的系统提示、大型文档或广泛的代码库）时，你可以通过缓存内容显著降低成本和延迟。

使用官方 Google Gen AI SDK 或 API 创建缓存内容后，你可以轻松地将唯一的缓存标识符传递给 LangChain4j 聊天模型构建器：

// Pass your cached content URI here
String cachedContentUri = "projects/123456/locations/us-central1/cachedContents/my-cached-content-789";

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-pro")
    .cachedContent(cachedContentUri)
    .build();

// The model will automatically use the cached context!
String response = gemini.chat("Summarize the cached document in 3 bullet points.");

此功能在 GoogleGenAiChatModel、GoogleGenAiStreamingChatModel 和 GoogleGenAiBatchChatModel 上可用。

创建和管理缓存

与在带外创建缓存不同，你可以使用 GoogleGenAiCaches 直接从 LangChain4j 创建和管理它，它封装了 SDK 的缓存生命周期（create / get / list / update TTL / delete）。消息使用聊天模型相同的 GoogleGenAiContentMapper 进行缓存，因此你保持在 LangChain4j 的 ChatMessage 领域中。

GoogleGenAiCaches caches = GoogleGenAiCaches.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .build();

// Cache a large, reusable context (a system instruction plus a long document)
CachedContent cache = caches.createCache(
    "gemini-2.5-flash",
    List.of(
        SystemMessage.from("You are a precise assistant answering questions about the attached document."),
        UserMessage.from(longDocumentText)),
    Duration.ofHours(1));

// Reuse it across many requests via cachedContent
ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .cachedContent(cache.name().orElseThrow())
    .build();

String answer = gemini.chat("Summarize the cached document in 3 bullet points.");

// Manage the cache lifecycle
caches.updateCacheTtl(cache.name().orElseThrow(), Duration.ofHours(2));
caches.listCaches();
caches.deleteCache(cache.name().orElseThrow());

注意：显式上下文缓存需要付费层；在免费层上不可用。

思考模型（Gemini 3.0+）

Gemini 3.0 模型（如 gemini-3.0-pro 和 gemini-3.0-flash）支持高级推理（思考）功能。你可以通过在模型配置期间指定 thinkingLevel 来启用此功能。支持的值为 "MINIMAL"、"LOW"、"MEDIUM" 和 "HIGH"：

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-3.0-pro")
    .thinkingLevel("MEDIUM")
    .build();

[!NOTE] 以前，思考是使用基于 token 的 thinkingBudget 配置的。thinkingBudget 参数现在被视为遗留参数，但仍受支持。你不能同时指定 thinkingLevel 和 thinkingBudget。

[!TIP] LangChain4j google-genai 集成无缝管理带有思考模型的多轮工具执行所需的复杂状态。它自动在对话轮次之间持久化和注入必要的隐藏 thought_signature token，确保稳健且不间断的智能体工作流！

GoogleGenAiEmbeddingModel

GoogleGenAiEmbeddingModel 允许你使用 gemini-embedding-2 等模型为文本片段生成嵌入。

EmbeddingModel embeddingModel = GoogleGenAiEmbeddingModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-embedding-2")
    .outputDimensionality(768)
    .taskType(GoogleGenAiEmbeddingModel.TaskTypeEnum.RETRIEVAL_DOCUMENT)
    .build();

Response<Embedding> response = embeddingModel.embed("Hello world!");

批处理与重试

当嵌入多个文本片段时（通过 embedAll），GoogleGenAiEmbeddingModel 自动管理批处理和 API 请求重试。

EmbeddingModel embeddingModel = GoogleGenAiEmbeddingModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-embedding-2")
    .maxSegmentsPerBatch(100) // Default: 100. Sets maximum segments per batch request.
    .maxRetries(3)             // Default: 3. Automatically retries failed requests.
    .build();

基于标题的分组策略

官方 Google Gen AI Java SDK 的 embedContent API 每个批处理请求仅支持一个公共 title。为了干净地处理此限制并保留文档级关联，GoogleGenAiEmbeddingModel 实现了按标题分组的批处理策略：

当 taskType 设置为 RETRIEVAL_DOCUMENT 时，模型按文档标题对文本片段进行分组（使用 .titleMetadataKey(...) 定义的键从片段的元数据中提取，默认为 "title"）。
共享相同标题的片段被批处理并在单个 API 调用中一起发送。
具有不同标题（或无标题）的片段在单独的优化批次中处理。
生成的嵌入被无缝重新组装并按原始顺序返回。

这在不丢失文档元数据上下文或单个片段标题的情况下最大化了 API 吞吐量。

GoogleGenAiImageModel

GoogleGenAiImageModel 允许你从文本提示生成图像。它支持宽高比、图像大小和人物生成策略等自定义配置。

ImageModel imageModel = GoogleGenAiImageModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-3.1-flash-image-preview")
    .aspectRatio("16:9")
    .build();

Response<Image> response = imageModel.generate("A futuristic city at sunset");

Batch API

Google Gen AI 集成提供对 Batch API 的支持，允许你在后台异步运行操作。支持以下批处理模型：

GoogleGenAiBatchChatModel
GoogleGenAiBatchEmbeddingModel
GoogleGenAiBatchImageModel

你可以从内联或从 Google Cloud 上上传的文件创建批处理作业。

GoogleGenAiBatchChatModel batchChatModel = GoogleGenAiBatchChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

BatchResponse<ChatResponse> batchResponse = batchChatModel.submit(
    "My Batch Job",
    List.of(
        ChatRequest.builder().messages(UserMessage.from("What is 2+2?")).build(),
        ChatRequest.builder().messages(UserMessage.from("What is the capital of France?")).build()
    )
);

System.out.println("Batch Job ID: " + batchResponse.batchId());

然后你可以使用 batchChatModel.retrieve(batchResponse.batchId()) 检索作业的状态和结果。

Grounding 元数据

如果你启用 Google Search grounding 或使用 Vertex AI Search 数据存储，Google Gen AI 聊天模型会在 ChatResponse 中直接公开原生的 GroundingMetadata。你可以通过底层原始 GenerateContentResponse 的响应元数据检索它。

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .enableGoogleSearch(true)
    .build();

ChatResponse response = gemini.chat(ChatRequest.builder()
    .messages(UserMessage.from("Who won the super bowl in 2024?"))
    .build());

GoogleGenAiChatResponseMetadata metadata = 
    (GoogleGenAiChatResponseMetadata) response.metadata();

if (metadata.rawResponse() != null 
        && metadata.rawResponse().candidates() != null 
        && !metadata.rawResponse().candidates().isEmpty()) {
    var groundingMetadata = metadata.rawResponse().candidates().get(0).groundingMetadata();
    if (groundingMetadata != null && groundingMetadata.webSearchQueries() != null) {
        System.out.println("Search Queries: " + groundingMetadata.webSearchQueries());
    }
}

自定义标签

你可以将自定义键值标签应用于 Google Gen AI 请求，这对计费、指标和跟踪目的很有用。自定义标签受以下支持：

GoogleGenAiChatModel
GoogleGenAiStreamingChatModel
GoogleGenAiBatchChatModel
GoogleGenAiImageModel
GoogleGenAiBatchImageModel

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .labels(Map.of("environment", "production", "team", "backend"))
    .build();

File API

Google Gen AI 集成提供 GoogleGenAiFiles 实用程序，用于在 Google 服务器上上传和管理文件。这对于传递可能超过标准请求限制的大型多模态输入（如长视频、音频文件或大量 PDF）特别有用。

GoogleGenAiFiles fileApi = GoogleGenAiFiles.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .build();

String uploadedFileUri = fileApi.uploadFile(
    Paths.get("path/to/my-video.mp4"), 
    "video/mp4", 
    "My Video Demo"
);

// You can now use this URI in your chat requests
ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

ChatResponse response = gemini.chat(ChatRequest.builder()
    .messages(UserMessage.from(
        VideoContent.from(uploadedFileUri, "video/mp4"),
        TextContent.from("What happens in this video?")
    ))
    .build());

多模态（音频、视频、PDF）

该集成完全支持 LangChain4j 的多模态内容类型。底层的 GoogleGenAiContentMapper 自动将它们转换为适当的 Gemini Part 对象。

ChatModel gemini = GoogleGenAiChatModel.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

ChatResponse response = gemini.chat(ChatRequest.builder()
    .messages(UserMessage.from(
        AudioContent.from("https://example.com/audio.mp3"),
        PdfFileContent.from("https://example.com/document.pdf"),
        TextContent.from("Summarize the document and the audio recording.")
    ))
    .build());

Token 计数估算器

你可以使用 GoogleGenAiTokenCountEstimator 准确估算提示和消息中的 token 数量，它使用官方 SDK 的计数端点。

TokenCountEstimator estimator = GoogleGenAiTokenCountEstimator.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .modelName("gemini-2.5-flash")
    .build();

int tokenCount = estimator.estimateTokenCount("How many tokens is this sentence?");
System.out.println("Tokens: " + tokenCount);

模型目录

你可以使用 GoogleGenAiModelCatalog 以编程方式查询可用 Gemini 模型的列表。这对于动态发现模型功能、上下文窗口和支持的方法很有帮助。

GoogleGenAiModelCatalog catalog = GoogleGenAiModelCatalog.builder()
    .apiKey(System.getenv("GOOGLE_AI_GEMINI_API_KEY"))
    .build();

List<Model> availableModels = catalog.listModels();
availableModels.forEach(model -> {
    System.out.println("Model Name: " + model.name());
    System.out.println("Supported Generation Methods: " + model.supportedGenerationMethods());
});

目录​

Maven 依赖​

认证​

Gemini Developer API（API 密钥）​

Google Cloud Vertex AI​

可用模型​

GoogleGenAiChatModel​

配置​

高级：自定义 GenerateContentConfig​

请求与响应日志​

日志配置设置​

1. 使用 Logback 设置​

Maven​

Gradle​

2. 在 Spring Boot 应用中设置​

3. 使用 SLF4J Simple 设置​

Maven​

GoogleGenAiStreamingChatModel​

Executor​

工具​

JSON Schema / 结构化输出​

缓存内容支持​

创建和管理缓存​

思考模型（Gemini 3.0+）​

GoogleGenAiEmbeddingModel​

批处理与重试​

基于标题的分组策略​

GoogleGenAiImageModel​

Batch API​

Grounding 元数据​

自定义标签​

File API​

多模态（音频、视频、PDF）​

Token 计数估算器​

模型目录​

目录

Maven 依赖

认证

Gemini Developer API（API 密钥）

Google Cloud Vertex AI

可用模型

GoogleGenAiChatModel

配置

高级：自定义 `GenerateContentConfig`

请求与响应日志

日志配置设置

1. 使用 Logback 设置

Maven

Gradle

2. 在 Spring Boot 应用中设置

3. 使用 SLF4J Simple 设置

Maven

GoogleGenAiStreamingChatModel

Executor

工具

JSON Schema / 结构化输出

缓存内容支持

创建和管理缓存

思考模型（Gemini 3.0+）

GoogleGenAiEmbeddingModel

批处理与重试

基于标题的分组策略

GoogleGenAiImageModel

Batch API

Grounding 元数据

自定义标签

File API

多模态（音频、视频、PDF）

Token 计数估算器

模型目录