【Google Gemini极简教程】使用Flask和Gemini API构建一个AI BaaS

BaaS（Backend as a Service，后端即服务）

BaaS 是一种云服务模型，它为开发者提供了一种便捷的方式来构建和管理应用程序的后端服务。BaaS 提供了一系列的后端功能，如数据库管理、用户认证、文件存储、推送通知等，而开发者无需从头开始编写这些功能的代码。通过使用 BaaS，开发者可以专注于前端开发和业务逻辑，从而加快应用程序的开发速度。

Flask

Flask是一个基于Python的开源web框架，它使用WSGI协议，并支持多种模板引擎，并且支持RESTful API开发，使用起来非常方便，Java程序员可以把Flask当成Python版本的SpringBoot。

Google Gemini

Google Gemini支持免费试用，如果请求频率不高，没有问题(我本地测试过)。并且Gemini支持多模态模型，可以实现文生图和图像识别，以及音频，视频处理。

使用的时候可以在Colab中运行（Colab中运行可以免费使用Gemini，但是经过我自己本地运行测试，也可以免费使用，只要访问频率不高应该都没问题），下面讲下怎么在本地运行实现。

实现步骤

1.先安装依赖包：包括Flask和Gemini的

pip install -U -q 'google-genai'
pip install Flask
pip install flask-cors

2.申请gemini key：

https://aistudio.google.com/app/apikey

右上角创建API密钥即可。

3.最简单的代码：先写一个最简单的例子，只涉及到gemini的调用，直接对话，使用的时候把api key填写上自己申请的。

from google import genai
from google.genai import types
client = genai.Client(api_key="换成自己的key")
#可以更换别的gemini系列模型
model = 'gemini-2.0-flash'
# model = 'gemini-2.0-flash-lite'
# model = 'gemini-2.5-pro-exp-03-25'
response = client.models.generate_content(
    model=model,
    contents='你是谁'
)
print(response.text) #一次性回答

4.流式回答：一个字一个字回答，回答较多时用这种方式比较好，同样记得换key

from google import genai
client = genai.Client(api_key="xxxxxxxxxxxx")
for chunk in client.models.generate_content_stream(
    model='gemini-2.0-flash-lite',
    contents="你是谁"
):
    print(chunk.text)

有了基础的demo，就可以套用Flask做一个基于AI的BaaS了。

5.用Flask做一个post的接口，然后在接口里把我们调用gemini的代码拷贝进去，基本就行了。先看直接对话的，在接口测试工具比如postman里测试一下。日志输出和返回都正常。

完整代码：

from flask import Flask, jsonify, request
from google import genai
from google.genai import types
app = Flask(__name__)
client = genai.Client(api_key="xxxxxxxxxxxxxx")
# model = 'gemini-2.0-flash'
model = 'gemini-2.0-flash-lite'
# model = 'gemini-2.5-pro-exp-03-25'
@app.route('/query', methods=['POST'])
def query():
    data = request.get_json()
    prompt = data.get('prompt')
    print(prompt)
    response = client.models.generate_content(
        model=model,
        contents=prompt
    )
    result = response.text
    print(result)
    return jsonify({'result': result}), 200
if __name__ == '__main__':
    app.run(debug=True)

请求的url就是 localhost:5000/query 方法是 post

注意这只是一个极简示例，实际使用key不要写在代码里。我这里query接口参数是用json格式传的，可以根据自己的情况换成其他方式，比如form表单提交参数或者get传参等。使用的时候gemini有很多模型，可以指定用哪个模型。

6.再看一个页面请求流式对话的，实际使用过中这种场景比较多见。在AI回答内容比较多的时候如果不使用流式响应，客户端可能因为等待超时而不能显示完整答案，因此需要使用流式响应，即每次只返回一部分答案，然后客户端可以实时显示，这样用户体验会更好。

看效果，分别在接口测试工具和html页面上发起请求。后台Flask接口改为支持stream响应。因为是本地的html页面，所以要开启flask的跨域支持。这次把接口改为get传参。

完整python和html代码：

from flask import Flask, jsonify, request,Response
from flask_cors import CORS  # 导入 CORS 模块
from google import genai
from google.genai import types
app = Flask(__name__)
# 更严格的 CORS 配置（允许 POST 和 SSE）
CORS(app, resources={
    r"/streamquery": {
        "origins": "*",  # 允许所有域名（生产环境应替换为你的前端域名）
        "methods": ["GET", "POST"],  # 允许的 HTTP 方法
        "expose_headers": ["Content-Type"]  # 允许前端访问的响应头
    }
})
client = genai.Client(api_key="xxxxxxx")
# model = 'gemini-2.0-flash'
model = 'gemini-2.0-flash-lite'
# model = 'gemini-2.5-pro-exp-03-25'
@app.route('/streamquery', methods=['GET'])
def query():
    prompt = request.args.get('prompt', default='', type=str)
    print(prompt)
    # 流式生成响应
    def generate():
        response = client.models.generate_content_stream(
            model='gemini-2.0-flash-lite',
            contents=prompt)
        for chunk in response:
            yield f"data: {chunk.text}\n"  # SSE 格式
    # 返回 Server-Sent Events (SSE) 流
    return Response(generate(), mimetype='text/event-stream')
if __name__ == '__main__':
    app.run(debug=True)

<script>
    const eventSource = new EventSource(
      'http://127.0.0.1:5000/streamquery?prompt=讲个笑话');
  
    eventSource.onmessage = (event) => {
      console.log(event.data);  // 实时打印流式结果
      document.getElementById('output').innerHTML += event.data;
    };
    // 错误处理
    eventSource.onerror = (err) => {
      eventSource.close();
    };
  </script>
  <div id="output"></div>

通过这2个例子，我们其实已经能够利用flask和gemini实现一个AI后台服务了。当然可以把接口换成其他语言实现，比如java或者php，原理都是一样的。

关注AI实用工具和技巧，关注后台私信免费进知识星球：