GeminiNotebook怎么接入API详细教程-人工智能-PHP中文网

gemini notebook无原生api，必须通过dataeyes.ai等中转平台代理调用：需选择gemini-notebook-3.1-pro模型，构造含document_id的context字段请求，且document_id须预先在中转实例注册并建立映射。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

gemininotebook怎么接入api详细教程

想把 Gemini Notebook 的文档理解、跨页问答、时间轴回溯能力集成进自己的科研平台或笔记系统，但卡在 API 接入环节——官方不提供 Notebook 专用 API，直连网页端被 CORS 拦截，用通用 Gemini API 又无法加载已上传的私有文档上下文。这问题不是配置错，而是入口和协议没对齐。

确认接入前提：Notebook 无原生 API，必须走代理层

Google 官方未开放 Gemini Notebook 的独立 API 接口，所有“Notebook 功能”调用都依赖其前端与后端服务的私有协议（含会话绑定、文档索引 ID、语义锚点 token）。直接调用 generativelanguage.googleapis.com 的 chat.completions 接口，【无法访问你上传到 Notebook 中的 PDF/DOCX 文档内容】，模型只会当作普通文本处理，丢失章节结构、图表引用、时间线关联等关键上下文。

必须通过具备文档索引代理能力的中转服务，将你的私有文档元数据（如 document_id、chunk_offset、section_hierarchy）注入请求体，再转发至 Gemini 后端。

选择支持 Notebook 上下文的中转平台

方法一：dataeyes.ai（推荐生产环境）
访问 https://cloud.dataeyes.ai/console → 登录 → 左侧菜单选「Notebook Proxy」→ 点击「创建新代理实例」→ 填写名称（如 “lab-notebook-v3”）→ 在「模型版本」下拉框中【必须选择 gemini-notebook-3.1-pro】（其他型号如 gemini-3.1-pro 不支持文档索引解析）→ 点击「启用」。

方法二：clawsocket.com（适合快速验证）
注册后进入 Dashboard → 点击「New Endpoint」→ 类型选「Notebook Context Bridge」→ 勾选「Enable Document-aware Streaming」→ 复制生成的 endpoint URL 和 API Key。该 Key 仅用于调用中转服务，【不可用于直连 Google 官方 API】。

方法三：jeniya.top（轻量测试）
登录 → 进入「AI Gateway」→ 新建路由 → 协议类型选「Gemini Notebook v3.1 Context」→ 上传一个测试 PDF（用于自动提取 document_id 格式模板）→ 点击「生成配置」→ 下载 config.json 文件备用。

构造带文档上下文的 API 请求

第一步：获取目标文档的 document_id
在 dataeyes.ai 控制台的 Notebook Proxy 实例详情页，点击「Document Registry」→ 找到你已同步的《实验报告_V2.pdf》→ 复制其 document_id 字段值（格式类似 nbk_doc_7f3a9c2e_4b8d_4e1a_b0c1_5d6e7f8a9b0c）。

gemini-image-generation

使用 Google GenAI SDK 通过 Gemini 生成或编辑图像。当用户要求在 OpenCla… 中创建、转换、渲染或保存一张或多张图像时使用。

下载

第二步：组装请求 body
使用 OpenAI 兼容格式发送 POST 请求到中转 endpoint，body 中必须包含：
• messages 数组里至少一条 user 角色消息，内容为具体问题（如“第三章提到的误差阈值是多少？”）；
• 额外添加 context 字段，值为 JSON 对象，含 document_id、page_range（可选）、section_anchor（可选）；
• model 字段固定填 gemini-notebook-3.1-pro。

第三步：发起调用（Python 示例）
```python
import requests
url = "https://cloud.dataeyes.ai/v1/chat/completions"
headers = {"Authorization": "Bearer sk-nbk-xxxxx"}
payload = {
"model": "gemini-notebook-3.1-pro",
"messages": [{"role": "user", "content": "提取附录B中的所有参数表格"}],
"context": {
"document_id": "nbk_doc_7f3a9c2e_4b8d_4e1a_b0c1_5d6e7f8a9b0c",
"section_anchor": "Appendix B"
}
}
response = requests.post(url, headers=headers, json=payload)
```

注意：若 response 返回 status_code 400 且提示 “document_id not found”，说明该 document_id 未在当前中转实例的索引库中注册，需先通过 dataeyes.ai 的「Sync Document」功能手动触发同步。

在科研平台中嵌入 Notebook 查询能力

前端页面添加「向本文提问」按钮 → 用户点击后，前端读取当前文档的唯一标识（如 URL 参数 doc_id 或 localStorage 中缓存的 document_id）→ 调用你部署的后端代理接口（非直连中转平台）→ 后端从数据库查出对应 document_id → 拼装完整 payload → 转发至 dataeyes.ai endpoint → 将 streaming 响应逐块返回前端 → 用 typewriter 效果渲染答案。

这一步的关键是 document_id 的生命周期管理：用户上传新文档时，后端必须监听 dataeyes.ai 的 webhook（/v1/webhook/document-sync），收到 success 回调后，将生成的 document_id 与你的内部 doc_id 建立映射并存入数据库，否则后续查询会失效。

不要在前端暴露中转平台的 API Key。所有请求必须经由你自己的后端服务中转，且对每个用户会话做 rate limit（建议 3 QPS/用户），避免密钥泄露导致额度被盗刷。