generative-ai
Google Cloud 官方生成式 AI 学习库，含 Gemini 模型、Agent 开发、RAG
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
Google Cloud 官方生成式 AI 学习库，含 Gemini 模型、Agent 开发、RAG
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：你在某个深夜，用几行 Python 代码调用了 Gemini API，看着屏幕上 AI 生成了第一段文字、识别了第一张图片，那种兴奋感让你连续几天都在研究怎么让 AI 做更多事情。但很快，你发现自己在 GitHub 和各种文档之间来回跳转，缺乏一个系统性的学习路径——从最基础的 API 调用，到 RAG 检索增强生成，再到用 Agent 开发套件构建真正的智能体应用。
GoogleCloudPlatform/generative-ai 正是为这个阶段而生。它不是某个单一工具，而是一个由 Google Cloud 官方维护的「生成式 AI 学习资源库」，收录了从 Jupyter Notebook 示例代码到完整应用架构的数十个参考实现，涵盖了 Gemini 模型调用、Agent 开发、RAG 检索、代码执行、企业搜索等几乎所有主流 AI 应用方向。
图1：Gemini 模型家族概览，展示了从轻量级到超大杯的多层次模型选择
这个仓库最初是 Google Cloud 团队为了推广 Vertex AI 平台上的生成式 AI 能力而创建的学习资源库。随着 2024-2025 年 Gemini 系列模型的快速迭代，仓库内容也从最初的模型 API 调用示例，逐步扩展到了 Agent 开发、RAG 企业落地、多模态应用等多个方向。
2025-2026 年，Google 将 Vertex AI 的 AI Agent 能力整合升级为 Gemini Enterprise Agent Platform，这是 Google Cloud 面向企业级 AI 应用的全新入口。仓库也随之改版，目录结构更加清晰，从最初的几个文件夹扩展到了 gemini（Gemini 模型使用）、agents（Agent 开发）、rag-grounding（RAG 检索增强）、search（企业搜索）、open-models（开源模型）、partner-models（第三方模型）等十多个子目录，对应了 Google Cloud 上几乎所有的生成式 AI 服务。
仓库目前保有 16,926 颗 Stars 和 4,232 个 Forks，是 Google Cloud 官方账号下最受欢迎的开源仓库之一，持续更新的节奏也说明官方对这块投入力度不小。
如果用一句话概括，这个仓库就是「Google Cloud 生成式 AI 服务的官方示例集」。它的定位介于文档和代码之间——比纯文档更具体，比生产级代码更易懂。仓库的核心内容是 Jupyter Notebook（.ipynb 文件），这些 notebook 设计成了「即点即运行」的形式，可以直接在 Google Colab 或 Vertex AI Workbench 中打开，无需复杂的本地环境配置。
仓库内容可以分为以下几个主要板块：
gemini/ 目录是最核心的部分，包含了 Gemini 模型的各种使用方式。这里有最基础的入门 notebook（Gemini API 基本调用、多轮对话），也有进阶内容如 Function Calling（函数调用，让 AI 能执行外部工具）、Context Caching（上下文缓存，降低长对话成本）、Code Execution（代码执行，让 AI 直接运行代码）、Context Caching（上下文缓存，优化长文本处理成本）。此外还有针对具体场景的示例，比如 Gemini 在代码生成、图像理解、视频分析等方面的应用。
agents/ 目录则专注于 AI Agent 的构建。这里有 Agent Development Kit（ADK）的参考实现，有 Agent Engine on Vertex AI 的完整教程，还有使用 Claude 模型配合 ADK 在 Agent Engine 上运行的混合示例。对于想构建多智能体协作系统的开发者来说，这个目录提供了 Google Cloud 原生方案和跨模型方案的双重参考。
rag-grounding/ 目录专注于 RAG（检索增强生成）和 Grounding（接地）技术。Grounding 是将 AI 的回答绑定到可信数据源的技术，对于企业级应用至关重要——它能有效减少幻觉，让 AI 的回答可追溯、可验证。这个目录提供了使用 Vertex AI Search（Google 的企业级搜索服务）构建 RAG 系统的完整方案。
open-models/ 目录则关注 Google Cloud 上的开源模型生态，包括如何通过 Model Garden SDK 访问开源模型（如 Llama、Mistral 等），以及如何通过 Terraform 自动化部署模型推理服务。
从代码组织来看，这个仓库遵循了 Google 的一贯工程风格。代码以 Python 为主（仓库整体被识别为 Jupyter Notebook 语言，即 Python 环境），notebook 文件有统一的模板规范（notebook_template.ipynb），并通过 GitHub Actions 自动执行 lychee 链接检查，确保示例代码中的外部链接不会失效。
代码质量方面，仓库使用 .ruff.toml 作为 Python 代码规范检查工具，这是现代 Python 项目的标准配置。README 文档结构清晰，每个子目录都有独立的 README 说明其用途，这对于一个大型学习资源库来说非常重要。安全性方面，仓库包含 .gitleaksignore 和 SECURITY.md，说明 Google 团队对代码安全有一定关注。
仓库中使用的 AI 框架主要包括：
vertexai Python 包）：Google Cloud 的模型服务 SDKgenerativelanguage 或 aiplatform 接口调用此外，仓库还涉及 Model Garden SDK（访问 Google Model Garden 上的各类模型）、Enterprise Search API（Google 企业搜索服务）、Grounding API（AI 回答接地）等 Google Cloud 原生服务。
从架构角度看，这个仓库不是一个独立的应用程序，而是多个参考实现（Reference Implementation）的集合。它的架构类型可以归类为「云服务 SDK 封装 + Jupyter Notebook 教学框架」，主要面向学习和原型验证场景，而非生产级部署。
Colab 路径是最推荐的入门方式。Google 在几乎每个 notebook 文件顶部都放了「Open in Colab」按钮，点击即可在 Google Colab 中打开并运行。Colab 提供了免费的 GPU 资源，对于基础学习来说完全够用。唯一需要注意的是，你需要有一个 Google 账号和一个启用了计费的 Google Cloud 项目（首次注册有 $300 免费额度）。
Vertex AI Workbench 路径适合需要更强算力的场景。Workbench 是 Google Cloud 上的托管 Jupyter 环境，可以直接挂载云端的大容量存储，适合处理大规模数据集或运行长时任务。
本地开发路径最复杂。你需要安装 Google Cloud SDK、配置 gcloud CLI、设置 Application Default Credentials（ADC），以及安装各种 Python 依赖包。仓库虽然没有提供 requirements.txt，但每个 notebook 的开头都有依赖说明，逐一安装并不困难，只是配置过程对新手不太友好。
纯阅读路径则完全没有门槛。即使不运行任何代码，你也可以通过阅读 README 和各个子目录的说明文档，了解 Google Cloud 生成式 AI 的全貌。
这个仓库有几个明显的局限性值得提及。
依赖 Google Cloud 生态是最主要的问题。所有示例都需要 Google Cloud 账号和 Vertex AI 访问权限，这意味着你无法在 AWS、Azure 或纯本地环境中使用这些示例。虽然这是 Google 维护的仓库的天然局限，但它确实限制了这个仓库的受众范围——更适合已经在使用或打算使用 Google Cloud 的开发者。
生产级参考有限。仓库中的代码主要是教学性质的 notebook，设计初衷是展示「怎么用」而非「怎么用好」。例如，一个生产级 RAG 系统需要考虑的向量数据库选型、召回率优化、多路召回、混合搜索等问题，在这个仓库中只有较为基础的示例。如果你是资深 ML 工程师，可能会觉得内容深度不够。
Colab 依赖的网络问题。由于 Colab 和 Google Cloud API 都需要稳定访问 Google 服务，对于中国大陆的开发者来说，可能需要科学上网才能正常使用。
维护质量的不一致性。由于仓库涵盖的领域非常广，不同子目录的维护质量参差不齐。一些热门目录（如 gemini/）更新频繁、内容丰富，而一些较新的方向（如某些 partner-models）的示例可能相对简略。
从行业角度看，这个仓库的价值不仅在于代码本身，更在于它反映了 Google Cloud 在生成式 AI 领域的战略布局。
多模态能力的集中展示。Gemini 的核心优势在于多模态——它原生支持文本、图像、音频、视频的统一处理。这个仓库的 vision/、audio/、translation/ 等目录，系统性地展示了 Google 在多模态 AI 方面的能力边界，对于想要评估 Gemini 多模态能力的开发者来说，是一份不可多得的参考材料。
Agent 生态的快速演进。从 2024 年的 Agent Engine 到 2025-2026 年的 ADK（Agent Development Kit），Google 在 AI Agent 方向的迭代速度非常快。这个仓库的 agents/ 目录忠实地记录了这一演进过程，包括 ADK 的引入、Claude + ADK 的跨模型支持、以及各种 Agent 模式的最佳实践。
企业级 AI 应用的标杆。RAG-Grounding 目录和 search/ 目录的存在，说明 Google 非常清楚企业级 AI 应用的真正需求不是「让 AI 自由发挥」，而是「让 AI 在可控范围内回答」。Grounding 技术和 Vertex AI Search 的深度整合，是 Google Cloud 在企业 AI 市场差异化竞争的核心。
开源模型的开放态度。open-models/ 目录的存在说明 Google 并不排斥开源生态。通过 Model Garden SDK，开发者可以在 Vertex AI 上访问 Llama、Mistral 等主流开源模型，这反映了 Google 在 AI 基础设施层面的开放策略。
GoogleCloudPlatform/generative-ai 是一个定位清晰、内容丰富的官方学习资源库。它不是要替代 Google 的官方文档，而是用可运行的代码将文档中的概念具象化。对于想要系统学习 Google Cloud 生成式 AI 服务的开发者来说，它是目前最好的起点之一——尤其是如果你计划使用 Vertex AI、Gemini 模型或 Agent 开发相关的服务。
但它也有明确的边界：不适合寻找生产级解决方案的资深工程师，也不适合不想接触 Google Cloud 生态的开发者。对于目标受众来说，它是教科书级别的资源——理解概念足够用，深入实践还需自行探索。
资源链接