Начало работы с Gemini Deep Research API

Руководство по использованию нового агента Gemini Deep Research через Interactions API для выполнения сложных исследовательских задач, генерации изображений и перевода результатов.

Это AI-перевод статьи, сделанный каналом Про AI: Лучшие Статьи и Исследования.

Начало работы с Gemini Deep Research API

Getting Started with Gemini Deep Research API Автор: Philipp Schmid Оригинальный текст:

Это руководство демонстрирует, как использовать нового агента Gemini Deep Research через Interactions API для выполнения сложных исследовательских задач, генерации изображений на основе результатов и их перевода.

Предварительная версия: Агент Gemini Deep Research в настоящее время находится в режиме предварительного просмотра. Он доступен исключительно через Interactions API. Доступ через generate_content невозможен.

!uv pip install google-genai --upgrade

import time
from google import genai
from IPython.display import display, Markdown

client = genai.Client()

1. Базовая исследовательская задача (Polling)

Следующий пример показывает, как запустить исследовательскую задачу в фоновом режиме и опрашивать результаты. Это стандартный способ взаимодействия с агентом Deep Research.

prompt = "Research the history of Google TPUs."

interaction = client.interactions.create(
    agent='deep-research-pro-preview-12-2025',
    input=prompt,
    background=True
)

print(f"Research started: {interaction.id}")
# Опрос результатов
while True:
    interaction = client.interactions.get(interaction.id)
    if interaction.status == "completed":
        print(f"Research completed: {interaction.id}")
        break
    elif interaction.status == "failed":
        print(f"Research failed: {interaction.error}")
        break

    print(".", end="", flush=True)
    time.sleep(10)

display(Markdown(interaction.outputs[-1].text))

Пример вывода — развёрнутый анализ эволюции Google TPU:

• Истоки: Проект TPU (Tensor Processing Unit) был начат в 2013 году, когда инженеры Google осознали, что существующая инфраструктура на CPU и GPU не сможет выдержать вычислительные требования повсеместного голосового поиска и приложений глубокого обучения без удвоения площади дата-центров.
• Смена архитектурной парадигмы: В отличие от архитектуры фон Неймана в CPU, TPU используют архитектуру систолической матрицы. Данные проходят через тысячи арифметико-логических устройств без обращения к памяти для промежуточных результатов, что резко повышает эффективность матричных умножений.

2. Продвинутая исследовательская задача (Streaming, Thinking, Prompting)

Deep Research поддерживает streaming (потоковую передачу) для получения обновлений о ходе исследования в реальном времени (thinking_summaries). Вы можете направлять вывод агента, предоставляя конкретные инструкции в промпте.

# Определяем сложный промпт с инструкциями по форматированию
prompt = """
Research the history and future developments of the Google TPUs.

Focus on:
1.  Key technological breakthroughs in the last 12 months.
2.  Major competitors and their projected timelines for mass production.
3.  Future developments and plans for 2026 and beyond

Format the output:
- as a strategic briefing document for an developer educating themselves about the Google TPU landscape.
- Include a table comparing the top 3 leading companies.
- Use short concise sentence and bullet points.
"""

stream = client.interactions.create(
    agent="deep-research-pro-preview-12-2025",
    input=prompt,
    background=True,
    stream=True,
    agent_config={
        "type": "deep-research",
        "thinking_summaries": "auto"
    }
)

interaction_id = None
last_event_id = None
report = ""

for chunk in stream:
    if chunk.event_type == "interaction.start":
        interaction_id = chunk.interaction.id
        print(f"Interaction started: {interaction_id}")

    if chunk.event_id:
        last_event_id = chunk.event_id

    if chunk.event_type == "content.delta":
        if chunk.delta.type == "text":
            report += chunk.delta.text
        elif chunk.delta.type == "thought_summary":
            print(f"{chunk.delta.content.text}\n", flush=True)

    elif chunk.event_type == "interaction.complete":
        print(chunk)
        print("\nResearch Complete")

prev_ia = client.interactions.get(interaction_id)
print(prev_ia)

display(Markdown(report))

Полный отчёт: https://gist.github.com/philschmid/68c5afacfd3a3555ca834ba27415ba88

3. Комбинирование Deep Research с взаимодействиями модели

Interactions API поддерживает stateful-взаимодействия (взаимодействия с сохранением состояния), что позволяет продолжить диалог после получения итогового отчёта, используя previous_interaction_id.

Вы можете продолжить разговор после получения итогового отчёта, используя модель для визуализации результатов или их перевода с помощью Gemini Flash.

import base64
from IPython.display import Image

print("Generating image...")
image_interaction = client.interactions.create(
    model="gemini-3-pro-image-preview",
    input="Visualize the report into a timeline slide",
    previous_interaction_id=interaction_id,
)

image_data = [data for data in image_interaction.outputs if data.type == "image"]

for output in image_data:
    image_data = base64.b64decode(output.data)
    display(Image(data=image_data))

print("Translating...")
translate_interaction = client.interactions.create(
    model="gemini-3-flash-preview",
    input="Translate the report into simple German.",
    previous_interaction_id=interaction_id,
)

display(Markdown(translate_interaction.outputs[-1].text))

Пример вывода перевода на немецкий:

Подпишитесь на канал и каждый день читайте лучшие материалы про AI переведенные на русский!

Нашли интересную статью для перевода? Пришлите нашему боту: @ailongreadsbot