התבססות על חיפוש Google

ההארקה באמצעות חיפוש Google מקשרת את מודל Gemini לתוכן אינטרנט בזמן אמת, והיא פועלת בכל השפות הזמינות. כך Gemini יכול לספק תשובות מדויקות יותר ולצטט מקורות שאפשר לאמת אותם, גם אם הם לא נכללים בנתונים ששימשו לאימון שלו.

ההארקה עוזרת לכם ליצור אפליקציות שיכולות:

• שיפור הדיוק העובדתי: כדי לצמצם את ההזיות של המודל, התשובות מבוססות על מידע מהעולם האמיתי.
• גישה למידע בזמן אמת: אפשר לקבל תשובות לשאלות על אירועים ונושאים עדכניים.

• לספק ציטוטים: כדי לבנות את אמון המשתמשים, כדאי להציג את המקורות של הטענות שהמודל מציג.

from google import genai
from google.genai import types

client = genai.Client()

grounding_tool = types.Tool(
    google_search=types.GoogleSearch()
)

config = types.GenerateContentConfig(
    tools=[grounding_tool]
)

response = client.models.generate_content(
    model="gemini-3-flash-preview",
    contents="Who won the euro 2024?",
    config=config,
)

print(response.text)

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

const groundingTool = {
  googleSearch: {},
};

const config = {
  tools: [groundingTool],
};

const response = await ai.models.generateContent({
  model: "gemini-3-flash-preview",
  contents: "Who won the euro 2024?",
  config,
});

console.log(response.text);

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-flash-preview:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d '{
    "contents": [
      {
        "parts": [
          {"text": "Who won the euro 2024?"}
        ]
      }
    ],
    "tools": [
      {
        "google_search": {}
      }
    ]
  }'

אפשר לנסות את מחברת כלי החיפוש כדי לקבל מידע נוסף.

איך עיגון באמצעות חיפוש Google פועל

כשמפעילים את הכלי google_search, המודל מטפל בכל תהליך העבודה של חיפוש, עיבוד וציטוט מידע באופן אוטומטי.

1. הנחיית משתמש: האפליקציה שולחת הנחיית משתמש אל Gemini API עם ההגדרה של הכלי google_search.
2. ניתוח ההנחיה: המודל מנתח את ההנחיה וקובע אם חיפוש ב-Google יכול לשפר את התשובה.
3. חיפוש Google: אם צריך, המודל יוצר באופן אוטומטי שאילתת חיפוש אחת או יותר ומריץ אותן.
4. עיבוד תוצאות החיפוש: המודל מעבד את תוצאות החיפוש, מסנתז את המידע ומנסח תגובה.
5. תשובה מבוססת: ה-API מחזיר תשובה סופית וידידותית למשתמש שמבוססת על תוצאות החיפוש. התשובה הזו כוללת את התשובה הטקסטואלית של המודל, groundingMetadata עם שאילתות החיפוש, תוצאות החיפוש והציטוטים.

הסבר על התשובה של ההארקה

אם ההארקה של התשובה מצליחה, התשובה כוללת את השדה groundingMetadata. הנתונים המובנים האלה חיוניים לאימות הטענות וליצירת חוויית ציטוט עשירה באפליקציה שלכם.

{
  "candidates": [
    {
      "content": {
        "parts": [
          {
            "text": "Spain won Euro 2024, defeating England 2-1 in the final. This victory marks Spain's record fourth European Championship title."
          }
        ],
        "role": "model"
      },
      "groundingMetadata": {
        "webSearchQueries": [
          "UEFA Euro 2024 winner",
          "who won euro 2024"
        ],
        "searchEntryPoint": {
          "renderedContent": "<!-- HTML and CSS for the search widget -->"
        },
        "groundingChunks": [
          {"web": {"uri": "https://vertexaisearch.cloud.google.com.....", "title": "aljazeera.com"}},
          {"web": {"uri": "https://vertexaisearch.cloud.google.com.....", "title": "uefa.com"}}
        ],
        "groundingSupports": [
          {
            "segment": {"startIndex": 0, "endIndex": 85, "text": "Spain won Euro 2024, defeatin..."},
            "groundingChunkIndices": [0]
          },
          {
            "segment": {"startIndex": 86, "endIndex": 210, "text": "This victory marks Spain's..."},
            "groundingChunkIndices": [0, 1]
          }
        ]
      }
    }
  ]
}

‫Gemini API מחזיר את המידע הבא עם groundingMetadata:

• ‫webSearchQueries : מערך של שאילתות החיפוש שנעשה בהן שימוש. המידע הזה שימושי לניפוי באגים ולהבנת תהליך החשיבה של המודל.
• ‫searchEntryPoint : מכיל את ה-HTML ואת ה-CSS לעיבוד הצעות החיפוש הנדרשות. דרישות השימוש המלאות מפורטות בתנאים ובהגבלות.
• ‫groundingChunks : מערך של אובייקטים שמכילים את המקורות מהאינטרנט (uri ו-title).
• ‫groundingSupports : מערך של מקטעים לחיבור התגובה של המודל text למקורות ב-groundingChunks. כל מקטע מקשר טקסט segment (מוגדר על ידי startIndex ו-endIndex) ל-groundingChunkIndices אחד או יותר. זהו המפתח ליצירת ציטוטים בגוף הטקסט.

אפשר גם להשתמש בהארקה באמצעות חיפוש Google בשילוב עם כלי ההקשר של כתובת ה-URL כדי להארק את התשובות גם על נתונים מהאינטרנט הציבורי וגם על כתובות ה-URL הספציפיות שאתם מספקים.

ציטוט מקורות עם הפניות למקורות

ממשק ה-API מחזיר נתוני ציטוט מובְנים, כך שיש לכם שליטה מלאה באופן שבו אתם מציגים מקורות בממשק המשתמש. אפשר להשתמש בשדות groundingSupports ו-groundingChunks כדי לקשר את ההצהרות של המודל ישירות למקורות שלהן. הנה דפוס נפוץ לעיבוד המטא-נתונים כדי ליצור תגובה עם ציטוטים מוטבעים שאפשר ללחוץ עליהם.

def add_citations(response):
    text = response.text
    supports = response.candidates[0].grounding_metadata.grounding_supports
    chunks = response.candidates[0].grounding_metadata.grounding_chunks

    # Sort supports by end_index in descending order to avoid shifting issues when inserting.
    sorted_supports = sorted(supports, key=lambda s: s.segment.end_index, reverse=True)

    for support in sorted_supports:
        end_index = support.segment.end_index
        if support.grounding_chunk_indices:
            # Create citation string like [1](link1)[2](link2)
            citation_links = []
            for i in support.grounding_chunk_indices:
                if i < len(chunks):
                    uri = chunks[i].web.uri
                    citation_links.append(f"[{i + 1}]({uri})")

            citation_string = ", ".join(citation_links)
            text = text[:end_index] + citation_string + text[end_index:]

    return text

# Assuming response with grounding metadata
text_with_citations = add_citations(response)
print(text_with_citations)

function addCitations(response) {
    let text = response.text;
    const supports = response.candidates[0]?.groundingMetadata?.groundingSupports;
    const chunks = response.candidates[0]?.groundingMetadata?.groundingChunks;

    // Sort supports by end_index in descending order to avoid shifting issues when inserting.
    const sortedSupports = [...supports].sort(
        (a, b) => (b.segment?.endIndex ?? 0) - (a.segment?.endIndex ?? 0),
    );

    for (const support of sortedSupports) {
        const endIndex = support.segment?.endIndex;
        if (endIndex === undefined || !support.groundingChunkIndices?.length) {
        continue;
        }

        const citationLinks = support.groundingChunkIndices
        .map(i => {
            const uri = chunks[i]?.web?.uri;
            if (uri) {
            return `[${i + 1}](${uri})`;
            }
            return null;
        })
        .filter(Boolean);

        if (citationLinks.length > 0) {
        const citationString = citationLinks.join(", ");
        text = text.slice(0, endIndex) + citationString + text.slice(endIndex);
        }
    }

    return text;
}

const textWithCitations = addCitations(response);
console.log(textWithCitations);

התשובה החדשה עם הציטוטים בתוך הטקסט תיראה כך:

Spain won Euro 2024, defeating England 2-1 in the final.[1](https:/...), [2](https:/...), [4](https:/...), [5](https:/...) This victory marks Spain's record-breaking fourth European Championship title.[5]((https:/...), [2](https:/...), [3](https:/...), [4](https:/...)

תמחור

כשמשתמשים ב-Grounding עם חיפוש Google באמצעות Gemini 3, הפרויקט מחויב על כל שאילתת חיפוש שהמודל מחליט להריץ. אם המודל מחליט להריץ כמה שאילתות חיפוש כדי לענות על הנחיה אחת (לדוגמה, חיפוש של "UEFA Euro 2024 winner" ושל "Spain vs England Euro 2024 final score" באותה קריאה ל-API), זה נחשב לשני שימושים בכלי שחייבים עליהם תשלום עבור הבקשה הזו. לצורך חיוב, אנחנו מתעלמים משאילתות חיפוש באינטרנט שהן ריקות כשסופרים שאילתות ייחודיות. מודל החיוב הזה רלוונטי רק למודלים של Gemini 3. כשמשתמשים בחיפוש מבוסס-הארקה עם Gemini 2.5 או מודלים ישנים יותר, הפרויקט מחויב לפי הנחיה.

למידע מפורט על התמחור, אפשר לעיין בדף התמחור של Gemini API.

מודלים נתמכים

מודלים ניסיוניים ומודלים בגרסת Preview לא נכללים. אפשר לראות את היכולות שלהם בדף סקירה כללית של הדגם.

שילובים נתמכים של כלים

אתם יכולים להשתמש ב-Grounding עם חיפוש Google יחד עם כלים אחרים כמו הרצת קוד והקשר של כתובת URL כדי להפעיל תרחישי שימוש מורכבים יותר.

המאמרים הבאים

• כדאי לנסות את המתכון לעיגון בחיפוש Google ב-Gemini API.
• אפשר לקרוא על כלים זמינים אחרים, כמו הפעלת פונקציות.
• כאן מוסבר איך להוסיף לתיאורים כתובות URL ספציפיות באמצעות הכלי 'הקשר של כתובת URL'.