Google AI Studio
המדריך המלא

Google AI Studio vs המתחרים — למה להשתמש בו?

Google AI Studio (aistudio.google.com) הוא ממשק Web ו-API חינמי של Google לגישה ישירה למודלי Gemini. בניגוד ל-Vertex AI שמיועד לארגונים ודורש הגדרת Google Cloud Project מלאה, AI Studio מתחיל בלחיצה אחת עם כל חשבון Google — ללא כרטיס אשראי.

הגדרה ו-API Key — 4 שלבים

כדי להתחיל, בצע ארבעה שלבים פשוטים:

Playground — ניסוי לפני קוד

לפני כתיבת שורת קוד אחת, AI Studio מציע Playground ויזואלי שמאפשר לנסות פרומפטים, לכוונן פרמטרים ולהבין את התנהגות המודל. שלושה מצבים עיקריים:

פרמטרים חשובים ב-Playground

• Temperature (0–2): נמוך = עקבי ויציב, גבוה = יצירתי ומגוון. להנחיות מדויקות — 0.1. לכתיבה יצירתית — 0.9.
• Top-K: כמות הטוקנים שנשקלים בכל שלב. ערך נמוך = ממוקד יותר.
• Top-P (Nucleus Sampling): חיתוך על פי הסתברות מצטברת. 0.95 = ברירת מחדל טובה.
• Max Output Tokens: הגדר תמיד כדי לשלוט בעלויות ובאורך התשובה.

API Keys — יצירה, אבטחה ו-.env

API Key הוא הסיסמה שלך לגישה לשירות. אם הוא ידלף, מישהו יכול להשתמש ב-quota שלך (ולעלות לך כסף בחבילות בתשלום). הכללים:

• לעולם אל תכניס API Key ישירות בקוד — גם אם הקוד "private", Git מדליף.
• קובץ .env — שמור את המפתח שם, הוסף .env ל-.gitignore.
• הגבל את ה-Key — בקונסולת Google Cloud אפשר להגביל לפי IP או referrer.
• צור Key נפרד לכל פרויקט — כך קל לבטל גישה לפרויקט ספציפי.

# .env (לא מועלה ל-Git!)
GOOGLE_API_KEY=AIzaSy...

# .gitignore
.env
*.env

import os
from dotenv import load_dotenv
import google.generativeai as genai

load_dotenv()
genai.configure(api_key=os.getenv("GOOGLE_API_KEY"))

Python SDK — המדריך המלא

ספריית google-generativeai היא הדרך הנוחה ביותר לשלב Gemini בפרויקטים. הנה כל מה שצריך:

pip install google-generativeai python-dotenv Pillow

import google.generativeai as genai
import os
from dotenv import load_dotenv
import json

load_dotenv()
genai.configure(api_key=os.getenv("GOOGLE_API_KEY"))

model = genai.GenerativeModel('gemini-2.5-flash-preview-04-17')

# --- בקשה בסיסית ---
response = model.generate_content("הסבר מה זה RAG ב-3 משפטים")
print(response.text)

# --- שיחה רב-סבביות ---
chat = model.start_chat(history=[])
r1 = chat.send_message("מה שמך?")
r2 = chat.send_message("ספר לי על יכולות ה-coding שלך")
print(r2.text)

# --- Streaming (טוקן אחרי טוקן) ---
for chunk in model.generate_content("כתוב שיר על AI", stream=True):
    print(chunk.text, end="", flush=True)

# --- JSON Mode ---
response = model.generate_content(
    "תן רשימת 5 כלי AI עם שם, חברה ומחיר. JSON בלבד.",
    generation_config={"response_mime_type": "application/json"}
)
data = json.loads(response.text)
print(data)

GenerationConfig — שליטה מלאה בפלט

config = genai.GenerationConfig(
    temperature=0.7,          # יצירתיות (0–2)
    top_k=40,                 # מספר טוקנים לשקול
    top_p=0.95,               # nucleus sampling
    max_output_tokens=2048,   # הגבלת פלט
    stop_sequences=["---"],   # עצור כשפוגש מחרוזת זו
    response_mime_type="text/plain"  # או "application/json"
)

response = model.generate_content(
    "כתוב מדריך קצר ל-Python",
    generation_config=config
)

ספירת טוקנים לפני שליחה

# בדוק עלות לפני שליחה
token_count = model.count_tokens("הפרומפט הארוך שלי...")
print(f"טוקנים: {token_count.total_tokens}")
# טיפ: 1 טוקן ≈ 0.75 מילה באנגלית, ≈ 1 תו בעברית

Multimodal — Vision, PDF, YouTube ואודיו

Gemini הוא מודל מולטימודאלי אמיתי — לא רק עיבוד תמונות כ"תוספת", אלא הבנה עמוקה של כל סוגי המדיה. הנה הדרכים המרכזיות:

תמונות — ניתוח ויזואלי

import PIL.Image
import requests
from io import BytesIO

model = genai.GenerativeModel('gemini-2.5-flash-preview-04-17')

# תמונה מקובץ מקומי
image = PIL.Image.open('invoice.jpg')
response = model.generate_content([
    "נתח את החשבונית: חלץ שם ספק, תאריך, סכום כולל ופרטי פריטים",
    image
])
print(response.text)

# תמונה מ-URL
r = requests.get("https://example.com/chart.png")
image_from_url = PIL.Image.open(BytesIO(r.content))
response = model.generate_content(["תאר את הגרף הזה", image_from_url])
print(response.text)

PDF — ניתוח מסמכים

# PDF ישיר (עד 2M טוקנים = כ-1,500 עמודים!)
with open('annual_report.pdf', 'rb') as f:
    pdf_bytes = f.read()

response = model.generate_content([
    "סכם את הדוח השנתי: 5 נקודות עיקריות + ניתוח סיכונים + הזדמנויות",
    {"mime_type": "application/pdf", "data": pdf_bytes}
])
print(response.text)

YouTube Video — ניתוח וידאו

# שליחת URL של YouTube ישירות לGemini!
response = model.generate_content([
    "כתוב תמלול ותקציר של הוידאו הזה",
    {"file_uri": "https://www.youtube.com/watch?v=VIDEO_ID", "mime_type": "video/youtube"}
])
print(response.text)

File API — קבצים גדולים

import time

# העלאת קובץ גדול (עד 2GB!)
video_file = genai.upload_file(
    path="lecture.mp4",
    display_name="הרצאה על LLMs",
    mime_type="video/mp4"
)
# המתן לעיבוד
while video_file.state.name == "PROCESSING":
    time.sleep(5)
    video_file = genai.get_file(video_file.name)

response = model.generate_content([video_file, "כתוב תמלול עם חותמות זמן"])
print(response.text)
genai.delete_file(video_file.name)  # נקה לאחר שימוש

System Instructions — הגדרת אישיות המודל

System Instructions הן הנחיות שנשלחות לפני כל שיחה ומגדירות את האישיות, הטון, השפה ומגבלות התשובות של המודל. הן חוסכות tokens בכל בקשה ומבטיחות עקביות.

model = genai.GenerativeModel(
    model_name='gemini-2.5-flash-preview-04-17',
    system_instruction="""
אתה מדריך AI מקצועי של Automation4MI.
כללים:
- ענה תמיד בעברית בלהטים, ברורה וידידותית
- השתמש בדוגמאות קוד Python כשרלוונטי
- ציין תמיד את מגבלות הידע שלך
- אל תמציא עובדות — אם לא יודע, אמור זאת
- מבנה תשובות: הסבר → דוגמה → טיפ מעשי
"""
)

# עכשיו כל שיחה מקבלת את ההנחיות האלה
chat = model.start_chat()
r = chat.send_message("מה זה Fine-tuning?")
print(r.text)

תבניות System Instruction לפי שימוש

"אתה נציג תמיכה מקצועי. ענה בנימוס. אל תבטיח דברים שאינם בידיעתך. הפנה לסוכן אנושי כשהבעיה מורכבת."

"אתה מהנדס בכיר. בדוק קוד: אבטחה, ביצועים, קריאות, best practices. תן דוגמאות לתיקון."

"חלץ מידע מובנה. ענה תמיד ב-JSON בלבד. אם שדה חסר — החזר null. אל תוסיף טקסט נוסף."

Grounding — חיפוש Google בזמן אמת

Grounding הוא אחד היתרונות הייחודיים ביותר של Gemini — האפשרות לחבר את המודל ישירות למנוע החיפוש של Google. כך ניתן לקבל תשובות מעודכנות על אירועים שקרו לאחר ה-Training Cutoff, כולל מחירי מניות, חדשות, ותוצאות ספורט.

from google.generativeai.types import Tool, GoogleSearchRetrieval, DynamicRetrievalConfig

# Grounding בסיסי
model_with_search = genai.GenerativeModel(
    model_name='gemini-2.5-flash-preview-04-17',
    tools=[Tool(google_search=GoogleSearchRetrieval())]
)

response = model_with_search.generate_content(
    "מה מחיר המניה של NVIDIA היום ומה הסנטימנט בשוק?"
)
print(response.text)

# בדיקת ציטוטים
if response.candidates[0].grounding_metadata:
    for chunk in response.candidates[0].grounding_metadata.grounding_chunks:
        print(f"מקור: {chunk.web.title} — {chunk.web.uri}")

Dynamic Retrieval — שליטה על מתי לחפש

# Dynamic Retrieval — Gemini יחפש רק אם score > threshold
model_smart = genai.GenerativeModel(
    model_name='gemini-2.5-flash-preview-04-17',
    tools=[Tool(
        google_search=GoogleSearchRetrieval(
            dynamic_retrieval_config=DynamicRetrievalConfig(
                mode="MODE_DYNAMIC",
                dynamic_threshold=0.5  # 0=תמיד חפש, 1=לא חפש כמעט
            )
        )
    )]
)
# שאלות כלליות → לא יחפש (חסכון בעלות)
# שאלות על חדשות → יחפש אוטומטית

Fine-tuning — אימון מודל מותאם אישית

Fine-tuning מאפשר לאמן גרסה מותאמת של Gemini Flash על הנתונים שלך. זה שימושי כאשר צריך מודל שמדבר בסגנון ספציפי, מכיר טרמינולוגיה עסקית, או מתמחה בתחום צר.

import google.generativeai as genai

# יצירת Tuned Model (דורש כ-100-1000 דוגמאות)
operation = genai.create_tuned_model(
    display_name="automation4mi-assistant",
    source_model="models/gemini-1.5-flash-001-tuning",
    training_data=[
        {"text_input": "מה ההבדל בין n8n ל-Make?", "output": "n8n הוא open-source ומתאים למפתחים..."},
        {"text_input": "מהו RAG?", "output": "RAG (Retrieval Augmented Generation) הוא..."},
        # ... עוד דוגמאות
    ],
    epoch_count=5,
    batch_size=8,
    learning_rate=0.001
)

# המתן לסיום האימון
tuned_model = operation.result()
print(f"Model ready: {tuned_model.name}")

פורמט Dataset לFine-tuning

# כל דוגמה: input → expected output
training_examples = [
    {
        "text_input": "שאלה לדוגמה",
        "output": "התשובה האידיאלית בפורמט הרצוי"
    },
    # מינימום: 100 דוגמאות
    # מומלץ: 500-1000 דוגמאות לאיכות גבוהה
    # מקסימום: 40,000 דוגמאות
]

5 פרויקטים מעשיים

גיליון עזר מהיר

שמות המודלים (אפריל 2026)

קודי שגיאה נפוצים