URL context

Za pomocą narzędzia do kontekstu adresu URL możesz podać Gemini adresy URL jako dodatkowy kontekst promptu. Model może następnie pobierać treści z adresów URL i wykorzystywać je do tworzenia odpowiedzi.

To narzędzie jest przydatne do wykonywania takich czynności jak:

  • Wyodrębnianie najważniejszych punktów danych lub tematów z artykułów
  • Porównywanie informacji z różnych linków
  • syntezowanie danych z kilku źródeł.
  • odpowiadać na pytania na podstawie treści konkretnej strony lub stron;
  • analizowanie treści w określonym celu (np. tworzenie opisu stanowiska lub pytań testowych);

Z tego przewodnika dowiesz się, jak korzystać z narzędzia do kontekstu adresu URL w Gemini API.

Używanie kontekstu adresu URL

Z narzędzia do analizy kontekstu adresu URL możesz korzystać na 2 główne sposoby: samodzielnie lub w połączeniu z funkcją Grounding w wyszukiwarce Google.

Tylko kontekst adresu URL

W promptach podajesz konkretne adresy URL, które mają być przeanalizowane przez model.

Przykładowe prompty:

Summarize this document: YOUR_URLs

Extract the key features from the product description on this page: YOUR_URLs

Grounding with Google Search + URL Context

Możesz też włączyć kontekst adresu URL i Grounding w Google Search. Możesz wpisać prompt z adresami URL lub bez nich. Model może najpierw wyszukać odpowiednie informacje, a potem użyć narzędzia do odczytywania kontekstu adresu URL, aby lepiej zrozumieć wyniki wyszukiwania.

Przykładowe prompty:

Give me three day events schedule based on YOUR_URL. Also let me know what needs to taken care of considering weather and commute.

Recommend 3 books for beginners to read to learn more about the latest YOUR_subject.

Przykłady kodu z kontekstem tylko adresu URL

Python

from google import genai
from google.genai.types import Tool, GenerateContentConfig, GoogleSearch

client = genai.Client()
model_id = "gemini-2.5-flash-preview-05-20"

url_context_tool = Tool(
    url_context = types.UrlContext
)

response = client.models.generate_content(
    model=model_id,
    contents="Compare recipes from YOUR_URL1 and YOUR_URL2",
    config=GenerateContentConfig(
        tools=[url_context_tool],
        response_modalities=["TEXT"],
    )
)

for each in response.candidates[0].content.parts:
    print(each.text)
# get URLs retrieved for context
print(response.candidates[0].url_context_metadata)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({ apiKey: "GEMINI_API_KEY" });

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-2.5-flash-preview-05-20",
    contents: [
        "Compare recipes from YOUR_URL1 and YOUR_URL2",
    ],
    config: {
      tools: [{urlContext: {}}],
    },
  });
  console.log(response.text);
  // To get URLs retrieved for context
  console.log(response.candidates[0].urlContextMetadata)
}

await main();

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-05-20:generateContent?key=$GOOGLE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
      "contents": [
          {
              "parts": [
                  {"text": "Compare recipes from YOUR_URL1 and YOUR_URL2"}
              ]
          }
      ],
      "tools": [
          {
              "url_context": {}
          }
      ]
  }' > result.json

cat result.json

Python

from google import genai
from google.genai.types import Tool, GenerateContentConfig, GoogleSearch

client = genai.Client()
model_id = "gemini-2.5-flash-preview-05-20"

tools = []
tools.append(Tool(url_context=types.UrlContext))
tools.append(Tool(google_search=types.GoogleSearch))

response = client.models.generate_content(
    model=model_id,
    contents="Give me three day events schedule based on YOUR_URL. Also let me know what needs to taken care of considering weather and commute.",
    config=GenerateContentConfig(
        tools=tools,
        response_modalities=["TEXT"],
    )
)

for each in response.candidates[0].content.parts:
    print(each.text)
# get URLs retrieved for context
print(response.candidates[0].url_context_metadata)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({ apiKey: "GEMINI_API_KEY" });

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-2.5-flash-preview-05-20",
    contents: [
        "Give me three day events schedule based on YOUR_URL. Also let me know what needs to taken care of considering weather and commute.",
    ],
    config: {
      tools: [{urlContext: {}}, {googleSearch: {}}],
    },
  });
  console.log(response.text);
  // To get URLs retrieved for context
  console.log(response.candidates[0].urlContextMetadata)
}

await main();

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-05-20:generateContent?key=$GOOGLE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
      "contents": [
          {
              "parts": [
                  {"text": "Give me three day events schedule based on YOUR_URL. Also let me know what needs to taken care of considering weather and commute."}
              ]
          }
      ],
      "tools": [
          {
              "url_context": {}
          },
          {
              "google_search": {}
          }
      ]
  }' > result.json

cat result.json

Więcej informacji o funkcji Grounding z użyciem wyszukiwarki Google znajdziesz na stronie omówienia.

Odpowiedź kontekstowa

Odpowiedź modelu będzie się opierać na treściach pobranych z adresów URL. Jeśli model pobrał treści z adresów URL, odpowiedź będzie zawierać url_context_metadata. Odpowiedź może wyglądać mniej więcej tak: (ze względu na zwiększenie przejrzystości pominięto niektóre części odpowiedzi):

{
  "candidates": [
    {
      "content": {
        "parts": [
          {
            "text": "... \n"
          }
        ],
        "role": "model"
      },
      ...
      "url_context_metadata":
      {
          "url_metadata":
          [
            {
              "retrieved_url": "https://vertexaisearch.cloud.google.com/grounding-api-redirect/1234567890abcdef",
              "url_retrieval_status": <UrlRetrievalStatus.URL_RETRIEVAL_STATUS_SUCCESS: "URL_RETRIEVAL_STATUS_SUCCESS">
            },
            {
              "retrieved_url": "https://vertexaisearch.cloud.google.com/grounding-api-redirect/abcdef1234567890",
              "url_retrieval_status": <UrlRetrievalStatus.URL_RETRIEVAL_STATUS_SUCCESS: "URL_RETRIEVAL_STATUS_SUCCESS">
            },
            {
              "retrieved_url": "YOUR_URL",
              "url_retrieval_status": <UrlRetrievalStatus.URL_RETRIEVAL_STATUS_SUCCESS: "URL_RETRIEVAL_STATUS_SUCCESS">
            },
            {
              "retrieved_url": "https://vertexaisearch.cloud.google.com/grounding-api-redirect/fedcba0987654321",
              "url_retrieval_status": <UrlRetrievalStatus.URL_RETRIEVAL_STATUS_SUCCESS: "URL_RETRIEVAL_STATUS_SUCCESS">
            }
          ]
        }
    }
}

Obsługiwane modele

Ograniczenia

  • Narzędzie będzie używać do analizy maksymalnie 20 adresów URL na żądanie.
  • Aby uzyskać najlepsze wyniki w trakcie eksperymentowania, używaj narzędzia na standardowych stronach internetowych, a nie na treściach multimedialnych, takich jak filmy w YouTube.
  • W fazie eksperymentalnej narzędzie jest bezpłatne. Płatność nastąpi później.

  • Wersja eksperymentalna ma te limity:

    • 1500 zapytań dziennie na projekt w przypadku żądań wysyłanych przez interfejs Gemini API
    • 100 zapytań dziennie na użytkownika w Google AI Studio