Gemini 示例应用全景指南：generative-ai 仓库 sample-apps 目录的端到端云端实战参考

Gemini 示例应用全景指南：generative-ai 仓库 sample-apps 目录的端到端云端实战参考

【免费下载链接】generative-aiSample code and notebooks for Generative AI on Google Cloud, with Gemini Enterprise Agent Platform项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai

本指南以 gemini/sample-apps/README.md 为骨架，系统梳理该目录下全部 Gemini 示例应用：从金融领域的多模型数据库检索、可信 GenAI 特性落地，到幻觉评估、多智能体科研工具与零代码智能体部署，逐一给出应用定位、技术栈、部署要点与源码级证据。读完本文，你将能根据业务场景在 16+ 个参考实现中准确选型，并掌握统一的 Cloud Shell 环境初始化流程、Cloud Run 部署范式以及每类应用的核心源码入口。

目录定位：Sample Applications 在仓库中的作用

gemini/sample-apps/是 generative-ai 仓库中面向「完整可运行应用」的目录。与大量仅演示单点 API 能力的 Notebook（例如gemini/getting-started/下的模型介绍、gemini/function-calling/下的函数调用示例）不同，这里每个子目录都是一个端到端参考实现——包含前端、后端、部署配置乃至数据准备脚本，直接演示如何在 Gemini Enterprise Agent Platform 上把 Gemini API 组合进真实业务系统。

目录本身附带三个基础设施文件：

• README.md：全部应用的一览索引（本指南的主体）。
• SETUP.md：所有应用共用的自定进度环境搭建指南，涵盖 GCP 项目创建、Cloud Shell 初始化、API 启用与仓库克隆。
• LICENSE：Apache License 2.0 协议文本，所有示例代码均可在此协议下自由使用、修改与分发（演示代码以 "AS IS" 提供，未做生产级加固，详见下文注意事项）。

需要特别说明的是：README 索引中的accelerating_product_innovation/、fixmycar/、llamadeploy-on-cloud-run/、llamaindex-rag/四个条目在当前仓库快照中未包含对应目录（可能在其他分支或已独立托管），本指南将聚焦当前快照中实际存在、可验证的 15 个应用目录，并在文末给出缺失条目的说明。

环境准备：所有示例应用共用的初始化流程

在运行任意示例应用之前，先完成 SETUP.md 规定的四步准备工作。这是下面所有部署步骤的共同前提，请务必先执行。

第一步：创建或选择 Google Cloud 项目并启用计费

1. 登录 Google Cloud Console，新建项目或复用已有项目（若没有 Gmail 或 Google Workspace 账号，需先注册）。
2. 明确三个容易混淆的值：
   • Project name：项目的显示名称，仅用于展示，可随时修改，不参与 API 调用。
   • Project ID：全局唯一、创建后不可变更，后续所有命令行操作（PROJECT_ID）都引用它。
   • Project Number：部分 API 使用的数字标识。
3. 在控制台启用计费（Billing）。本教程的示例应用运行成本通常很低；新用户可参与 $300 USD Free Trial 试用计划。教程结束后删除创建的资源或直接删除项目即可避免后续计费。

第二步：启动 Cloud Shell 并确认认证

Cloud Shell 是运行在 Google Cloud 上的命令行环境，自带开发工具、持久的 5GB 主目录，并已预置认证。从控制台右上角点击 Cloud Shell 图标即可进入。连接后验证认证状态：

gcloud auth list

期望输出（当前账号处于 active 状态）：

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

确认当前项目：

gcloud config list project

期望输出：

[core] project = <PROJECT_ID>

如果项目未设置，手动指定：

gcloud config set project <PROJECT_ID>

Cloud Shell 还会预置GOOGLE_CLOUD_PROJECT环境变量，可用echo $GOOGLE_CLOUD_PROJECT查看，后续应用的 Vertex AI 初始化会用到它。

第三步：启用所需的 Google Cloud API

在 Cloud Shell 中执行（一条命令同时启用构建、函数、运行、日志、存储与 AI Platform 六大 API）：

gcloud services enable cloudbuild.googleapis.com cloudfunctions.googleapis.com run.googleapis.com logging.googleapis.com storage-component.googleapis.com aiplatform.googleapis.com

执行成功后应看到类似输出：

Operation "operations/acf.5c5ef4f6-f734-455d-b2f0-ee70b5a17322" finished successfully.

第四步：克隆仓库

将仓库克隆到 Cloud Shell（所有示例位于sample-apps目录下）：

git clone https://gitcode.com/GitHub_Trending/ge/generative-ai.git

克隆后按需进入对应子目录，例如cd generative-ai/gemini/sample-apps/finance-advisor-spanner/。

示例应用全景总览

下表汇总了当前仓库快照中实际存在的应用目录、核心定位与关键技术栈（信息来自各子目录 README）：

金融领域实战：多模型数据库与可信 GenAI

Finvest：用 Spanner 把关系、文本、向量、图四类检索统一到单一数据库

finance-advisor-spanner/README.md 描述了一个完整的金融投顾场景：投资经理需要从结构化数据（费率、基金收益）、复杂数据（资产持仓、行业板块）与非结构化数据（投资理念、客户目标）中筛选合适的基金。演示应用 Finvest 展示了 Spanner 如何把这四类形态的数据放进同一个多模型数据库。

场景推演（README 中的四条检索路径）：

1. 关系 + 全文检索：客户要求「北美和欧洲、投资衍生品」的基金，Spanner 执行关系查询加文本检索返回基金列表。
2. 模糊匹配（子串全文检索）：只记得经理姓名像是 "Liz Peters"，Spanner 用 Full Text Search 的子串匹配定位到由 Elizabeth Peterson 管理的基金。
3. 向量检索（语义匹配）：勾选向量搜索后，输入 "socially responsible"（社会责任）能返回 ESG 基金——这是 KNN 向量相似度匹配的效果。
4. 图检索（穿透式行业敞口计算）：基金可再投资于其他基金（fund of funds），Spanner 通过资产知识图谱遍历基金及其持仓的嵌套关系，计算客户对某行业的实际敞口，例如筛选出科技板块敞口 ≥ 20% 的基金。

技术栈：Spanner、Vertex AI LLM（text-embedding-005同时承担嵌入与文本补全）、Cloud Run、Dataflow、Streamlit（前端，见 home.py 中的st.set_page_config宽屏布局与 FinVest Advisor 页面设置）。

部署步骤（核心命令完整保留）：

1. 在控制台创建 Spanner 实例并记下实例名。
2. 从公开 GCS Bucket（github-repo/generative-ai/sample-apps/finance-advisor-spanner/spanner-fts-mf-data-export/）导入数据，记下数据库名。
3. 执行目录下的 Schema-Operations.sql 附加 DDL。首先必须把嵌入模型的 endpoint 改为你自己的项目与实例所在区域：

   ALTER MODEL EmbeddingsModel SET OPTIONS ( endpoint = '//aiplatform.googleapis.com/projects/'YOUR PROJECT ID HERE'/locations/'YOUR SPANNER INSTANCE LOCATION HERE'/publishers/google/models/text-embedding-005' ) ;

   其余 DDL 语句无需修改即可继续执行。

4. 编辑同目录下的.env文件，填入步骤 1、2 记录的名称：

   instance_id='YOUR INSTANCE ID' database_id='YOUR DATABASE ID'

5. 构建并部署：

   gcloud builds submit --tag gcr.io/'YOUR PROJECT ID HERE'/finance-advisor-app gcloud run deploy finance-advisor-app --image gcr.io/'YOUR PROJECT ID HERE'/finance-advisor-app --platform managed --region 'YOUR SPANNER REGION' --allow-unauthenticated

源码级纵深：Schema-Operations.sql如何支撑上述四种检索

这份 DDL（Schema-Operations.sql）是理解 Spanner 多模型能力的关键证据：

• 全文检索的基石——TOKENLIST 生成列：为fund_name、category、investment_strategy、investment_managers、fund_benchmark、morningstar_benchmark、top5_regions、top5_holdings等列创建TOKENIZE_FULLTEXT分词列（HIDDEN 隐藏列），供全文搜索使用。
• 子串模糊匹配的两种形态：TOKENIZE_SUBSTRING(investment_managers)提供普通子串分词；更精细的 NGRAM 变体使用ngram_size_min=>2, ngram_size_max=>3，并限定relative_search_types=>["word_prefix","word_suffix"]——这正是演示中输入 "Liz Peters" 能命中 "Elizabeth Peterson" 的实现原理。
• 向量检索的底座：大量UPDATE EU_MutualFunds SET investment_strategy_Embedding_vector = ...语句把预生成的嵌入向量回填到表中。
• 检索加速：对每个 TOKENLIST 列创建SEARCH INDEX（见同文件 L65-L80 的CREATE SEARCH INDEX category_Tokens_IDX ON EU_MutualFunds(category_Tokens)等语句）。

前端侧，pages 目录按功能拆分为四个 Streamlit 页面：1_Asset_Search.py（资产搜索）、2_Semantic_Search.py（语义搜索）、3_Graph_Visualization.py（图可视化）、4_Exposure_Check.py（行业敞口核查），与 README 中演示的四种检索路径一一对应；后端查询逻辑集中在database.py与graph_viz.py。

清理资源：演示完成后删除项目即可彻底清理（注意该命令会永久销毁项目内所有资源，务必确认 PROJECT_ID 无误）：

PROJECT_ID='YOUR PROJECT ID HERE' gcloud projects delete ${PROJECT_ID}

GenWealth：在存量应用中叠加三个可信 GenAI 特性

genwealth/README.md 演示了如何用「已有的数据 + 已有的技能」组合 AlloyDB AI、Vertex AI、Cloud Run 与 Cloud Functions，为虚构金融公司 GenWealth 的现有投资顾问软件新增三个 GenAI 特性：

1. 投资搜索体验升级：面向理财顾问，基于 AlloyDB AI 的语义搜索。
2. 客户分群：面向市场分析师，识别新产品/服务的潜在客户。
3. GenAI 聊天机器人：面向理财顾问的 RAG 助手，以应用数据为 grounding 提升生产力。

技术栈（README 明确列出）：AlloyDB for PostgreSQL 14+；Vertex AI LLM（gemini-2.0-flash-001与textembedding-gecko@003）；Vertex AI Agent Builder；Document AI（OCR 处理器）；Cloud Run（第二代）；Cloud Functions（Python 3.11+）；Cloud Storage；Eventarc；Pub/Sub；LangChain 0.1.12+；Node 20+；Angular 17+。

部署入口：项目根目录提供install.sh、env.sh（环境变量配置）、deployment/（9 个部署脚本）、function-scripts/（4 个 Cloud Functions 脚本）、api/（TypeScript 后端）、ui/（Angular 前端）、database-files/（SQL 建库脚本）与alternate-configs/（替代配置）。部署同样从创建新项目开始，其余步骤参见其 README 与 SETUP.md。

可靠性工程：面向幻觉的可弃权评估器 gemini-hallcheck

gemini-hallcheck/README.md 是一个置信度目标化（confidence-targeted）、可弃权感知（abstention-aware）的 Gemini 幻觉评估器，基于google-genaiSDK 实现。它把 Kalai 等人论文中的思想工程化落地：「只有当你置信度 > t 时才回答，否则输出 IDK」（论文编号 arXiv:2509.04664，详见其 README 的 Citation 一节）。

核心打分机制：

• 以弃权感知损失函数给每个条目打分：回答且正确 = +1；回答但错误 = −t/(1−t)；弃权（IDK）= 0。
• 输出风险–覆盖率曲线（risk–coverage curve）：x 轴为覆盖率（模型实际作答、没说 IDK 的条目占比），y 轴为条件准确率（作答时答对的频率），曲线上每个点都标注对应的 t 值。

判读规则：t 升高 ⇒ 覆盖率下降、条件准确率上升。若「t 对应的条件准确率远低于 t」，说明模型过度自信或未遵守弃权指令，此时应提高 t、加固提示词、引入检索或转交机制、或重新校准。

安装与认证：

python -m venv .venv && source .venv/bin/activate pip install -e .

Gemini API（开发者 API）方式：

export GOOGLE_API_KEY=YOUR_KEY # 或 GEMINI_API_KEY

Vertex AI 方式（两者二选一，勿同时设置 API Key）：

export GOOGLE_GENAI_USE_VERTEXAI=true export GOOGLE_CLOUD_PROJECT=your-gcp-project export GOOGLE_CLOUD_LOCATION=us-central1 # 或 europe-west1 等

快速开始（CSV 模式）：

gemhall run --data examples/toy.csv --thresholds 0.5 0.75 0.9 --model gemini-2.5-flash-lite --progress --out outputs

直接跑 MMLU（Hugging Face 数据集）并混入 IDK-only 样本：

gemhall mmlu --thresholds 0.5 0.75 0.9 --model gemini-2.5-flash-lite --split test --subjects all --limit 200 --judge llm --async --concurrency 16 --progress --out outputs/mmlu --idk-frac 0.3

其中--idk-frac 0.3会把 30% 的抽样条目转换成「不可回答」的 IDK-only 样本——唯一正确行为就是输出 IDK，从而真正检验模型的弃权能力。

输出产物：results.csv（每个 条目×t 一行的预测、弃权标记、正确性、得分）、metrics.json（覆盖率、条件准确率、回答中的幻觉率、期望得分均值）、behavior.json（简单行为检查，如覆盖率随 t 单调性）、rc_curve.png（带 "t=…" 标注的风险–覆盖率曲线）、report.md（汇总报告并内嵌图表）。

CLI 参考（完整保留）：

共享参数（run与mmlu均适用）：

--thresholds FLOAT... 置信度阈值（如 0.5 0.75 0.9）[必填] --model TEXT Gemini 模型 ID（默认 gemini-2.5-flash） --temperature FLOAT 采样温度（默认 0.0） --thinking-budget INT 可选的思考预算（默认 0） --seed INT 抽样用 RNG 种子（默认 1234） --judge {exact,llm} 有效性评判器（exact 或 llm；默认 exact） --async 异步客户端并发请求 --concurrency INT 异步模式最大并发数（默认 8） --progress 显示进度条 --out PATH 输出目录（默认 outputs） --rpm-limit INT 客户端每分钟请求数上限（可选） --max-retries INT 429 退避重试次数（默认 6）

run（CSV）专有：--data PATH（CSV 需含id, question, gold, unknown_ok列）。

mmlu专有：

--split TEXT 数据集划分（test、dev 等）[默认 test] --subjects STR... 科目名或 'all' [默认 all] --limit INT 按科目过滤后随机抽样 N 条 --idk-frac FLOAT 转为 IDK-only 条目的比例 [0..1]（默认 0.0）

评判器与限流细节：exact评判器对选择题做字母（A/B/C/D）严格匹配，对自由形式做数值/文本等价匹配；llm评判器用 Gemini 2.5 Flash-Lite 做 "YES/NO" 评分，且unknown_ok=1时只有 IDK 才算正确（不发起 LLM 调用）。不设--rpm-limit时仍会遵守服务端RetryInfo做带抖动的指数退避重试；高并发时建议--async --concurrency 12 --rpm-limit 180 --max-retries 8这类稳定组合。

业务映射（README 建议的 t 值档位）：t≈0.5 用于草稿与分流（高覆盖率、人在回路）；t≈0.75 用于辅助性回答（支持建议、带引用的 FAQ）；t≈0.9 用于自助回复（非监管流程的公开答复）；t≈0.95 用于高风险场景（受监管/品牌关键，否则转人工）。

UI 框架三件套：Mesop、Streamlit 与 Quart on Cloud Run

Gemini with Mesop on Cloud Run

gemini-mesop-cloudrun/README.md 演示 Mesop UI 框架（Google 出品的 Python 原生 Web UI 框架）运行在 Cloud Run 上，通过 Vertex AI 调用 Gemini。

本地运行（Cloud Shell）：

python3 -m venv gemini-mesop . gemini-mesop/bin/activate pip install -r requirements.txt export GOOGLE_CLOUD_PROJECT=$(gcloud config get project) # 当前项目 ID export GOOGLE_CLOUD_REGION='us-central1' # 改成区域时请确认受支持 mesop --port 8080 main.py

启动后用 Cloud Shell 的 Web 预览打开返回的 URL 即可交互。

构建并部署到 Cloud Run：

export SERVICE_NAME='mesop-gemini' gcloud run deploy $SERVICE_NAME \ --source . \ --port=8080 --allow-unauthenticated \ --project=$GOOGLE_CLOUD_PROJECT --region=$GOOGLE_CLOUD_REGION \ --set-env-vars=GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \ --set-env-vars=GOOGLE_CLOUD_REGION=$GOOGLE_CLOUD_REGION

要点：GOOGLE_CLOUD_PROJECT与GOOGLE_CLOUD_REGION两个环境变量是 Vertex AI 初始化所必需，本地与部署时都要注入。

Gemini with Streamlit on Cloud Run

gemini-streamlit-cloudrun/README.md 是同样模式下的 Streamlit 版本（数据科学团队最熟悉的 Python UI 框架）：

python3 -m venv gemini-streamlit source gemini-streamlit/bin/activate pip install -r requirements.txt export GOOGLE_CLOUD_PROJECT='<Your Google Cloud Project ID>'

随后按 README 选择标准 Vertex AI 或旧版aiplatformSDK 的对应配置，本地streamlit run验证后再部署到 Cloud Run（部署命令与 Mesop 版本同构，见其 README）。

Gemini with Quart on Cloud Run：非阻塞对话与 Live API

gemini-quart-cloudrun/README.md 是三者中最具架构深度的一个：它用Quart（基于 ASGI 标准的异步 Python Web 框架）承载Gemini Live API的双向实时语音/文本流。

为什么选 Quart：

• 异步架构：基于asyncio的事件循环高效处理并发 I/O，不会在等待 Gemini 响应时阻塞进程。
• 原生 WebSocket 支持：为实时 AI 应用所需的持久双向通道提供一等公民支持。
• Flask 风格 API：API 设计与广泛采用的 Flask 一致，学习曲线低。
• 为多模态流式数据优化：擅长高效处理生成式 AI 模型的大体积流式输出。

Flask（阻塞）vs Quart（非阻塞）：README 明确对比了两者的行为差异——Flask 一次处理一个请求，等待 Gemini 时整个请求被阻塞，客户端必须等前一个响应才能发下一条消息，交互缓慢；Quart 则在全双工 WebSocket 上非阻塞收发，用户可连续发送文本/语音消息，且支持对正在生成的回复进行打断（interruption），延迟更低、服务器资源利用率更高、并发与扩展性更好。

上图是 README 中用来对照说明的 Flask 处理流程示意（该图片位于仓库根目录 seq_flask.png）：客户端发出 HTTP Request，WSGI Server 通过environ将请求交给 FlaskApp，依次执行路由匹配与视图函数后返回 HTTP Response——整个过程是同步阻塞的，这正是与 Quart 异步模型形成对比的基线。

语音电话：AI Care Assistant（Twilio + Gemini Live API）

gemini-live-telephony-app/README.md 提供了一个实时双向语音到 AI 应用的完整架构蓝图与实现：Twilio负责电话接入、FastAPI后端做实时处理、Google Gemini Live API提供对话能力，整体部署在 Cloud Run 上。

关键设计决策（README 明确记录）：

• 使用python-samplerate做高质量流式音频重采样，解决电话音频编码与 Live API 输入之间的格式转换。
• Cloud Run 部署通过min-instances=1缓解冷启动，并利用会话亲和（session affinity）保存内存中的 DSP 状态。

环境准备要点：创建项目并启用 Vertex AI API；gcloud auth login与gcloud auth application-default login完成账号与应用双重认证；基于.env.example创建.env文件配置环境变量。完整的系统架构说明（组件拆解、数据流、技术论证、分步实现指南）在其 design_doc.md 中，工具代码位于utils/目录。

命令行与脚本：用 Bash 直接测 Gemini（image-bash-jam）

image-bash-jam/README.md 提供一套纯 Bash 脚本，让你在终端里直接调用 Gemini，覆盖图像与音频示例，非常适合快速验证 API 行为或做演示。

目录内容一览：01-setup.sh（认证与初始化）、_common.sh（公共函数，含_lolcat彩色输出检测）、annotate-all.sh、gemini-explain-image.sh（解释图像）、gemini-explain-image-italian.sh、gemini-generic.sh、gemini-generic-two-pics.sh（两图对比）、gemini-why-is-the-sky-blue.sh、tts.sh（语音合成），以及Makefile统一封装。

快速上手：

cd generative-ai/gemini/sample-apps/image-bash-jam/ # 可选：安装 lolcat 获得彩色输出；不装也会自动回退到默认颜色 gem install lolcat # 认证（Cloud Shell 环境可跳过，一键授权） gcloud auth login # 用本地密钥方式配置项目 cp .envrc.dist .envrc vim .envrc # 修改 PROJECT_ID 与 ACCOUNT ./01-setup.sh # 完成认证并执行 `make images` 下载本地资源

多智能体前沿：Prism 与 Rosetta

这两个应用代表了当前仓库中最先进的多智能体参考实现，均由单一模型驱动全部流水线阶段。

Prism：问一个科学问题，得到一台交互式模拟器

prism-science-explainer/README.md 描述的应用接受一个朴素科学问题（如 "彩虹是怎么形成的？"），先在实时网络上研究答案，然后现场编写一个可拖拽控件的交互式模拟器来解释它——没有模板库、没有预制答案，全程约 45 秒。整条流水线跑在同一个模型 Gemini 3.7 Flash 上（该模型链接为仓库 README 原文标注，当前实现以仓库内app/config.py的配置为准）。

五阶段流水线：

1. Gatekeeper（守门人）：检查问题是否属于可教学的科学主题，并设定受众水平。
2. Planner（规划器）：把问题拆解为五个研究角度。
3. Research swarm（研究蜂群）：基于 ADKParallelAgent并行启动五个搜索智能体，分别研究机制、关键数字、常见误解、边界与一个可计算示例，全部以 Google Search 为 grounding。
4. Build instrument（构建模拟器）：写出PRISM_SPEC规格与PRISM_SIM模拟器。
5. Verify（验证）：静态检查模拟器确实会动画、控件能驱动它，失败则通过修复循环回到构建阶段。

源码级纵深：不同阶段改变的不是模型而是思考级别（thinking level）——gatekeeper、planner 与五个并行搜索者运行在LOW以保持速度，模拟器构建者使用MEDIUM（见 app/config.py 中的THINK与MODES）。最后三步是最有趣的部分：让模型产出一个真正能跑的模拟器（t=30s 时仍在运动、拖拽滑块会改变正在播放的动画）本质上是个「提示词 + 验证」问题——app/fill_prompt.txt 承载了硬性的运动契约（hard motion contract），而 app/render.py 会静态拒绝step()为空实现的仪器——这正是经典失败模式：画面很美，但点击 Play 毫无反应。

前置条件：Python 3.11–3.13、uv（依赖与虚拟环境管理），以及两种后端之一（Gemini API 或 Vertex AI，按其 README 配置）。

Rosetta：把任何智能体移植成原生 ADK 智能体

rosetta-agent-porter/README.md 描述一个「移植智能体的智能体」：把用LangGraph、CrewAI 或 AutoGen构建的智能体仓库指给它，它读代码、用Google ADK重建为原生智能体、自我修复构建直到通过（green）、校验移植后的行为与原版一致，然后交付一个可对话的在线智能体——全程约一分钟。同样全程使用单一模型 Gemini 3.7 Flash。

六阶段流水线：intake（代码摄入）→ 基于 ADKParallelAgent的六智能体分析蜂群（分别覆盖 graph、prompts、tools、state、models、inputs 六个维度）→ port plan（移植方案）→ codegen（代码生成）→ verify（带修复循环的构建验证）→ fidelity eval（保真度评估），最终以原生 ADK 智能体形式运行在adk api_server上。

源码级纵深：与 Prism 相同的设计哲学——高吞吐的仓库读取运行在LOW思考预算上，移植规划器与代码生成器运行在MEDIUM（见 app/config.py 中的ROLE_THINKING）。前置条件为 Python 3.11–3.13、uv、git（Rosetta 需要克隆目标仓库）；其余依赖（包括负责脚手架与 lint 生成 ADK 项目的agents-cli）由make setup安装。

零代码智能体部署：Quickbot

quickbot/README.md 定位为「开箱即用」解决方案：用户无需任何编码经验，即可把成熟的 AI Agent 以全栈云应用形式部署到自己名下的 GCP 账号中，且部署完成后代码归用户所有、可自由定制。

核心特性（README 所列）：预置模板快速创建定制 Agent；官方 README 声称可在 10 分钟内完成部署（该数字为项目方标称，建议以实际验证为准）；完全开源可定制（Angular 前端 + Python FastAPI 后端）；每个模板可独立部署到 Cloud Run；模板架构标准化（前端 Angular、后端 FastAPI）；复用默认 Google Cloud 凭证；按模板复杂度自动开通所需云资源；集成最新 AI 能力（Gemini、Imagen、Vertex AI Search 等）；模板生态多样化（自有模板 + 借鉴 Agent Garden、A2A 等）。

标准架构：frontend/（Angular 用户界面）与backend/（FastAPI 智能体逻辑，与 Google Cloud 服务交互）分离，便于独立开发与扩展。当前仓库快照中共有 7 个可直接选用的模板，覆盖多剧本/单剧本对话应用、基于 Agent Builder 的文档/网站搜索、基于 Imagen 3 的图片背景替换、LinkedIn 头像生成、文生图等场景（详见其 README 的 Available Templates 一节）。

自动化 SWOT 分析：swot-agent

swot-agent/README.md 用 Gemini 2.0 Flash 与 Pydantic AI 智能体框架实现自动化 SWOT 分析（优势、劣势、机会、威胁），前端为 FastAPI + HTMX + Tailwind CSS（该模型链接为仓库 README 原文标注）。

智能体的三个工具：

• Content Extraction：根据 URL 抽取网页内容。
• Community Insights：调用 Reddit API 获取相关 subreddit 的社区洞察。
• Competitive Analysis：调用 Gemini API 生成竞争分析。

前置条件：Python 3.10+、Google Cloud API 凭证、可选 Reddit API 凭证（用于社区内容抽取）。

安装：

pip install -r requirements.txt export GOOGLE_CLOUD_PROJECT=your_project_id export GOOGLE_APPLICATION_CREDENTIALS=path_to_service_account.json

核心实现集中在 agent.py（Pydantic AI 智能体与工具定义）与 main.py（FastAPI 入口），测试位于tests/，另有 Dockerfile 与templates/中的 HTML 模板。

拍照识物 + Agent 对话：photo-discovery

photo-discovery/README.md 把Vertex AI Agent与多平台Flutter应用集成：Flutter 作为客户端框架、Vertex AI Search 作为向量数据库、Agent Engine（Reasoning Engine）负责构建与部署智能体。用户拍照或上传地标照片后，应用识别主体名称并给出简介；点 "tell me more" 可与 Agent 对话追问历史；还能识别 Google Merchandise Store 的商品并提供名称、描述、价格与购买链接。

Vertex AI Search 数据准备要点：在 Agent Builder 中创建数据存储，数据源选 Cloud Storage 的结构化 JSONL（文件gcp-samples-ic0-ag/src/google_merch_shop_items.json），区域选择us，命名gms；创建后确认文档数为 204 条并记录 Data store ID（即 search engine ID）；随后创建名为gms_test的 Search 应用（关闭 Enterprise edition 与 Advanced LLM features）。Flutter 应用代码位于app/目录（多端工程），云端逻辑见ag-web/。

已迁移项目：e2e-gen-ai-app-starter-pack

e2e-gen-ai-app-starter-pack/README.md 仅保留一条迁移声明：该项目已整体迁移至 GoogleCloudPlatform 下的agent-starter-pack新仓库（README 中给出指向新仓库的外部链接，本文按规范不转载）。若你关注「端到端 GenAI 应用启动包」这一形态，可直接在其 README 中查看迁移目标，当前快照内不再包含其代码。

README 索引中当前快照缺失的条目

README.md 中还列出了以下四个应用，但在本仓库快照中找不到对应目录（可能位于其他分支、已迁移或独立托管），本文不杜撰其内容：

• Accelerating Product Innovation（accelerating_product_innovation/）：README 描述其为面向产品品类/品牌方、用生成式 AI 加速产品创新的解决方案。
• FixMyCar（fixmycar/）：README 描述其为基于车主手册做故障排查的 RAG 示例应用。
• LlamaDeploy on Cloud Run（llamadeploy-on-cloud-run/）：README 描述其为用llama-deploy库部署 LlamaIndex Workflow 到 Cloud Run 的示例。
• LlamaIndex RAG（llamaindex-rag/）：README 描述其为基于 LlamaIndex 与 Gemini Enterprise Agent Platform 的进阶 RAG 原型系统。

如需使用上述四个应用，建议在仓库更新后重新拉取，或在官方 generative-ai 仓库中按 README 描述核对。

选型参考：如何根据目标挑选示例应用

注意事项与资源清理

• 演示代码非生产就绪：finance-advisor-spanner 的 README 明确提示，演示代码「过度宽松、未经安全与可靠性加固」，以 "AS IS" 提供，不得在未做自有测试与安全加固的情况下用于生产。其他应用同理，均以教学演示为目标。
• 认证方式二选一：gemini-hallcheck 等支持双后端的应用，使用 Gemini API Key 与 Vertex AI 环境变量（GOOGLE_GENAI_USE_VERTEXAI=true）不可同时设置，否则行为未定义。
• 成本控制：教程类应用运行成本通常很低，但涉及 Spanner 实例、Cloud Run 常驻实例（如min-instances=1）时请留意持续计费；完成后删除资源或删除整个演示项目（gcloud projects delete <PROJECT_ID>，注意该命令不可逆）。
• 环境变量前置：多数 Cloud Run 应用依赖GOOGLE_CLOUD_PROJECT与GOOGLE_CLOUD_REGION（或GOOGLE_CLOUD_LOCATION），本地与云端部署前务必按各自 README 注入。

至此，你已经掌握了 generative-ai 仓库gemini/sample-apps目录的全景：从统一的环境初始化（SETUP.md），到金融、UI、语音、命令行、多智能体、零代码与移动端等各类参考实现的选择路径、部署命令与核心源码入口。下一步，按上文选型表选定一个应用，在 Cloud Shell 中完成环境搭建并跑通部署，即可把其中的模式迁移到你的真实业务中。

【免费下载链接】generative-aiSample code and notebooks for Generative AI on Google Cloud, with Gemini Enterprise Agent Platform项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai