Gemini 模型：用 Interactions 组织图文输入

1. 先确认你读的是哪套 API

gemini.google.com 是应用；AI Studio 用于开发试验；Gemini API 用于程序调用。当前官方快速开始（来源更新于 2026-09-04 UTC）使用 Interactions API。

本课按这份说明组织 input，并读取 output_text。旧 GenerateContent 教程里的 contents、parts 和 candidates 属于另一套协议，不能与本课字段拼在同一个请求里。

2. 用文字和图片组成 input

官方 JavaScript 示例使用 @google/genai。服务端从环境变量 GEMINI_API_KEY 读取密钥，图片读成 Base64；input 中用 type 区分文字与图片，用 mime_type 说明真实文件类型。

下面按官方图文示例简化，只读 sample.jpg，不添加音频。模型标识来自这次文档示例，不表示所有账号都可调用；运行前检查模型权限和当前 SDK 版本。

import fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});
const interaction = await ai.interactions.create({
  model: "gemini-3.8-flash",
  input: [
    { type: "text", text: "列出图片中清晰可见的文字，不清晰的内容标为无法辨认。" },
    { type: "image", data: fs.readFileSync("sample.jpg").toString("base64"), mime_type: "image/jpeg" },
  ],
});
console.log(interaction.output_text);

3. 检查返回状态与图片依据

output_text 是 SDK 提供的便捷文本属性；原始响应也有状态和其他输出项。失败、未完成或没有可用文字时先保留未完成状态，不把空文本当成提取成功。

挑三个图片上能看清的字段对照。缺少图片、文件格式不符、图片模糊分别处理；数字还要检查币种和单位。不要根据商品常识补造图中没有的信息。

练习与核对

• 说明 Gemini 应用、AI Studio 与 API 的区别
• 设计一条包含文字和图片的 Interactions 输入
• 列出缺图、模糊和空结果的处理

按实际操作自查，完成标记与成果草稿请在互动版保存。

带走这一点

先对齐 API 版本与字段，再核对输入材料和输出依据。

资料与核对记录

已按 2026-09-04 更新的官方快速开始修正为 Interactions 图文输入；不混用旧 GenerateContent 字段。

本次核对公开官方资料，未登录产品账号、运行练习或发起付费调用。

• Gemini API 快速开始

  已核对资料 · 获取：2026年9月14日 · 来源更新：2026年9月4日

  Interactions API 的图文 input 和 output_text