Gemini + Streamlit 開發 GenAI App

課程概述

Streamlit 是很多 Python 開發者愛用的快速原型工具，用純 Python 就能做出互動式 Web 應用，完全不用碰前端。再接上 Gemini API，你常常幾個小時就能把一個 GenAI 的點子變成跑得起來的原型。這門課就是要帶你走通這條從想法到原型的捷徑。

你將學到

• 使用 Streamlit 建構 GenAI 應用的互動介面
• 整合 Gemini API 進行文字生成、多模態問答與對話
• 實作對話記憶與 Session State 管理
• 將 Streamlit 應用容器化並部署到 Cloud Run
• 理解原型與生產應用之間的架構差異

核心概念

Streamlit 的優勢與適用場景

Streamlit 讓你用寫 Python 腳本的方式做 Web 應用：st.text_input() 建輸入框、st.write() 顯示內容、st.chat_message() 做對話介面。它最大的好處就是快，不用碰 HTML、CSS、JavaScript，也不用搞前後端分離。最適合拿來做這些東西：內部工具、PoC 展示、資料探索應用、AI Demo。

Gemini 與 Streamlit 的整合

接 Gemini API 其實幾行就搞定：用新版 google-genai SDK 建立 client = genai.Client()，把使用者輸入當成 Prompt 丟進 client.models.generate_content(model=..., contents=...)，再用 st.write() 把結果印出來（舊版 google-generativeai SDK 那套 GenerativeModel(...).generate_content() 寫法已經被標成 legacy，建議改用 google-genai）。如果是對話應用，就用 Streamlit 的 st.session_state 存對話歷史，每次請求都把完整歷史丟給 Gemini 的 Chat 模式，多輪對話才接得上前後文。

Session State 管理

Streamlit 的執行模型是「每次互動就把整個腳本重跑一遍」，所以跨互動的狀態得靠 st.session_state 存起來。以 GenAI 對話應用來說，至少有三種狀態要管：對話歷史（messages 列表）、模型設定（Temperature、System Instruction 等），還有應用狀態（載入中、錯誤等）。

從原型到生產的差距

Streamlit 拿來做原型很順，但搬到生產環境就有幾個地方要小心：並行處理撐不太住（所有使用者 Session 共用同一個 Python 進程，各自跑在獨立執行緒裡，會被 GIL 跟單進程的資源卡住）、沒有內建的認證跟權限管理、複雜的前端互動也很難做。等原型驗證過了，建議把核心邏輯抽出來變成獨立的 API 服務，另外做一套生產級的前端，Streamlit 應用就留著當內部的快速測試工具。

實作重點

• 建立一個 Streamlit 聊天應用，整合 Gemini API 實現多輪對話
• 加入側邊欄控制面板：Temperature 滑桿、模型選擇、System Instruction 輸入
• 實作檔案上傳功能，讓使用者上傳圖片後用 Gemini 的多模態能力分析
• 撰寫 Dockerfile 將應用容器化，部署到 Cloud Run 並設定環境變數
• 加入基本的使用者回饋機制（如按讚/按倒讚按鈕）收集回應品質資料

Lab 導讀

Lab 連結：Develop GenAI Apps with Gemini and Streamlit — Google Cloud Skills Boost

這個 Lab 會從零帶你做一個 Streamlit + Gemini 的應用，再部署到 Cloud Run。操作起來算直覺，很適合拿來練手 GenAI 應用開發。建議把 Lab 的基本要求做完後，再試著加點額外功能（像是多模態上傳、Prompt 模板選擇），順便想想這套架構怎麼套到你自己的應用場景。

延伸學習

• 建構 GenAI 應用 — 更生產級的 GenAI 應用架構
• Gemini 開發者指南 — Gemini API 的進階功能
• GenAI 驅動網站現代化 — 在既有網站中整合 AI 功能