Gemini 3.8 Flash është tani në dispozicion. Provojeni .

Google përdor teknologjinë e IA-së për të përkthyer përmbajtjet në gjuhën tënde të preferuar. Përkthimet nga IA-ja mund të përmbajnë gabime.

Kërkimi i skedarëve

Gemini API mundëson gjenerimin e përmirësuar me marrje ("RAG") nëpërmjet veglës së "Kërkimit në skedarë". "Kërkimi në skedar" importon, ndan në pjesë dhe indekson të dhënat e tua për të mundësuar marrjen e shpejtë të informacioneve përkatëse bazuar në një kërkesë të dhënë. Këto informacione të marra më pas përdoren si kontekst për modelin, duke i lejuar atij që të ofrojë përgjigje më të sakta dhe më të përshtatshme. Kërkimi i skedarëve mund të ofrojë gjithashtu aftësi multimodale me integrimet e tekstit të mbështetura nga gemini-embedding-001 dhe integrimet e imazheve/multimodale të mbështetura nga gemini-embedding-2.

Ruajtja e skedarëve dhe gjenerimi i integrimeve në kohën e kërkesës është falas dhe do të paguash vetëm për krijimin e integrimeve kur të indeksosh për herë të parë skedarët e tu dhe koston normale të hyrjes / daljes së kodeve të modelit Gemini. Ky paradigmë e re e faturimit e bën "Veglën e kërkimit të skedarëve" më të lehtë dhe më ekonomike për t'u ndërtuar dhe për t'u shkallëzuar. Shiko seksionin e çmimeve për detaje.

Ngarko drejtpërdrejt te dyqani i "Kërkimit të skedarëve"

Ky shembull tregon se si të ngarkosh drejtpërdrejt një skedar në dyqanin e kërkimit të skedarëve:

Python

from google import genai
from google.genai import types
import time

client = genai.Client()

# File name will be visible in citations
file_search_store = client.file_search_stores.create(
    config={
        'display_name': 'your-fileSearchStore-name',
        'embedding_model': 'models/gemini-embedding-2'
    }
)

operation = client.file_search_stores.upload_to_file_search_store(
  file='sample.txt',
  file_search_store_name=file_search_store.name,
  config={
      'display_name' : 'display-file-name',
  }
)

while not operation.done:
    time.sleep(5)
    operation = client.operations.get(operation)

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="""Can you tell me about [insert question]""",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name]
                )
            )
        ]
    )
)

print(response.text)

JavaScript

const { GoogleGenAI } = require('@google/genai');

const ai = new GoogleGenAI({});

async function run() {
  // File name will be visible in citations
  const fileSearchStore = await ai.fileSearchStores.create({
    config: {
      displayName: 'your-fileSearchStore-name',
      embeddingModel: 'models/gemini-embedding-2'
    }
  });

  let operation = await ai.fileSearchStores.uploadToFileSearchStore({
    file: 'file.txt',
    fileSearchStoreName: fileSearchStore.name,
    config: {
      displayName: 'file-name',
    }
  });

  while (!operation.done) {
    await new Promise(resolve => setTimeout(resolve, 5000));
    operation = await ai.operations.get({ operation });
  }

  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "Can you tell me about [insert question]",
    config: {
      tools: [
        {
          fileSearch: {
            fileSearchStoreNames: [fileSearchStore.name]
          }
        }
      ]
    }
  });

  console.log(response.text);
}

run();

Kontrollo referencën e API-së për uploadToFileSearchStore për më shumë informacione.

Skedarët po importohen

Si alternativë, mund të ngarkosh një skedar ekzistues dhe ta importosh atë në dyqanin tënd të kërkimit të skedarëve:

Python

from google import genai
from google.genai import types
import time

client = genai.Client()

# File name will be visible in citations
sample_file = client.files.upload(file='sample.txt', config={'name': 'display_file_name'})

file_search_store = client.file_search_stores.create(
    config={
        'display_name': 'your-fileSearchStore-name',
        'embedding_model': 'models/gemini-embedding-2'
    }
)

operation = client.file_search_stores.import_file(
    file_search_store_name=file_search_store.name,
    file_name=sample_file.name
)

while not operation.done:
    time.sleep(5)
    operation = client.operations.get(operation)

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="""Can you tell me about [insert question]""",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name]
                )
            )
        ]
    )
)

print(response.text)

JavaScript

const { GoogleGenAI } = require('@google/genai');

const ai = new GoogleGenAI({});

async function run() {
  // File name will be visible in citations
  const sampleFile = await ai.files.upload({
    file: 'sample.txt',
    config: { name: 'file-name' }
  });

  const fileSearchStore = await ai.fileSearchStores.create({
    config: {
      displayName: 'your-fileSearchStore-name',
      embeddingModel: 'models/gemini-embedding-2'
    }
  });

  let operation = await ai.fileSearchStores.importFile({
    fileSearchStoreName: fileSearchStore.name,
    fileName: sampleFile.name
  });

  while (!operation.done) {
    await new Promise(resolve => setTimeout(resolve, 5000));
    operation = await ai.operations.get({ operation: operation });
  }

  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "Can you tell me about [insert question]",
    config: {
      tools: [
        {
          fileSearch: {
            fileSearchStoreNames: [fileSearchStore.name]
          }
        }
      ]
    }
  });

  console.log(response.text);
}

run();

Kontrollo referencën e API-së për importFile për më shumë informacione.

Konfigurimi i ndarjes në blloqe

Kur importon një skedar në një dyqan të "Kërkimit të skedarëve", ai ndahet automatikisht në pjesë, integrohet, indeksohet dhe ngarkohet në dyqanin tënd të "Kërkimit të skedarëve". Nëse ke nevojë për më shumë kontroll mbi strategjinë e ndarjes në pjesë, mund të specifikosh një cilësim chunking_config për të caktuar një numër maksimal të kodeve për pjesë dhe numrin maksimal të kodeve të mbivendosura.

Python

from google import genai
from google.genai import types
import time

client = genai.Client()

operation = client.file_search_stores.upload_to_file_search_store(
    file_search_store_name=file_search_store.name,
    file_name=sample_file.name,
    config={
        'chunking_config': {
          'white_space_config': {
            'max_tokens_per_chunk': 200,
            'max_overlap_tokens': 20
          }
        }
    }
)

while not operation.done:
    time.sleep(5)
    operation = client.operations.get(operation)

print("Custom chunking complete.")

JavaScript

const { GoogleGenAI } = require('@google/genai');

const ai = new GoogleGenAI({});

let operation = await ai.fileSearchStores.uploadToFileSearchStore({
  file: 'file.txt',
  fileSearchStoreName: fileSearchStore.name,
  config: {
    displayName: 'file-name',
    chunkingConfig: {
      whiteSpaceConfig: {
        maxTokensPerChunk: 200,
        maxOverlapTokens: 20
      }
    }
  }
});

while (!operation.done) {
  await new Promise(resolve => setTimeout(resolve, 5000));
  operation = await ai.operations.get({ operation });
}
console.log("Custom chunking complete.");

Për të përdorur dyqanin e "Kërkimit në skedar", kaloje atë si një vegël te metoda generateContent, siç tregohet në shembujt e Ngarkimit dhe Importimit.

Si funksionon

"Kërkimi i skedarëve" përdor një teknikë të quajtur kërkim semantik për të gjetur informacione që kanë lidhje me kërkesën e përdoruesit. Ndryshe nga kërkimi standard i bazuar në fjalë kyçe, kërkimi semantik kupton kuptimin dhe kontekstin e kërkesës sate.

Kur importon një skedar, ai konvertohet në përfaqësime numerike të quajtura integritete, të cilat kapin kuptimin semantik të përmbajtjes së ngarkuar. Këto integrime ruhen në një bazë të specializuar të të dhënave të "Kërkimit të skedarëve". Kur bën një kërkesë, ajo konvertohet gjithashtu në një integrim. Më pas sistemi kryen një "Kërkim në skedar" për të gjetur pjesët më të ngjashme dhe më të përshtatshme të dokumentit nga dyqani i "Kërkimit në skedar".

Nuk ka kohë për të jetuar (TTL) për integrimet; ato vazhdojnë derisa të fshihen manualisht ose kur modeli hiqet nga funksionimi. Skedarët, megjithatë, fshihen pas 48 orësh.

Këtu është një analizë e procesit për përdorimin e API-së së "Kërkimit në skedar" uploadToFileSearchStore:

Krijo një dyqan të "Kërkimit në skedar": Një dyqan i "Kërkimit në skedar" përmban të dhënat e përpunuara nga skedarët e tu. Është kontejneri i vazhdueshëm për integrimet mbi të cilat do të funksionojë kërkimi semantik.
Ngarko një skedar dhe importo në një dyqan të "Kërkimit nëpër skedarë": Ngarko njëkohësisht një skedar dhe importo rezultatet në dyqanin e "Kërkimit nëpër skedarë". Kjo krijon një objekt të përkohshëm File, i cili është një referencë për dokumentin tënd të papërpunuar. Këto të dhëna ndahen më pas në pjesë, konvertohen në integrime të "Kërkimit në skedarë" dhe indeksohen. Objekti File fshihet pas 48 orësh, ndërkohë që të dhënat e importuara në magazinën e "Kërkimit në skedarë" do të ruhen për një kohë të pacaktuar derisa të zgjedhësh t'i fshish ato.
Kërko me "Kërkimin e skedarëve": Së fundi, ti përdor veglën FileSearch në një telefonatë generateContent. Në konfigurimin e veglës, ti specifikon një FileSearchRetrievalResource, i cili të drejton te FileSearchStore që dëshiron të kërkosh. Kjo i tregon modelit që të kryejë një kërkim semantik në atë dyqan specifik të "Kërkimit në skedarë" për të gjetur informacionet përkatëse për të bazuar përgjigjen e tij.

Procesi i indeksimit dhe kërkimit i "Kërkimit në skedarë" — Procesi i indeksimit dhe i kërkimit të "Kërkimit në skedarë"

Në këtë diagram, vija me pika nga Dokumentet te Modeli i integrimit (duke përdorur gemini-embedding-001) përfaqëson uploadToFileSearchStore API (duke anashkaluar Ruajtjen e skedarëve). Në rast të kundërt, përdorimi i Files API për të krijuar veçmas dhe më pas për të importuar skedarë e zhvendos procesin e indeksimit nga Dokumentet te Hapësira ruajtëse e skedarëve dhe më pas te Modeli i integrimit.

Dyqanet e "Kërkimit në skedarë"

Një dyqan i "Kërkimit të skedarëve" është një kontejner për integrimet e dokumenteve të tua. Ndërkohë që skedarët e papërpunuar të ngarkuar nëpërmjet File API fshihen pas 48 orësh, të dhënat e importuara në një dyqan të "Kërkimit të skedarëve" ruhen për një kohë të pacaktuar derisa t'i fshish manualisht. Mund të krijosh disa dyqane të "Kërkimit në skedarë" për të organizuar dokumentet e tua. API-ja e FileSearchStore të lejon të krijosh, listosh, marrësh dhe fshish për të menaxhuar dyqanet e kërkimit të skedarëve. Emrat e dyqaneve të "Kërkimit të skedarëve" kanë fushë veprimi global.

Këtu janë disa shembuj se si të menaxhosh dyqanet e tua të "Kërkimit në skedarë":

Python

file_search_store = client.file_search_stores.create(
    config={
        'display_name': 'my-file_search-store-123',
        'embedding_model': 'models/gemini-embedding-2'
    }
)

for file_search_store in client.file_search_stores.list():
    print(file_search_store)

my_file_search_store = client.file_search_stores.get(name='fileSearchStores/my-file_search-store-123')

client.file_search_stores.delete(name='fileSearchStores/my-file_search-store-123', config={'force': True})

JavaScript

const fileSearchStore = await ai.fileSearchStores.create({
  config: {
    displayName: 'my-file_search-store-123',
    embeddingModel: 'models/gemini-embedding-2'
  }
});

const fileSearchStores = await ai.fileSearchStores.list();
for await (const store of fileSearchStores) {
  console.log(store);
}

const myFileSearchStore = await ai.fileSearchStores.get({
  name: 'fileSearchStores/my-file_search-store-123'
});

await ai.fileSearchStores.delete({
  name: 'fileSearchStores/my-file_search-store-123',
  config: { force: true }
});

QETËSI

curl -X POST "https://generativelanguage.googleapis.com/v1beta/fileSearchStores?key=${GEMINI_API_KEY}" \
    -H "Content-Type: application/json" \
    -d '{ "displayName": "My Store", "embedding_model": "models/gemini-embedding-2" }'

curl "https://generativelanguage.googleapis.com/v1beta/fileSearchStores?key=${GEMINI_API_KEY}" \

curl "https://generativelanguage.googleapis.com/v1beta/fileSearchStores/my-file_search-store-123?key=${GEMINI_API_KEY}"

curl -X DELETE "https://generativelanguage.googleapis.com/v1beta/fileSearchStores/my-file_search-store-123?key=${GEMINI_API_KEY}"

Dokumentet e "Kërkimit në skedarë"

Mund të menaxhosh dokumentet individuale në dyqanet e skedarëve me API-në e Dokumenteve të "Kërkimit në skedarë" për të list çdo dokument në një dyqan të "Kërkimit në skedarë", get informacionet për një dokument dhe delete një dokument sipas emrit.

Python

for document_in_store in client.file_search_stores.documents.list(parent='fileSearchStores/my-file_search-store-123'):
  print(document_in_store)

file_search_document = client.file_search_stores.documents.get(name='fileSearchStores/my-file_search-store-123/documents/my_doc')
print(file_search_document)

client.file_search_stores.documents.delete(name='fileSearchStores/my-file_search-store-123/documents/my_doc')

JavaScript

const documents = await ai.fileSearchStores.documents.list({
  parent: 'fileSearchStores/my-file_search-store-123'
});
for await (const doc of documents) {
  console.log(doc);
}

const fileSearchDocument = await ai.fileSearchStores.documents.get({
  name: 'fileSearchStores/my-file_search-store-123/documents/my_doc',
});

await ai.fileSearchStores.documents.delete({
  name: 'fileSearchStores/my-file_search-store-123/documents/my_doc'
});

QETËSI

curl "https://generativelanguage.googleapis.com/v1beta/fileSearchStores/my-file_search-store-123/documents?key=${GEMINI_API_KEY}"

curl "https://generativelanguage.googleapis.com/v1beta/fileSearchStores/my-file_search-store-123/documents/my_doc?key=${GEMINI_API_KEY}"

curl -X DELETE "https://generativelanguage.googleapis.com/v1beta/fileSearchStores/my-file_search-store-123/documents/my_doc?key=${GEMINI_API_KEY}"

Metadatat e skedarit

Mund të shtosh metadata të personalizuara në skedarët e tu për t'i ndihmuar të filtrosh ata ose për të ofruar kontekst shtesë. Metadatat janë një grup çiftesh çelës-vlerë.

Python

op = client.file_search_stores.import_file(
    file_search_store_name=file_search_store.name,
    file_name=sample_file.name,
    custom_metadata=[
        {"key": "author", "string_value": "Robert Graves"},
        {"key": "year", "numeric_value": 1934}
    ]
)

JavaScript

let operation = await ai.fileSearchStores.importFile({
  fileSearchStoreName: fileSearchStore.name,
  fileName: sampleFile.name,
  config: {
    customMetadata: [
      { key: "author", stringValue: "Robert Graves" },
      { key: "year", numericValue: 1934 }
    ]
  }
});

Kjo është e dobishme kur ke disa dokumente në një dyqan të "Kërkimit të skedarëve" dhe dëshiron të kërkosh vetëm në një nëngrup të tyre.

Python

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="Tell me about the book 'I, Claudius'",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name],
                    metadata_filter="author=Robert Graves",
                )
            )
        ]
    )
)

print(response.text)

JavaScript

const response = await ai.models.generateContent({
  model: "gemini-3.8-flash",
  contents: "Tell me about the book 'I, Claudius'",
  config: {
    tools: [
      {
        fileSearch: {
          fileSearchStoreNames: [fileSearchStore.name],
          metadataFilter: 'author="Robert Graves"',
        }
      }
    ]
  }
});

console.log(response.text);

QETËSI

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent?key=${GEMINI_API_KEY}" \
    -H 'Content-Type: application/json' \
    -X POST \
    -d '{
            "contents": [{
                "parts":[{"text": "Tell me about the book I, Claudius"}]
            }],
            "tools": [{
                "file_search": {
                    "file_search_store_names":["'$STORE_NAME'"],
                    "metadata_filter": "author = \"Robert Graves\""
                }
            }]
        }' 2> /dev/null > response.json

cat response.json

Udhëzimet për zbatimin e sintaksës së filtrit të listës për metadata_filter mund të gjenden në google.aip.dev/160

Kërkimi multimodal në Files

"Kërkimi multimodal i skedarëve" të lejon të integosh dhe të kërkosh në mënyrë të natyrshme nëpër imazhe, duke mundësuar aplikacione të pasura dhe multimodale të RAG.

Konfiguro modelin e integrimit

Kur krijon një FileSearchStore, duhet të zëvendësosh modelin e parazgjedhur të integrimit vetëm me tekst për të përdorur një model multimodal. Përdor models/gemini-embedding-2 për të përpunuar tekstin dhe imazhet.

Python

store = client.file_search_stores.create(
    config={
        "display_name": "Multimodal Catalog",
        "embedding_model": "models/gemini-embedding-2",
    }
)

JavaScript

const fileSearchStore = await ai.fileSearchStores.create({
  config: {
    displayName: "Multimodal Catalog",
    embeddingModel: "models/gemini-embedding-2",
  },
});

QETËSI

curl -X POST "https://generativelanguage.googleapis.com/v1beta/fileSearchStores?key=$GEMINI_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "display_name": "Multimodal Catalog",
      "embedding_model": "models/gemini-embedding-2"
    }'

Ngarko imazhe

Pasi të krijosh dyqanin me një model të integruar multimodal, mund të ngarkosh skedarë imazhesh drejtpërdrejt duke përdorur të njëjtat API-të e ngarkimit të përshkruara te Ngarko drejtpërdrejt te dyqani i "Kërkimit të skedarëve" ose Importimi i skedarëve.

Kërkesat për skedarin e imazhit:

Skedarët e imazheve duhet të jenë maksimumi 4K x 4K pikselë në rezolucion.
Formatet e mbështetura janë PNG, JPEG.

Citime

Kur përdor "Kërkimin në skedarë", përgjigjja e modelit mund të përfshijë citime që specifikojnë se cilat pjesë të dokumenteve të tua të ngarkuara janë përdorur për të gjeneruar përgjigjen. Kjo ndihmon me verifikimin dhe kontrollin e fakteve.

Mund të qasesh te informacionet e citimit nëpërmjet atributit grounding_metadata të përgjigjes.

Python

print(response.candidates[0].grounding_metadata)

JavaScript

console.log(JSON.stringify(response.candidates?.[0]?.groundingMetadata, null, 2));

Për informacione të detajuara mbi strukturën e metadatave themelore, shiko shembujt në File Search cookbook ose seksionin themelor të dokumenteve të Grounding with Google Search docs.

Numrat e faqeve

Kur përdor "Kërkimin në skedarë" me dokumente që kanë faqe (si p.sh. skedarët PDF), përgjigjja e modelit mund të përfshijë numrin e faqes ku është gjetur informacioni. Mund të qasesh te këto informacione nëpërmjet atributit page_number të retrieved_context.

Python

# Iterate through citations and check for page numbers
for chunk in response.grounding_metadata.grounding_chunks:
   if chunk.retrieved_context and chunk.retrieved_context.page_number:
       print(f"Cited Page: {chunk.retrieved_context.page_number}")

JavaScript

const groundingMetadata = response.candidates[0].groundingMetadata;
for (const chunk of groundingMetadata.groundingChunks) {
  if (chunk.retrievedContext && chunk.retrievedContext.pageNumber) {
    console.log(`Cited Page: ${chunk.retrievedContext.pageNumber}`);
  }
}

Citimet e medias

Kur modeli referon një pjesë imazhi gjatë gjenerimit, API-ja kthen një citim në metadatat e themelimit që përfshin një media_id. Mund ta përdorësh këtë ID për të shkarkuar pjesën e saktë të imazhit që ka referuar modeli. Ky media_id është i vazhdueshëm nëpër disa thirrje kërkimi, gjë që të lejon të marrësh në mënyrë të besueshme të njëjtin imazh ose ta ruash atë në memorien specifike duke përdorur ID-në.

Fragmenti i mëposhtëm është një shembull i përgjigjes REST:

"groundingMetadata": {
  "groundingChunks": [
    {
      "retrievedContext": {
        "title": "product_image",
        "fileSearchStore": "fileSearchStores/my-store-123",
        "media_id": "fileSearchStores/my-store-123/media/BlobId-456"
      }
    }
  ]
}

Fragmentet e mëposhtme të kodit demonstrojnë se si të marrësh media_id dhe të shkarkosh median:

Python

# Iterate through citations and download media if present
for chunk in response.grounding_metadata.grounding_chunks:
   if chunk.retrieved_context and chunk.retrieved_context.media_id:
       print(f"Cited Media ID: {chunk.retrieved_context.media_id}")
       # Download the blob using the SDK
       blob_content = client.file_search_stores.download_media(
           media_id=chunk.retrieved_context.media_id
       )
       # Save blob_content to file...

JavaScript

const groundingMetadata = response.candidates[0].groundingMetadata;
for (const chunk of groundingMetadata.groundingChunks) {
  if (chunk.retrievedContext && chunk.retrievedContext.mediaId) {
    console.log(`Cited Media ID: ${chunk.retrievedContext.mediaId}`);
    const blobContent = await ai.fileSearchStores.downloadMedia(chunk.retrievedContext.mediaId);
    // Save blobContent to file...
  }
}

QETËSI

curl -X GET "https://generativelanguage.googleapis.com/v1/fileSearchStores/my-store-123/media/BlobId-456" \
  -H "x-goog-api-key: $GEMINI_API_KEY"

Metadatat e personalizuara në të dhënat bazë

Nëse ke shtuar metadata të personalizuara në skedarët e tu, mund të qasesh te metadata themelore e përgjigjes së modelit. Kjo është e dobishme për të kaluar kontekst shtesë (si p.sh. URL-të, numrat e faqeve ose autorët) nga dokumentet e tua burimore te logjika e aplikacionit. Çdo grounding_chunk në retrieved_context përmban këto metadata të personalizuara.

Python

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="Tell me about [insert question]",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name]
                )
            )
        ]
    )
)

for chunk in response.candidates[0].grounding_metadata.grounding_chunks:
    if chunk.retrieved_context:
        print(f"Text: {chunk.retrieved_context.text}")
        if chunk.retrieved_context.custom_metadata:
            for metadata in chunk.retrieved_context.custom_metadata:
                print(f"Metadata Key: {metadata.key}")
                print(f"Value: {metadata.string_value or metadata.numeric_value}")

JavaScript

const response = await ai.models.generateContent({
  model: "gemini-3.8-flash",
  contents: "Tell me about [insert question]",
  config: {
    tools: [
      {
        fileSearch: {
          fileSearchStoreNames: [fileSearchStore.name]
        }
      }
    ]
  }
});

const groundingMetadata = response.candidates[0].groundingMetadata;
groundingMetadata.groundingChunks.forEach((chunk) => {
  if (chunk.retrievedContext) {
    console.log(`Text: ${chunk.retrievedContext.text}`);
    if (chunk.retrievedContext.customMetadata) {
      chunk.retrievedContext.customMetadata.forEach((metadata) => {
        console.log(`Metadata Key: ${metadata.key}`);
        console.log(`Value: ${metadata.stringValue || metadata.numericValue}`);
      });
    }
  }
});

QETËSI

{
  "candidates": [
    {
      "content": { ... },
      "grounding_metadata": {
        "grounding_chunks": [
          {
            "retrieved_context": {
              "text": "...",
              "title": "...",
              "uri": "...",
              "custom_metadata": [
                {
                  "key": "author",
                  "string_value": "Robert Graves"
                },
                {
                  "key": "year",
                  "numeric_value": 1934
                }
              ]
            }
          }
        ],
        "grounding_supports": [ ... ]
      }
    }
  ]
}

Dalja e strukturuar

Duke filluar me modelet Gemini 3, mund të kombinosh veglën e kërkimit të skedarëve me daljet e strukturuara.

Python

from pydantic import BaseModel, Field

class Money(BaseModel):
    amount: str = Field(description="The numerical part of the amount.")
    currency: str = Field(description="The currency of amount.")

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="What is the minimum hourly wage in Tokyo right now?",
    config=types.GenerateContentConfig(
                tools=[
                    types.Tool(
                        file_search=types.FileSearch(
                            file_search_store_names=[file_search_store.name]
                        )
                    )
                ],
                response_format={"text": {"mime_type": "application/json", "schema": Money.model_json_schema()}}
      )
)
result = Money.model_validate_json(response.text)
print(result)

JavaScript

import { z } from "zod";

const moneySchema = z.object({
  amount: z.string().describe("The numerical part of the amount."),
  currency: z.string().describe("The currency of amount."),
});

async function run() {
  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "What is the minimum hourly wage in Tokyo right now?",
    config: {
      tools: [
        {
          fileSearch: {
            fileSearchStoreNames: [file_search_store.name],
          },
        },
      ],
      responseFormat: { text: { mimeType: "application/json", schema: z.toJSONSchema(moneySchema) } },
    },
  });

  const result = moneySchema.parse(JSON.parse(response.text));
  console.log(result);
}

run();

QETËSI

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [{
      "parts": [{"text": "What is the minimum hourly wage in Tokyo right now?"}]
    }],
    "tools": [
      {
        "fileSearch": {
          "fileSearchStoreNames": ["$FILE_SEARCH_STORE_NAME"]
        }
      }
    ],
    "generationConfig": {
"responseFormat": {
  "text": {
    "mimeType": "application/json",
    "schema": {
            "type": "object",
            "properties": {
                "amount": {"type": "string", "description": "The numerical part of the amount."},
                "currency": {"type": "string", "description": "The currency of amount."}
  }
}
},
            "required": ["amount", "currency"]
        }
    }
  }'

Modelet e mbështetura

Modelet e mëposhtme mbështesin "Kërkimin në skedarë":

Modeli	Kërkimi i skedarëve
Gemini 3.8 Flash	✔️
Gemini 3.6 Flash	✔️
Gemini 3.5 Flash-Lite	✔️
Versioni paraprak i Gemini 3.1 Pro	✔️
Gemini 3.1 Flash-Lite	✔️
Pamja paraprake e Gemini 3 Flash	✔️
Gemini 2.5 Pro	✔️
Gemini 2.5 Flash-Lite	✔️

Kombinimet e mbështetura të veglave

Modelet e Gemini 3 mbështesin kombinimin e veglave të integruara (si p.sh. "Kërkimi në skedarë") me vegla të personalizuara (thirrja e funksioneve). Mëso më shumë në faqen e kombinimeve të veglave.

Llojet e mbështetura të skedarëve

"Kërkimi i skedarëve" mbështet një gamë të gjerë formatesh skedarësh, të listuara në seksionet e mëposhtme.

Llojet e skedarëve të aplikacioneve

application/dart
application/ecmascript
application/json
application/ms-java
application/msword
application/pdf
application/sql
application/typescript
application/vnd.curl
application/vnd.dart
application/vnd.ibm.secure-container
application/vnd.jupyter
application/vnd.ms-excel
application/vnd.oasis.opendocument.text
application/vnd.openxmlformats-officedocument.presentationml.presentation
application/vnd.openxmlformats-officedocument.spreadsheetml.sheet
application/vnd.openxmlformats-officedocument.wordprocessingml.document
application/vnd.openxmlformats-officedocument.wordprocessingml.template
application/x-csh
application/x-hwp
application/x-hwp-v5
application/x-latex
application/x-php
application/x-powershell
application/x-sh
application/x-shellscript
application/x-tex
application/x-zsh
application/xml
application/zip

Llojet e skedarëve të tekstit

text/1d-interleaved-parityfec
text/RED
text/SGML
text/cache-manifest
text/calendar
text/cql
text/cql-extension
text/cql-identifier
text/css
text/csv
text/csv-schema
text/dns
text/encaprtp
text/enriched
text/example
text/fhirpath
text/flexfec
text/fwdred
text/gff3
text/grammar-ref-list
text/hl7v2
text/html
text/javascript
text/jcr-cnd
text/jsx
text/markdown
text/mizar
text/n3
text/parameters
text/parityfec
text/php
text/plain
text/provenance-notation
text/prs.fallenstein.rst
text/prs.lines.tag
text/prs.prop.logic
text/raptorfec
text/rfc822-headers
text/rtf
text/rtp-enc-aescm128
text/rtploopback
text/rtx
text/sgml
text/shaclc
text/shex
text/spdx
text/strings
text/t140
text/tab-separated-values
text/texmacs
text/troff
text/tsv
text/tsx
text/turtle
text/ulpfec
text/uri-list
text/vcard
text/vnd.DMClientScript
text/vnd.IPTC.NITF
text/vnd.IPTC.NewsML
text/vnd.a
text/vnd.abc
text/vnd.ascii-art
text/vnd.curl
text/vnd.debian.copyright
text/vnd.dvb.subtitle
text/vnd.esmertec.theme-descriptor
text/vnd.exchangeable
text/vnd.familysearch.gedcom
text/vnd.ficlab.flt
text/vnd.fly
text/vnd.fmi.flexstor
text/vnd.gml
text/vnd.graphviz
text/vnd.hans
text/vnd.hgl
text/vnd.in3d.3dml
text/vnd.in3d.spot
text/vnd.latex-z
text/vnd.motorola.reflex
text/vnd.ms-mediapackage
text/vnd.net2phone.commcenter.command
text/vnd.radisys.msml-basic-layout
text/vnd.senx.warpscript
text/vnd.sosi
text/vnd.sun.j2me.app-descriptor
text/vnd.trolltech.linguist
text/vnd.wap.si
text/vnd.wap.sl
text/vnd.wap.wml
text/vnd.wap.wmlscript
text/vtt
text/wgsl
text/x-asm
text/x-bibtex
text/x-boo
text/x-c
text/x-c++hdr
text/x-c++src
text/x-cassandra
text/x-chdr
text/x-coffeescript
text/x-component
text/x-csh
text/x-csharp
text/x-csrc
text/x-cuda
text/x-d
text/x-diff
text/x-dsrc
text/x-emacs-lisp
text/x-erlang
text/x-gff3
text/x-go
text/x-haskell
text/x-java
text/x-java-properties
text/x-java-source
text/x-kotlin
text/x-lilypond
text/x-lisp
text/x-literate-haskell
text/x-lua
text/x-moc
text/x-objcsrc
text/x-pascal
text/x-pcs-gcd
text/x-perl
text/x-perl-script
text/x-python
text/x-python-script
text/x-r-markdown
text/x-rsrc
text/x-rst
text/x-ruby-script
text/x-rust
text/x-sass
text/x-scala
text/x-scheme
text/x-script.python
text/x-scss
text/x-setext
text/x-sfv
text/x-sh
text/x-siesta
text/x-sos
text/x-sql
text/x-swift
text/x-tcl
text/x-tex
text/x-vbasic
text/x-vcalendar
text/xml
text/xml-dtd
text/xml-external-parsed-entity
text/yaml

Kufizimet

API-ja e transmetimit të drejtpërdrejtë: Kërkimi i skedarëve nuk mbështetet në API-në e transmetimit të drejtpërdrejtë.
Mospërputhshmëria e veglave: "Kërkimi në skedarë" nuk mund të kombinohet me vegla të tjera si Bazimi me "Kërko në Google", Konteksti i URL-së etj. në këtë moment.

Kufijtë e normës

File Search API ka kufijtë e mëposhtëm për të zbatuar qëndrueshmërinë e shërbimit:

Madhësia maksimale e skedarit / kufiri për dokument: 100 MB
Madhësia totale e hapësirave ruajtëse të "Kërkimit në skedarët e projektit" (bazuar në nivelin e përdoruesit):
- Falas: 1 GB
- Niveli 1: 10 GB
- Niveli 2: 100 GB
- Niveli 3: 1 TB
Rekomandim: Kufizo madhësinë e çdo dyqani të "Kërkimit të skedarëve" nën 20 GB për të siguruar vonesa optimale të marrjes.

Çmimet

Ti tarifohesh për integrimet në kohën e indeksimit bazuar në çmimet ekzistuese të integrimeve.
Hapësira ruajtëse është pa pagesë.
Inkorporimet e kohës së kërkesës janë pa pagesë.
Kuponët e dokumenteve të marra tarifohen si kuponë të rregullt konteksti.

Çfarë ka më pas

Vizito referencën e API-së për File Search Stores dhe File Search Documents.