Сообщить об ошибке

Что пошло не так?

Gemini на практике: реальные примеры Google — AI Academy

AI Academy/Курсы/Gemini на практике: реальные примеры Google

⌘K

EN Войти Регистрация

ПродвинутыйИнженерияgemini

Gemini на практике: реальные примеры Google

8 продвинутых примеров от команды Google: ReAct-агент, поиск с grounding, извлечение сущностей из PDF, чат-бот на function calling, обнаружение аномалий через embeddings и анализ GitHub issues.

4модуля

8уроков

240 минобщее время

Разработчики, применяющие Gemini в реальных проектахкому подходит

Прогресс

0%0 / 8 уроков

Войдите, чтобы сохранять прогресс.

Модуль 1

Агенты и инструменты

ReAct-агент, поиск с grounding, автоматический function calling — паттерны построения агентных систем на Gemini.

ReAct-агент: рассуждение + действие

Реализуем паттерн ReAct (Reasoning + Acting) с Gemini 2.0 Flash и Wikipedia API. Модель генерирует цепочки Thought→Action→Observation для ответа на сложные вопросы.

Search Grounding: актуальные данные в ответах

Подключаем Google Search Tool к Gemini 2.0+ для генерации актуальных бизнес-отчётов с реальными данными. Разбираем разницу между search grounding и новым search tool.

Barista Bot: агент на автоматическом function calling

Строим полноценного агента-кассира кофейни с automatic function calling. SDK сам генерирует схему из docstring, вызывает функции и возвращает результат модели.

Модуль 2

Извлечение структурированных данных

Entity extraction из текста и PDF-документов с использованием Pydantic-схем и structured output.

Извлечение сущностей из текста

Используем Gemini для структурированного извлечения сущностей из произвольного текста: адреса, телефоны, URL, названия улиц и транспортных маршрутов.

Structured Output из PDF: счета и формы

Загружаем PDF через File API, определяем Pydantic-схемы для инвойсов и рукописных форм, получаем структурированный JSON с гарантированной типизацией.

Модуль 3

Embeddings: поиск и аномалии

Практическое применение embeddings: обнаружение аномалий в данных и re-ranking результатов поиска по семантическому сходству.

Обнаружение аномалий через embeddings

Используем text-embedding-004 для векторизации текстов 20 Newsgroups, визуализируем кластеры через t-SNE и обнаруживаем выбросы по расстоянию от центра кластера.

Re-ranking результатов поиска через embeddings

Комбинируем Gemini function calling с Wikipedia API для поиска, затем используем embeddings и косинусное сходство для re-ranking найденных результатов по релевантности.

Модуль 4

Анализ данных и интеграции

Анализ GitHub issues через function calling и PyGithub, автоматизация задач работы с внешними API.

GitHub Issue Analyzer: анализ репозитория с Gemini

Используем PyGithub для получения данных о issues репозитория и Gemini с function calling для интерактивного анализа: поиск по меткам, stale issues, статистика.

AAI AcademyRU Начать обучениеКаталог

Обзор

AI Academy Прогресс Достижения Рейтинг Аналитика Заметки Уведомления Команда API Тарифы Настройки

Обучение

Треки8 Курсы51

Библиотеки

Промпты30 Воркфлоу12 Инструменты22 Сравнение Блог

Обновлено · 14 мая 2026

Сохранить прогресс