Guide de démarrage rapide de l'API Gemini

Ce guide de démarrage rapide vous explique comment installer nos bibliothèques et effectuer votre première requête à l'API Gemini à l'aide de l'API Interactions.

Avant de commencer

Pour utiliser l'API Gemini, vous devez disposer d'une clé API afin d'authentifier vos requêtes, d'appliquer des limites de sécurité et de suivre l'utilisation de votre compte.

Pour commencer, créez-en un sans frais dans AI Studio :

Créer une clé API Gemini

Installer le SDK Google GenAI

pip install -q -U google-genai

npm install @google/genai

Créer votre première demande

Il existe deux façons d'envoyer une requête à l'API Gemini :

• (Recommandé) L'API Interactions est une nouvelle primitive avec une prise en charge native de l'utilisation d'outils en plusieurs étapes, de l'orchestration et des flux de raisonnement complexes grâce à des étapes d'exécution typées. À l'avenir, les nouveaux modèles au-delà de la famille principale, ainsi que les nouvelles capacités et outils agentiques, seront lancés exclusivement sur l'API Interactions.
• generateContent permet de générer une réponse simple et sans état à partir d'un modèle. Bien que nous vous recommandions d'utiliser l'API Interactions, generateContent est entièrement compatible.

Cet exemple utilise l'API Interactions pour envoyer une requête à l'API Gemini à l'aide du modèle Gemini 3 Flash.

Si vous définissez votre clé API comme variable d'environnement GEMINI_API_KEY, elle sera automatiquement récupérée par le client lorsque vous utiliserez les bibliothèques de l'API Gemini. Sinon, vous devrez transmettre votre clé API en tant qu'argument lors de l'initialisation du client.

Notez que tous les exemples de code de la documentation de l'API Gemini supposent que vous avez défini la variable d'environnement GEMINI_API_KEY.

# This will only work for SDK newer than 2.0.0
from google import genai

# The client gets the API key from the environment variable `GEMINI_API_KEY`.
client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3-flash-preview", 
    input="Explain how AI works in a few words"
)

# Print the model's text response
for step in interaction.steps:
    if step.type == "model_output":
        for content_block in step.content:
            if content_block.type == "text":
                print(content_block.text)

// This will only work for SDK newer than 2.0.0
import { GoogleGenAI } from "@google/genai";

// The client gets the API key from the environment variable `GEMINI_API_KEY`.
const ai = new GoogleGenAI({});

async function main() {
  const interaction = await ai.interactions.create({
    model: "gemini-3-flash-preview",
    input: "Explain how AI works in a few words",
  });

  const modelStep = interaction.steps.find(s => s.type === 'model_output');
  if (modelStep) {
    for (const contentBlock of modelStep.content) {
      if (contentBlock.type === 'text') console.log(contentBlock.text);
    }
  }
}

main();

# Specifies the API revision to avoid breaking changes when they become default
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -H "Api-Revision: 2026-05-20" \
  -d '{
    "model": "gemini-3-flash-preview",
    "input": "Explain how AI works in a few words"
  }'

Mode sans état

Par défaut, l'API Interactions gère l'état de la conversation côté serveur lorsque vous utilisez previous_interaction_id. Si vous préférez gérer vous-même l'historique des conversations côté client, vous pouvez activer le mode sans état en définissant store=false et en transmettant les étapes accumulées dans le champ input des requêtes suivantes.

Pour en savoir plus et obtenir des exemples complets de conversations multitours sans état, consultez le guide de génération de texte.

Étape suivante

Maintenant que vous avez effectué votre première requête d'API, vous pouvez consulter les guides suivants qui montrent Gemini en action :

• Génération de texte
• Génération d'images
• Compréhension des images
• Raisonnement
• Appel de fonction
• Contexte long
• Embeddings