輸出、輸入與串流

SDK 支援多模態輸入附件、即時回應串流，以及 用於結構化 JSON 輸出的 Pydantic 結構描述驗證。

串流回應與推理

在含延伸推理的對話回合中，模型會在產生文字回應 Token 之前先發出思考。您可以在發生時串流內部模型思考與文字 Token：

import sys
from google.antigravity import Agent, LocalAgentConfig

config = LocalAgentConfig()

async with Agent(config) as agent:
    response = await agent.chat("Solve this riddle and explain your reasoning:")

    # Stream internal model thoughts in real time
    print("Reasoning:")
    async for thought in response.thoughts:
        sys.stdout.write(thought)
        sys.stdout.flush()
    print("\n")

    # Stream conversational response tokens
    print("Response:")
    async for token in response:
        sys.stdout.write(token)
        sys.stdout.flush()
    print("\n")

多模態附件

若您正在建構多模態代理應用程式，也可在文字提示詞之外加入圖片與 PDF。

例如，你可以附加 PDF 規格與圖片，使用 from_file() 或 Image.from_file():

from google.antigravity import Agent, LocalAgentConfig
from google.antigravity.types import Image, from_file

config = LocalAgentConfig()

async with Agent(config) as agent:
    pdf_spec = from_file("spec.pdf")
    chart_image = Image.from_file("chart.png")
    prompt = [
        "Analyze this chart against the specification:",
        chart_image,
        pdf_spec,
    ]
    response = await agent.chat(prompt)
    print(await response.text())

使用 Pydantic 的結構化輸出

某些情況下，您可能希望代理應用程式的回應永遠以特定格式輸出。

例如，你可以使用強制符合 Pydantic 結構描述的型別化 JSON 回應， 使用 response_schema:

import pydantic
from google.antigravity import Agent, LocalAgentConfig

class TaskSummary(pydantic.BaseModel):
    summary: str
    action_items: list[str]

config = LocalAgentConfig(response_schema=TaskSummary)

async with Agent(config) as agent:
    response = await agent.chat("Summarize the meeting notes.")
    data = await response.structured_output()
    print(data["action_items"])

範例程式碼

關於完整的可運作程式碼範例，請查看 GitHub 儲存庫：

• structured_output.py
• streaming.py
• multimodal.py