All methods

Generative Language API

借助 Gemini API，开发者可以使用 Gemini 模型构建生成式 AI 应用。Gemini 是 Google 旗下最强大的模型，专为多模态应用而生。它不仅能理解和处理语言、图像、音频、视频和代码等各种信息，更能跨越不同模态，实现信息的融会贯通。您可以使用 Gemini API 来实现各种应用场景，例如跨文本和图像进行推理、生成内容、构建对话代理、开发总结和分类系统等。

服务：generativelanguage.googleapis.com

如要调用此服务，我们建议您使用 Google 提供的客户端库。如果您的应用需要使用您自己的库来调用此服务，则在发出 API 请求时应使用以下信息。

服务端点

服务端点是一个基础网址，指定了 API 服务的网络地址。一项服务可能有多个服务端点。此服务具有以下服务端点，下面的所有 URI 都与此服务端点相关：

https://generativelanguage.googleapis.com

REST 资源：v1beta.batches

方法
`cancel`	`POST /v1beta/{name=batches/*}:cancel` 对长时间运行的操作启动异步取消。
`delete`	`DELETE /v1beta/{name=batches/*}` 删除长时间运行的操作。
`get`	`GET /v1beta/{name=batches/*}` 获取长时间运行的操作的最新状态。
`list`	`GET /v1beta/{name=batches}` 列出与请求中指定的过滤条件匹配的操作。
`updateEmbedContentBatch`	`PATCH /v1beta/{embedContentBatch.name=batches/*}:updateEmbedContentBatch` 更新一批用于批处理的 EmbedContent 请求。
`updateGenerateContentBatch`	`PATCH /v1beta/{generateContentBatch.name=batches/*}:updateGenerateContentBatch` 更新一批用于批处理的 GenerateContent 请求。

REST 资源：v1beta.cachedContents

方法
`create`	`POST /v1beta/cachedContents` 创建 CachedContent 资源。
`delete`	`DELETE /v1beta/{name=cachedContents/*}` 删除 CachedContent 资源。
`get`	`GET /v1beta/{name=cachedContents/*}` 读取 CachedContent 资源。
`list`	`GET /v1beta/cachedContents` 列出 CachedContent。
`patch`	`PATCH /v1beta/{cachedContent.name=cachedContents/*}` 更新 CachedContent 资源（只有过期时间可更新）。

REST 资源：v1beta.fileSearchStores

方法
`create`	`POST /v1beta/fileSearchStores` 创建空的 `FileSearchStore`。
`delete`	`DELETE /v1beta/{name=fileSearchStores/*}` 删除 `FileSearchStore`。
`get`	`GET /v1beta/{name=fileSearchStores/*}` 获取有关特定 `FileSearchStore` 的信息。
`importFile`	`POST /v1beta/{fileSearchStoreName=fileSearchStores/*}:importFile` 将 `File` 从文件服务导入到 `FileSearchStore`。
`list`	`GET /v1beta/fileSearchStores` 列出用户拥有的所有 `FileSearchStores`。

REST 资源：v1beta.fileSearchStores.documents

方法
`delete`	`DELETE /v1beta/{name=fileSearchStores//documents/}` 删除 `Document`。
`get`	`GET /v1beta/{name=fileSearchStores//documents/}` 获取有关特定 `Document` 的信息。
`list`	`GET /v1beta/{parent=fileSearchStores/*}/documents` 列出 `Corpus` 中的所有 `Document`。
`query`	`POST /v1beta/{name=fileSearchStores//documents/}:query` 对 `Document` 执行语义搜索。

REST 资源：v1beta.fileSearchStores.operations

方法
`get`	`GET /v1beta/{name=fileSearchStores//operations/}` 获取长时间运行的操作的最新状态。

REST 资源：v1beta.fileSearchStores.upload.operations

方法
`get`	`GET /v1beta/{name=fileSearchStores//upload/operations/}` 获取长时间运行的操作的最新状态。

REST 资源：v1beta.files

方法
`delete`	`DELETE /v1beta/{name=files/*}` 删除 `File`。
`get`	`GET /v1beta/{name=files/*}` 获取指定 `File` 的元数据。
`list`	`GET /v1beta/files` 列出请求项目拥有的 `File` 的元数据。

REST 资源：v1beta.media

方法
`upload`	`POST /v1beta/files` `POST /upload/v1beta/files` 创建 `File`。
`uploadToFileSearchStore`	`POST /v1beta/{fileSearchStoreName=fileSearchStores/}:uploadToFileSearchStore` `POST /upload/v1beta/{fileSearchStoreName=fileSearchStores/}:uploadToFileSearchStore` 将数据上传到 FileSearchStore，在存储到 FileSearchStore 文档之前对其进行预处理和分块。

REST 资源：v1beta.models

方法
`asyncBatchEmbedContent`	`POST /v1beta/{batch.model=models/*}:asyncBatchEmbedContent` 将一批 `EmbedContent` 个请求排入队列，以便进行批处理。
`batchEmbedContents`	`POST /v1beta/{model=models/*}:batchEmbedContents` 根据输入 `Content` 生成多个嵌入向量，输入 `Content` 由一批表示为 `EmbedContentRequest` 对象的字符串组成。
`batchEmbedText`	`POST /v1beta/{model=models/*}:batchEmbedText` 在同步调用中，根据输入文本从模型生成多个嵌入。
`batchGenerateContent`	`POST /v1beta/{batch.model=models/*}:batchGenerateContent` 将一批 `GenerateContent` 个请求排入队列，以便进行批处理。
`countMessageTokens`	`POST /v1beta/{model=models/*}:countMessageTokens` 对字符串运行模型的分词器，并返回令牌数量。
`countTextTokens`	`POST /v1beta/{model=models/*}:countTextTokens` 对文本运行模型的分词器，并返回 token 数量。
`countTokens`	`POST /v1beta/{model=models/*}:countTokens` 对输入 `Content` 运行模型的分词器，并返回 token 数量。
`embedContent`	`POST /v1beta/{model=models/*}:embedContent` 使用指定的 Gemini 嵌入模型从输入 `Content` 生成文本嵌入向量。
`embedText`	`POST /v1beta/{model=models/*}:embedText` 根据输入消息生成模型中的嵌入。
`generateContent`	`POST /v1beta/{model=models/*}:generateContent` 根据输入 `GenerateContentRequest` 生成模型回答。
`generateMessage`	`POST /v1beta/{model=models/*}:generateMessage` 根据输入 `MessagePrompt` 生成模型回答。
`generateText`	`POST /v1beta/{model=models/*}:generateText` 根据输入消息生成模型回答。
`get`	`GET /v1beta/{name=models/*}` 获取有关特定 `Model` 的信息，例如其版本号、令牌限制、参数和其他元数据。
`list`	`GET /v1beta/models` 列出可通过 Gemini API 获取的 `Model`。
`predict`	`POST /v1beta/{model=models/*}:predict` 执行预测请求。
`predictLongRunning`	`POST /v1beta/{model=models/*}:predictLongRunning` 与 Predict 相同，但返回 LRO。
`streamGenerateContent`	`POST /v1beta/{model=models/*}:streamGenerateContent` 根据输入 `GenerateContentRequest` 从模型生成流式回答。