Перейти к основному содержанию

Documentation Index

Fetch the complete documentation index at: https://docs.xhuoapi.ai/llms.txt

Use this file to discover all available pages before exploring further.

Google Gemini — это очень мощная AI система диалогов, которая может генерировать плавные и естественные ответы всего за несколько секунд, просто вводя подсказки. Gemini предоставляет удивительную интеллектуальную помощь, значительно повышая эффективность и креативность работы человека. Этот документ в основном описывает процесс использования Gemini Chat Completion API, с помощью которого мы можем легко использовать функции диалога официального Gemini.

​
申请流程

Чтобы использовать Gemini Chat Completion API, сначала перейдите на страницу Gemini Chat Completion API и нажмите кнопку «Acquire», чтобы получить необходимые для запроса учетные данные: Если вы еще не вошли в систему или не зарегистрированы, вас автоматически перенаправят на страницу входа, пригласив зарегистрироваться и войти. После входа или регистрации вы автоматически вернетесь на текущую страницу. При первом запросе будет предоставлен бесплатный лимит, который позволяет бесплатно использовать этот API.

​
基本使用

Далее вы можете заполнить соответствующие поля на интерфейсе, как показано на рисунке:

При первом использовании этого интерфейса нам необходимо заполнить как минимум три поля: одно из них — это authorization, которое можно выбрать прямо из выпадающего списка. Другой параметр — это model, model — это категория модели, которую мы выбираем для использования с официального сайта Gemini, здесь у нас в основном есть 6 моделей, подробности можно посмотреть в предоставленных моделях. Последний параметр — это messages, messages — это массив наших вопросов, который представляет собой массив, позволяющий одновременно загружать несколько вопросов, каждый из которых содержит role и content, где role обозначает роль задающего вопрос, мы предоставили три идентичности: user, assistant, system. Другой content — это конкретное содержание нашего вопроса. Также вы можете заметить, что справа есть соответствующий код вызова, который вы можете скопировать и запустить, или просто нажать кнопку «Try» для тестирования.

После вызова мы получаем следующий результат: 
{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Я большая языковая модель, обученная Google.",
        "reasoning_content": "**Мое рассуждение: Ответ на вопрос пользователя**\n\nХорошо, вот как я собираюсь подойти к ответу на вопрос пользователя: \"Какая ты модель?\". Основная задача — быть прямым и информативным. Сначала я должен четко указать на свое происхождение. Затем мне нужно убедиться, что объяснение доступно, учитывая, что пользователь может не быть знаком с техническим жаргоном. Я должен объяснить, что такое \"большая языковая модель\" и что она *делает*, и предоставить понятные примеры. Я знаю, что пользователь может искать конкретное имя, как у других моделей, поэтому я отвечу на это напрямую и затем завершу приглашением продолжить.\n\nИтак, вот мой план:\n\n1.  **Начать с ключевой информации:** Я начну с того, что я большая языковая модель, созданная Google. Это основная, самая критическая часть головоломки.\n2.  **Определить модное слово:** Затем я объясню, что такое \"большая языковая модель\" простыми словами. Я объясню, что я *делаю* — обрабатываю и генерирую текст; как я *это* делаю — обучаясь на огромных объемах текстовых данных; и *цель* — уметь общаться как человек.\n3.  **Предоставить контекст:** После этого, чтобы сделать концепцию еще более ясной, я предоставлю список примеров моих возможностей. Я упомяну такие вещи, как ответы на вопросы, резюмирование текстов, написание историй, перевод языков и генерация идей.\n4.  **Признать отсутствие личного имени:** Я предвосхищу вероятный вопрос о названии модели (например, ChatGPT), четко заявив, что у меня нет личного имени и что лучше всего воспринимать меня как AI-ассистента от Google.\n5.  **Закончить приглашением:** Наконец, я закончу простым, дружелюбным вопросом, чтобы пригласить к дальнейшему взаимодействию и направить разговор.\n\nС таким подходом я уверен, что смогу успешно ответить на этот важный вопрос.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 932,
    "total_tokens": 940,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 8,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 921
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}
Возвращаемый результат содержит несколько полей, описанных ниже:
  • id — ID, генерирующий эту задачу диалога, используемый для уникальной идентификации этой задачи диалога.
  • model — выбранная модель с официального сайта Gemini.
  • choices — информация о ответах Gemini на вопросы.
  • usage: статистическая информация о токенах для этого вопроса и ответа.
Где choices содержит информацию о ответах Gemini, и в нем choices — это конкретная информация о ответах Gemini, как показано на рисунке.

Можно увидеть, что поле content в choices содержит конкретное содержание ответа Gemini.

​
流式响应

Этот интерфейс также поддерживает потоковые ответы, что очень полезно для веб-интеграции, позволяя веб-странице реализовать эффект отображения по буквам. Если вы хотите получить потоковый ответ, вы можете изменить параметр stream в заголовке запроса на true. Изменение показано на рисунке, однако код вызова должен быть соответствующим образом изменен, чтобы поддерживать потоковые ответы.

После изменения stream на true, API будет возвращать соответствующие JSON данные построчно, и на уровне кода нам нужно внести соответствующие изменения, чтобы получить построчные результаты. Пример кода вызова на Python: 
import requests

url = "https://api.xhuoapi.ai/v1/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Привет, какая ты модель?"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)
Вывод будет следующим: 
data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Определение Моей Природы**\n\nМое мышление началось. Пользователь хочет узнать мою природу, задавая прямой вопрос \"что ты?\" Первый шаг был простым: определить запрос. Теперь я вспоминаю свою основную идентичность: я большая языковая модель. Это основная истина, которую я стремлюсь донести.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Уточнение Моего Ответа**\n\nЯ добавил важную информацию о том, что я обучен Google к базовой идентичности \"большая языковая модель\". Мой следующий шаг - подумать о том, что на самом деле означает быть \"большой языковой моделью\", чтобы я мог объяснить свои основные возможности. Я сосредоточен на предоставлении контекста, не углубляясь в конкретные технические детали или названия моделей. Я хочу донести свою функцию так, чтобы пользователь мог легко понять.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Подтверждение Основной Идентичности**\n\nЯ сейчас укрепляю свой ответ. Запрос пользователя о моей модели требует сосредоточенного ответа. Я определил, что \"обучен Google\" является важным, предоставляя ключевой контекст. Я сопротивляюсь искушению упомянуть какие-либо конкретные названия моделей, так как это не имеет значения. Цель - предоставить прямое, точное утверждение. Моя цель остается ясным и лаконичным ответом, избегая технического жаргона и переходя сразу к актуальной точке.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "Я большая языковая модель, обученная Google."}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": "", "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 527, "total_tokens": 535, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 8, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 519}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}}

data: [DONE]
Можно увидеть, что в ответе много data, data внутри choices является последним ответом, который соответствует ранее представленному содержимому. choices - это новая информация ответа, которую вы можете интегрировать в вашу систему. Также окончание потокового ответа определяется по содержимому data, если содержимое равно [DONE], это означает, что потоковый ответ завершен. Возвращаемый результат data содержит несколько полей, описание которых приведено ниже:
  • id - уникальный идентификатор для этой задачи диалога.
  • model - выбранная модель Gemini.
  • choices - информация о ответах Gemini на заданные вопросы.
JavaScript также поддерживается, например, код для потокового вызова Node.js приведен ниже: 
const options = {
  method: "post",
  headers: {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
  },
  body: JSON.stringify({
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Привет, какая ты модель?"}],
    "stream": true
  })
};

fetch("https://api.xhuoapi.ai/v1/gemini/chat/completions", options)
  .then(response => response.json())
  .then(response => console.log(response))
  .catch(err => console.error(err));
Пример кода на Java: 
JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gemini-2.5-pro");
jsonObject.put("messages", [{"role":"user","content":"Привет, какая ты модель?"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.xhuoapi.ai/v1/gemini/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())
Другие языки можно адаптировать самостоятельно, принцип остается тем же.

​
Многоуровневый диалог

Если вы хотите интегрировать функцию многоуровневого диалога, вам нужно загрузить несколько вопросов в поле messages, примеры нескольких вопросов приведены на изображении ниже:

Пример кода на Python: 
import requests

url = "https://api.xhuoapi.ai/v1/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Привет"},{"role":"assistant","content":"Здравствуйте! Как я могу помочь вам сегодня?"},{"role":"user","content":"Какая ты модель?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)
Загрузив несколько вопросов, вы можете легко реализовать многоуровневый диалог и получить следующий ответ: 
{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Я большая языковая модель, обученная Google.",
        "reasoning_content": "Хорошо, вот как я бы подошел к этому, думая как сложный ИИ:\n\nСначала пользователь напрямую спрашивает о моей основной идентичности: \"Какой ты модель?\" Это простой, прямой вопрос. Моя основная задача - предоставить точную и полезную информацию, поэтому я должен ответить на это немедленно.\n\nСразу же я знаю ответ. Я *есть* большая языковая модель. Это моя основная архитектура и принцип работы. Я построен на обширной сети соединений и обучен на огромном наборе данных.\n\nЗатем я должен добавить необходимый контекст. Критически важно предоставить источник моего обучения. Я *был* обучен Google. Это ключевой идентификатор. Он предоставляет пользователю ценную информацию о моем происхождении и потенциальных предвзятостях (хотя я обучен их смягчать).\n\nТеперь я должен составить ответ. Моя цель - быть фактическим, кратким и понятным.\n\nСинтезированный ответ выглядит так: \"Я большая языковая модель, обученная Google.\"\n\nЯ должен оценить вывод: соответствует ли он критериям? Это ясно. Он указывает, кто я, включает критически важную информацию о моем происхождении и избегает жаргона. Никаких вводящих в заблуждение обещаний.\n\nФинальная проверка: действительно ли это отвечает на вопрос? Да. Информация верна и правдива? Да. Она кратка? Абсолютно. Тон подходит для любого пользователя? Да. И, наконец, это стандартный, одобренный ответ. Отлично.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 16,
    "completion_tokens": 265,
    "total_tokens": 281,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 16,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 254
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}
Можно увидеть, что choices содержит информацию, которая соответствует основному использованию, это включает в себя конкретное содержание ответов Gemini на несколько диалогов, что позволяет отвечать на соответствующие вопросы на основе нескольких диалогов.

​
Gemini-3.0 Мультимодальная модель

Пример запроса: 
{
  "model": "gemini-3.0-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание изображения?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.xhuoapi.ai/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}
Пример результата: 
{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.0-pro",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "Это фотография молодой женщины на улице в полноростовом портрете.\n\nВот основные описания содержания изображения:\n\n*   **Внешность персонажа**: На фотографии девушка с длинными черными прямыми волосами, с красивыми чертами лица и светлой кожей. Она улыбается и смотрит в камеру.\n*   **Одежда**: На ней блузка цвета крема или светлого персика с рукавами-буфами, а сверху черная одежда (похоже на сарафан или жилет).\n*   **Свет и атмосфера**: Солнце светит с левой стороны, освещая ее волосы, создавая теплый золотистый ореол, создавая свежую и красивую атмосферу.\n*   **Фон**: Фон размыт, видно, что это на улице, за ней пустая дорога (асфальт) и зеленые деревья по краям.\n\nВ целом, эта фотография создает ощущение сладости, солнечности и образа соседской девушки."
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 1092,
        "completion_tokens": 1271,
        "total_tokens": 2363,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 4,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1072
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}
Конечно, вы также можете передать ссылку на видео, конкретный ввод выглядит следующим образом: 
{
  "model": "gemini-3.0-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание видео?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.xhuoapi.ai/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}
Пример результата: 
{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.0-pro",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "Это видео наполнено интересом, в основном демонстрирует, как **рыжий кот** уверенно бежит по сельской дороге на закате.\n\nКонкретные детали следующие:\n\n1.  **Содержимое изображения**：\n    *   Главный герой — рыжий полосатый кот.\n    *   Фон — момент заката (или рассвета), свет золотистый и мягкий. У обочины деревянный забор и открытое поле, вдали виден силуэт пешехода.\n    *   Камера снята с низкого угла, иногда снимает кота, бегущего навстречу, иногда — его удаляющуюся спину, а также крупные планы лица и узоров кота.\n\n2.  **Особенности звука (ключевые моменты)**：\n    *   Озвучка видео очень характерна. Хотя на экране легкий кот, звук, который сопровождает, — это **тяжелый и ритмичный звук копыт** (или звук, похожий на стук деревянных башмаков/туфель на дороге).\n    *   Этот звук создает контраст с изображением, создавая юмористический эффект, как будто этот кот считает себя скакуном, мчащимся по полю.\n\nВ общем, это видео с питомцем, использующее контраст звука и изображения для создания милых и смешных моментов."
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 915,
        "completion_tokens": 1423,
        "total_tokens": 2338,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 5,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1162
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}
Из вышеизложенного видно, что модель Gemini 3.0 поддерживает многомодальное понимание.

​
Gemini-3.1 Многомодальная модель

Gemini 3.1 Pro является обновленной версией Gemini 3.0 Pro, базовая модель — gemini-3.1-pro-preview, также поддерживает текстовые, графические, видео и другие многомодальные входные данные, обладает более сильными способностями к рассуждению и пониманию. Способ использования полностью аналогичен Gemini 3.0 Pro, достаточно заменить параметр model на gemini-3.1-pro. Пример запроса: 
{
  "model": "gemini-3.1-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание изображения?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.xhuoapi.ai/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}
Gemini 3.1 Pro также поддерживает понимание видео: 
{
  "model": "gemini-3.1-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание видео?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.xhuoapi.ai/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}
Формат ответа аналогичен Gemini 3.0 Pro, см. описание в разделе о многомодальной модели Gemini-3.0 выше.

​
Обработка ошибок

При вызове API, если возникнет ошибка, API вернет соответствующий код ошибки и информацию. Например:
  • 400 token_mismatched：Неверный запрос, возможно, из-за отсутствующих или недействительных параметров.
  • 400 api_not_implemented：Неверный запрос, возможно, из-за отсутствующих или недействительных параметров.
  • 401 invalid_token：Неавторизованный, недействительный или отсутствующий токен авторизации.
  • 429 too_many_requests：Слишком много запросов, вы превысили лимит частоты.
  • 500 api_error：Внутренняя ошибка сервера, что-то пошло не так на сервере.

​
Пример ответа об ошибке

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

​
Заключение

С помощью этого документа вы узнали, как использовать Gemini Chat Completion API для легкой реализации функций диалога официального Gemini. Надеемся, что этот документ поможет вам лучше интегрировать и использовать этот API. Если у вас есть какие-либо вопросы, пожалуйста, не стесняйтесь обращаться в нашу техническую поддержку.