Solicitud y uso de Gemini Chat Completion API

Gemini AI API guide - Ace Data Cloud

Google Gemini es un sistema de conversación con IA muy potente; solo con introducir un prompt, puede generar respuestas fluidas y naturales en apenas unos segundos. Gemini puede proporcionar una asistencia inteligente sorprendente, mejorando enormemente la eficiencia laboral y la creatividad humanas.

Este documento presenta principalmente el flujo de uso de las operaciones de Gemini Chat Completion API; utilizándolo podemos usar fácilmente la función de conversación del Gemini oficial.

​

Proceso de solicitud

Para utilizar Gemini Chat Completion API, primero obtenga su API Token en la Consola de Ace Data Cloud y guárdelo como respaldo.

Si aún no ha iniciado sesión o no se ha registrado, será redirigido automáticamente a la página de inicio de sesión para invitarle a registrarse e iniciar sesión; al completarlo, regresará automáticamente a la página actual.

Un API Token puede invocar todos los servicios de la plataforma, sin necesidad de solicitar uno por separado para cada servicio. La primera solicitud incluirá crédito gratuito para una experiencia sin costo; cuando el crédito sea insuficiente, puede recargar saldo general en la consola.

📘 Documentación completa: Gemini Chat Completion API →

​

Uso básico

A continuación, puede completar el contenido correspondiente en la interfaz, como se muestra en la imagen:

Al utilizar esta interfaz por primera vez, necesitamos completar al menos tres contenidos: uno es authorization, que puede seleccionarse directamente en la lista desplegable. Otro parámetro es model; model es la categoría de modelo oficial de Gemini que elegimos utilizar, y los modelos disponibles se basan en la enumeración model de la documentación de la interfaz. El último parámetro es messages; messages es el arreglo de prompts que introducimos, es un arreglo que indica que se pueden cargar varios prompts al mismo tiempo, cada prompt contiene role y content, donde role representa el rol del interlocutor; proporcionamos tres identidades: user, assistant, system. El otro content es el contenido específico de nuestra pregunta.

Al mismo tiempo, puede notar que a la derecha se genera el código de llamada correspondiente; puede copiar el código y ejecutarlo directamente, o también puede hacer clic directamente en el botón «Try» para realizar pruebas.

Consejo: la serie flash de gemini-3.x son modelos de razonamiento, que primero consumirán reasoning tokens; establezca max_tokens por encima de 512; de lo contrario, podría devolver solo contenido vacío. gemini-3.8-flash es el modelo Flash recomendado actualmente, admite hasta 1 millón de Token de contexto, entrada de imágenes, llamadas a herramientas y respuestas en streaming; actualmente se invoca mediante la interfaz Chat Completions.

Después de la llamada, descubrimos que el resultado devuelto es el siguiente:

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "**My Reasoning: Answering the User's Question**\n\nOkay, here's how I'm going to approach answering the user's question, \"What model are you?\". The core is to be direct and informative. First, I have to be clear about my origin. Then, I need to make sure the explanation is accessible, given that the user may not be familiar with technical jargon. I need to explain what a \"large language model\" actually *does*, and provide relatable examples. I know the user might be looking for a specific name, like other models have, so I'll address that directly and then wrap it up with an invitation to continue.\n\nSo, here's my plan:\n\n1.  **Lead with the key info:** I'll begin by stating that I am a large language model created by Google. That is the fundamental, most critical piece of the puzzle.\n2.  **Define the buzzword:** Then, I'll explain that \"large language model\" in simple terms. I'll explain what I *do* - process and generate text; how I *do* it - by training on huge amounts of text data; and the *goal* - to be able to communicate like a human.\n3.  **Provide context:** After that, to make the concept even clearer, I'll provide a list of examples of my capabilities. I'll mention things like answering questions, summarizing texts, writing stories, translating languages, and brainstorming ideas.\n4.  **Acknowledge the lack of a personal name:** I'll anticipate the likely question about a model name (like ChatGPT) by clearly stating that I don't have a personal name and that it's best to think of me as an AI assistant from Google.\n5.  **End with an invitation:** Lastly, I'll end with a simple, friendly question to invite further interaction and to guide the conversation.\n\nWith this approach, I am confident I can successfully answer this important question.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 932,
    "total_tokens": 940,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 8,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 921
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

El resultado devuelto tiene varios campos, que se presentan a continuación:

• id, el ID generado para esta tarea de conversación, utilizado para identificar de forma única esta tarea de conversación.
• model , el modelo oficial de Gemini seleccionado.
• choices, la información de respuesta proporcionada por Gemini para el prompt.
• usage : información estadística sobre los token de esta sesión de preguntas y respuestas.

Entre ellos, choices contiene la información de respuesta de Gemini, y los choices dentro de él contienen la información específica de la respuesta de Gemini, como se puede ver en la imagen.

Se puede ver que el campo content dentro de choices contiene el contenido específico de la respuesta de Gemini.

​

Comprensión de imágenes (entrada multimodal)

Gemini es un modelo multimodal nativo que puede «ver imágenes» directamente. Para pasar una imagen, cambie el content de un mensaje de una cadena a un arreglo de bloques de contenido, y coloque simultáneamente bloques text y bloques image_url en el arreglo; esto es completamente consistente con OpenAI y con el formato compatible con OpenAI de Gemini oficial.

image_url.url admite dos formatos:

• URI data: base64 (recomendado, el más estable): el formato es data:<tipo de medio>;base64,<datos>, por ejemplo data:image/jpeg;base64,/9j/4AAQ.... El tipo de medio (MIME) ya está escrito en el prefijo data:, por lo que no se necesita ni existe un campo media_type independiente.
• URL de imagen accesible públicamente: por ejemplo https://cdn.acedata.cloud/4hfydw.jpg.

Tipos de imagen compatibles: png, jpeg, webp, heic, heif.

Código de llamada de ejemplo en Python (URI de datos base64):

import base64
import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

# 把本地图片读成 base64 data URI
with open("image.jpg", "rb") as f:
    base64_image = base64.b64encode(f.read()).decode("utf-8")
data_uri = f"data:image/jpeg;base64,{base64_image}"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

También puede pasar directamente una URL de imagen accesible públicamente:

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 image_url solo acepta el campo url (el valor puede ser una URL de imagen o un URI data: de base64), así como el campo opcional detail. No pase media_type: ese es el campo de imagen de Anthropic Claude y no pertenece al formato image_url de OpenAI / Gemini.

​

Respuesta en streaming

Esta interfaz también admite respuestas en streaming, lo que resulta muy útil para la integración web y permite que la página web implemente un efecto de visualización palabra por palabra.

Si desea devolver la respuesta en streaming, puede cambiar el parámetro stream en los encabezados de la solicitud a true.

Modifíquelo como se muestra en la imagen, pero el código de llamada debe tener los cambios correspondientes para poder admitir respuestas en streaming.

Después de modificar stream a true, la API devolverá los datos JSON correspondientes línea por línea; a nivel de código, debemos realizar las modificaciones correspondientes para obtener los resultados línea por línea.

Código de llamada de ejemplo en Python:

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello,What model are you?"}],
    "stream": True,
    "stream_options": {"include_usage": True}
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

El resultado de salida es el siguiente:

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Define My Nature**\n\nMy thinking has started. The user wants to know my nature, asking a direct \"what are you?\" The initial step was straightforward: identifying the query. Now, I recall my fundamental identity: I'm a large language model. This is the core truth I aim to convey.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Refining My Response**\n\nI've added the crucial information that I'm trained by Google to the basic \"large language model\" identity. My next step is considering what being a \"large language model\" actually entails, so I can explain my core capabilities. I'm focusing on providing context without going into specific technical details or model names. I want to convey my function in a way the user can easily understand.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Confirming Core Identity**\n\nI'm now solidifying my response. The user's query about my model affiliation needs a focused answer. I've pinpointed that \"trained by Google\" is essential, providing key context. I'm resisting the urge to mention any specific model names, as it's not relevant. The aim is to deliver a direct, accurate statement. My goal remains a clear and concise reply, avoiding technical jargon and getting straight to the relevant point.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "I am a large language model, trained by Google."}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": "", "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 527, "total_tokens": 535, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 8, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 519}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}}

data: [DONE]

Puede ver que hay muchos data en la respuesta; los choices dentro de data son el contenido más reciente de la respuesta, coherente con el contenido presentado anteriormente. choices es el contenido de respuesta añadido; puede integrarlo en su sistema según el resultado. Al mismo tiempo, el final de la respuesta en streaming se determina según el contenido de data; si el contenido es [DONE], significa que la respuesta en streaming ha finalizado por completo. El resultado data devuelto tiene varios campos, que se presentan a continuación:

• id, genera el ID de esta tarea de conversación, utilizado para identificar de forma única esta tarea de conversación.
• model , el modelo oficial de Gemini seleccionado.
• choices, la información de respuesta proporcionada por Gemini para las palabras de consulta.

JavaScript también es compatible, por ejemplo, el código de llamada en flujo de Node.js es el siguiente:

const options = {
  method: "POST",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json"
  },
  body: JSON.stringify({
    model: "gemini-2.5-pro",
    messages: [{ role: "user", content: "Hello, what model are you?" }],
    stream: true
  })
};

const response = await fetch("https://api.acedata.cloud/gemini/chat/completions", options);
const reader = response.body.getReader();
const decoder = new TextDecoder("utf-8");
while (true) {
  const { value, done } = await reader.read();
  if (done) break;
  process.stdout.write(decoder.decode(value));
}

Código de ejemplo de Java:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gemini-2.5-pro");
jsonObject.put("messages", new JSONArray().put(new JSONObject().put("role", "user").put("content", "Hello, what model are you?")));
jsonObject.put("stream", true);
MediaType mediaType = MediaType.parse("application/json; charset=utf-8");
RequestBody body = RequestBody.create(jsonObject.toString(), mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/gemini/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.println(response.body().string());

Otros lenguajes pueden reescribirse por cuenta propia, el principio es el mismo.

​

Conversación de múltiples turnos

Si desea integrar la función de conversación de múltiples turnos, debe cargar múltiples palabras de consulta en el campo messages; el ejemplo específico de múltiples palabras de consulta se muestra en la siguiente imagen:

Código de llamada de ejemplo de Python:

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello there! How can I help you today?"},{"role":"user","content":"What model are you?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Al cargar múltiples palabras de consulta, se puede implementar fácilmente una conversación de múltiples turnos y se puede obtener la siguiente respuesta:

{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "Okay, here's how I'd approach this, thinking as a sophisticated AI:\n\nFirst, the user is directly querying my core identity: \"What model are you?\" That's a simple, straightforward question. My primary task is to provide accurate and helpful information, so I need to answer this immediately.\n\nRight off the bat, I know the answer. I *am* a large language model. That's my fundamental architecture and operational principle. I'm built on a vast network of connections and trained on a massive dataset.\n\nThen I must add the necessary context. Crucially, I have to provide the source of my training. I *was* trained by Google. That's a key identifier. It provides the user with valuable information about my origin and potential biases (though I'm trained to mitigate them).\n\nNow I must construct the response. My goal is to be factual, concise, and understandable.\n\nThe synthesized response is something like: \"I am a large language model, trained by Google.\"\n\nI have to assess the output: Does it meet the criteria? It's clear. It states what I am, it includes a critical piece of information on my origins, and it avoids jargon. No misleading promises.\n\nFinal verification: Does it actually answer the question? Yes. Is the information correct and truthful? Yes. Is it concise? Absolutely. Is the tone appropriate for any user? Yes. And, finally, this is the standard, approved response. Excellent.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 16,
    "completion_tokens": 265,
    "total_tokens": 281,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 16,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 254
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

Se puede ver que la información incluida en choices es coherente con el contenido del uso básico; esta incluye el contenido específico de las respuestas de Gemini para múltiples conversaciones, de modo que se pueden responder las preguntas correspondientes según el contenido de múltiples conversaciones.

​

Modelo multimodal Gemini-3.0

Ejemplo de solicitud:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Resultado de ejemplo:

{
  "id": "chatcmpl-20251206001815715692730UVZe38kB",
  "model": "gemini-3.1-pro-preview",
  "object": "chat.completion",
  "created": 1764951548,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "这是一张年轻女性的户外半身人像照片。\n\n以下是图片的主要内容描述：\n\n*   **人物外貌**：照片中的女孩留着一头乌黑柔顺的长直发，五官清秀，皮肤白皙。她面带温柔的微笑，目光注视着镜头。\n*   **穿着打扮**：她穿着一件米白色或浅杏色的泡泡袖上衣，外面搭配着黑色的衣物（看起来像是背带裙或马甲）。\n*   **光影氛围**：阳光从左侧后方照射过来，洒在她的头发上，形成了一圈温暖的金黄色光晕，营造出一种清新、唯美的氛围。\n*   **背景**：背景被虚化处理，可以看出是在户外，身后是一条空旷的路面（柏油路）以及路边的绿色树木。\n\n整体来看，这张照片给人一种甜美、阳光和邻家女孩的感觉。"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 1092,
    "completion_tokens": 1271,
    "total_tokens": 2363,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 4,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 1072
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

Por supuesto, también puedes enviar enlaces de video; la entrada específica es la siguiente:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

Resultado de ejemplo:

{
  "id": "chatcmpl-20251206002711949677736JC9yL8AE",
  "model": "gemini-3.1-pro-preview",
  "object": "chat.completion",
  "created": 1764952060,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "这段视频的内容充满趣味，主要展示了一只**橘猫**在黄昏时分的乡间公路上自信小跑的情景。\n\n具体细节如下：\n\n1.  **画面内容**：\n    *   主角是一只橘色的虎斑猫。\n    *   背景是夕阳西下（或清晨）的时刻，光线金黄柔和。路边有木质栅栏和旷野，远处还有一个行人的剪影。\n    *   镜头采用了低角度拍摄，时而拍摄猫咪迎面跑来，时而拍摄它离去的背影，还有猫咪面部和花纹的特写。\n\n2.  **声音特点（关键点）**：\n    *   视频的配音非常有特色。虽然画面是轻盈的猫咪在跑，但配上的声音却是**沉重且有节奏的马蹄声**（或者是类似木屐/高跟鞋敲击路面的声音）。\n    *   这种声音与画面的反差制造了一种幽默感，仿佛这只猫咪把自己当成了一匹正在驰骋的骏马。\n\n总的来说，这是一个利用音画反差来制造萌点和笑点的宠物视频。"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 915,
    "completion_tokens": 1423,
    "total_tokens": 2338,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 5,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 1162
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

De lo anterior se puede ver que el modelo Gemini 3.0 puede admitir comprensión multimodal.

​

Modelo multimodal Gemini-3.1

gemini-3.1-pro-preview es el ID oficial actual del modelo Gemini 3.1 Pro, admite entradas multimodales como texto, imágenes y videos, y es adecuado para tareas complejas de razonamiento, codificación y comprensión.

Ejemplo de solicitud:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Gemini 3.1 Pro también admite comprensión de video:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

El formato de respuesta es coherente con Gemini 3.0 Pro; consulta la explicación en la sección del modelo multimodal Gemini-3.0 anterior para más detalles.

​

Manejo de errores

Al llamar a la API, si se produce un error, la API devolverá el código de error y la información correspondientes. Por ejemplo:

• 400 token_mismatched: Solicitud incorrecta, posiblemente debido a parámetros faltantes o no válidos.
• 400 api_not_implemented: Solicitud incorrecta, posiblemente debido a parámetros faltantes o no válidos.
• 401 invalid_token: No autorizado, token de autorización no válido o faltante.
• 429 too_many_requests: Demasiadas solicitudes, has excedido el límite de frecuencia.
• 500 api_error: Error interno del servidor, algo salió mal en el servidor.

​

Ejemplo de respuesta de error

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

​

Conclusión

A través de este documento, ya ha aprendido cómo utilizar la API de Gemini Chat Completion para implementar fácilmente la función de conversación del Gemini oficial. Esperamos que este documento pueda ayudarle a integrar y utilizar mejor esta API. Si tiene alguna pregunta, no dude en contactar con nuestro equipo de soporte técnico.