Développer avec l’API Google Gemini : modèles, SDK et premiers pas

Vous connaissez sans doute Gemini comme l’assistant que Google a glissé dans la barre de recherche, dans Gmail et dans l’application mobile. Mais derrière l’assistant grand public se trouve une plateforme de développement complète : une API que vous appelez depuis votre code Python, JavaScript ou Go pour générer du texte, lire des images et des PDF, brancher le modèle sur vos propres fonctions, produire du JSON validé, ou indexer vos documents pour de la recherche sémantique. C’est cette plateforme que ce guide ouvre, brique par brique.

L’objectif n’est pas de vous faire « tester » Gemini dans un terrain de jeu, mais de vous donner les fondations pour construire de vraies applications : un assistant qui répond sur vos données, un extracteur de factures, un moteur de questions-réponses sur une base documentaire. Chaque tutoriel de cette série construit une de ces briques. Ce guide pose la carte : les modèles disponibles en 2026, le SDK officiel, la façon dont on obtient une clé, et l’ordre dans lequel aborder le reste.

Ce que ce parcours vous permettra de faire

• Choisir le bon modèle Gemini pour une tâche donnée (rapidité, coût, raisonnement, multimodalité) sans vous tromper de gamme.
• Installer le SDK google-genai, obtenir une clé API et passer votre premier appel authentifié en moins de dix minutes.
• Comprendre les grandes capacités de l’API — streaming, conversation, appel de fonctions, multimodal, sorties structurées, embeddings — et savoir laquelle résout quel problème.
• Sécuriser votre clé et maîtriser les quotas pour ne pas exploser votre budget en production.
• Suivre les tutoriels de cette série dans le bon ordre pour construire une application réelle de bout en bout.

Par où commencer : l’ordre des tutoriels

Cette série est conçue pour être suivie dans l’ordre. Chaque tutoriel suppose acquis ce que le précédent a montré. Voici le chemin :

1. Premier appel à l’API Gemini en Python — installer le SDK, obtenir la clé, générer du texte, activer le streaming et tenir une conversation.
2. Function calling : connecter Gemini à vos fonctions — laisser le modèle déclencher votre code (météo, base de données, API interne) de façon contrôlée.
3. Analyser images et PDF avec Gemini — envoyer des fichiers au modèle, en ligne ou via la File API, pour décrire, extraire, résumer.
4. Sorties structurées JSON validées — forcer Gemini à répondre selon un schéma Pydantic exploitable directement par votre programme.
5. Recherche sémantique et RAG avec les embeddings — transformer vos documents en vecteurs et répondre à partir de vos propres données.
6. Chatbot en streaming avec Node.js — assembler une interface conversationnelle qui affiche la réponse au fil de l’eau.

Si vous cherchez plutôt à utiliser Gemini comme outil de productivité au quotidien, sans écrire de code, lisez d’abord le guide d’usage quotidien de Gemini. Ce parcours-ci s’adresse à celles et ceux qui veulent construire avec l’API.

Pourquoi développer avec Gemini en 2026

Trois éléments distinguent l’offre Gemini des autres familles de modèles, et expliquent pourquoi elle mérite une place dans votre boîte à outils.

Le multimodal est natif, pas greffé. Les modèles Gemini ont été entraînés dès l’origine à traiter du texte, des images, de l’audio, des PDF et de la vidéo dans la même requête. Vous pouvez envoyer une photo de facture et demander un récapitulatif structuré, ou poser une question sur un document de cent pages, sans pipeline d’OCR séparé.

La fenêtre de contexte est très large. Les modèles de la gamme actuelle acceptent jusqu’à un million de jetons en entrée. Concrètement, cela représente plusieurs centaines de pages de documentation, ou un dépôt de code entier, que le modèle « lit » avant de répondre. Cette taille change la manière de concevoir une application : on peut souvent passer le contexte directement, sans découpage complexe.

L’écosystème va du prototype à la production. Le même SDK vous sert pour un script sur votre machine et pour une charge industrielle sur l’infrastructure Google Cloud. Vous commencez avec une clé gratuite obtenue en une minute, puis vous basculez vers Vertex AI le jour où il faut de la facturation entreprise, des quotas garantis et la conformité — sans réécrire votre code.

Les modèles : choisir la bonne gamme

Le piège du débutant est de toujours prendre « le plus gros modèle ». En pratique, on choisit selon le compromis entre intelligence, latence et coût. Voici les modèles stables de référence au moment d’écrire ces lignes.

Règle pratique : commencez toujours par gemini-2.5-flash. Mesurez la qualité sur vos cas réels. Ne montez vers gemini-2.5-pro ou gemini-3.5-flash que si une tâche précise l’exige, et redescendez vers flash-lite partout où la tâche est simple. Notez aussi que les anciens modèles gemini-2.0-flash sont dépréciés : ne démarrez pas un nouveau projet dessus.

Pour un comparatif côté décideur entre Gemini, Claude et GPT, l’article Claude vs GPT vs Gemini donne une lecture orientée usage et budget.

Le SDK unifié : google-genai

Google a unifié ses bibliothèques sous un seul SDK officiel, nommé Google Gen AI SDK. En Python c’est le paquet google-genai ; en JavaScript et TypeScript, @google/genai. Un point important pour éviter les tutoriels obsolètes : l’ancien paquet google-generativeai (avec l’objet GenerativeModel) appartient à une génération précédente. Le code moderne s’articule autour d’un client unique.

Voici la forme canonique d’un appel en Python. C’est volontairement minimal : les détails d’installation et de configuration de la clé sont traités dans le premier tutoriel.

from google import genai

client = genai.Client()  # lit la cle dans la variable d'environnement GEMINI_API_KEY

response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Explique en deux phrases ce qu'est une API.",
)
print(response.text)

Trois choses à retenir de ce squelette. D’abord, on crée un Client une seule fois ; il porte l’authentification. Ensuite, tout passe par client.models.generate_content, avec un model et des contents. Enfin, la réponse expose directement le texte via response.text. La version JavaScript suit exactement la même logique avec ai.models.generateContent. Cette symétrie entre langages est ce qui rend le SDK facile à porter d’un projet à l’autre.

Anatomie d’un appel : contenus, rôles et paramètres

Pour dépasser le simple « envoyer une phrase, recevoir une phrase », il faut comprendre comment l’API structure une requête. Trois notions reviennent partout.

Les contenus (contents). Ce que vous envoyez n’est pas qu’une chaîne de caractères : c’est une liste de messages, chacun portant un rôle. Le rôle user désigne ce que dit l’utilisateur ; le rôle model, ce qu’a répondu le modèle. Dans une conversation, cette liste grandit à chaque tour, et c’est elle qui donne au modèle sa mémoire de l’échange. L’objet chat du SDK gère cette liste pour vous, mais savoir qu’elle existe explique pourquoi le modèle « se souvient » — ou oublie, si vous repartez d’une liste vide.

Les parts. Chaque message se compose d’une ou plusieurs parts. Une part peut être du texte, mais aussi une image, un fichier ou le résultat d’une fonction. C’est ce mécanisme qui rend le multimodal naturel : on mélange dans un même message une question textuelle et une image, simplement en juxtaposant deux parts. Vous retrouverez cette structure dès que vous enverrez un fichier ou que vous renverrez au modèle le résultat d’un appel de fonction.

La configuration. À côté du modèle et des contenus, un objet de configuration règle le comportement de la génération. Les leviers les plus utiles : l’instruction système, qui fixe le rôle et le ton du modèle pour toute la session ; la température, qui dose la créativité (basse pour des réponses factuelles et reproductibles, plus haute pour de la rédaction) ; et la limite de jetons en sortie, qui borne la longueur — un garde-fou direct contre les coûts. Ces paramètres se passent dans un même objet de configuration, que ce soit pour le texte, le function calling ou les sorties structurées : c’est un point d’entrée que vous réutiliserez dans chaque tutoriel.

Le raisonnement intégré

Une particularité des modèles récents de la gamme Gemini est le raisonnement : avant de produire sa réponse finale, le modèle peut dérouler une réflexion interne, invisible dans la sortie, pour décomposer un problème difficile. C’est ce qui explique qu’un modèle Flash de 2026 résolve des énigmes logiques ou du code que les générations précédentes rataient.

Ce que cela change pour vous, en pratique : sur les tâches complexes — raisonnement mathématique, planification, débogage — la qualité monte nettement, au prix de quelques jetons de réflexion supplémentaires et d’une latence un peu plus élevée. Sur les tâches simples, ce budget de réflexion peut souvent être réduit pour gagner en vitesse et en coût. L’idée à retenir au niveau de ce guide : vous n’avez pas toujours besoin d’un modèle Pro pour obtenir un bon raisonnement ; un Flash récent avec son raisonnement activé suffit souvent, et c’est exactement le genre d’arbitrage que ce parcours vous apprend à faire.

Clé API : AI Studio ou Vertex AI

Il existe deux portes d’entrée vers les mêmes modèles, et il faut comprendre laquelle choisir.

Google AI Studio (sur aistudio.google.com) est la voie rapide. Vous vous connectez avec un compte Google, vous générez une clé API en un clic, et vous êtes opérationnel. Un palier gratuit permet de prototyper sans carte bancaire. C’est par là que commence ce parcours, et c’est suffisant pour tous les tutoriels de cette série.

Vertex AI est la porte « entreprise », intégrée à Google Cloud Platform. On y bascule quand on a besoin de facturation centralisée, de quotas négociés, de contrôle d’accès fin par projet, de résidence des données ou d’intégration avec le reste de l’infrastructure Cloud. Le même SDK gère les deux : on change quelques paramètres à la création du client, pas la logique applicative. Si la certification Google Cloud vous intéresse, l’article devenir Associate Cloud Engineer situe Vertex AI dans l’ensemble GCP.

Pour apprendre et pour la plupart des applications de petite et moyenne taille, AI Studio suffit largement. Ne vous encombrez pas de Vertex AI tant que vous n’avez pas un besoin entreprise précis.

Les grandes capacités, et le tutoriel qui les couvre

L’API Gemini se découpe en un petit nombre de capacités. Les connaître par leur nom vous évite de réinventer ce qui existe déjà.

Génération de texte et streaming. Le cœur : on envoie une instruction, on reçoit une réponse. En streaming, la réponse arrive jeton par jeton, ce qui rend une interface bien plus vivante. C’est le sujet du premier tutoriel.

Conversation multi-tours. L’objet chat conserve l’historique pour vous : le modèle se souvient des échanges précédents sans que vous rejouiez tout le contexte à la main. Abordé dès le premier tutoriel, puis réutilisé dans le chatbot Node.js.

Appel de fonctions (function calling). Le modèle ne se contente plus de parler : il peut décider d’appeler une de vos fonctions — consulter un stock, créer un devis, interroger une API — et intégrer le résultat dans sa réponse. C’est la clé pour transformer un assistant en agent qui agit. Détaillé dans le tutoriel function calling.

Multimodal. Envoyer une image, un PDF ou un audio dans la même requête que votre question. Le tutoriel multimodal montre les deux méthodes : données en ligne pour les petits fichiers, File API pour les gros.

Sorties structurées. Au lieu d’un texte libre à parser de façon fragile, on impose au modèle un schéma JSON. La réponse est alors directement exploitable par votre code. Voir le tutoriel sur les sorties structurées.

Embeddings et RAG. Pour répondre sur vos propres documents, on les transforme en vecteurs avec un modèle d’embedding, on retrouve les passages pertinents par similarité, et on les fournit au modèle. C’est le pattern retrieval-augmented generation, couvert dans le tutoriel RAG. Pour le stockage des vecteurs à l’échelle, l’article PostgreSQL pgvector pour le RAG complète utilement.

Ancrage sur la recherche Google (grounding). Gemini peut connecter sa réponse à des résultats de recherche Google récents, ce qui réduit les inventions sur des faits d’actualité et fournit des sources. Cette capacité s’active comme un outil, dans la même logique que le function calling.

Ces capacités se combinent. C’est là que l’API prend toute sa puissance. Un assistant de gestion réaliste lit une facture en photo (multimodal), en extrait les lignes dans un schéma JSON validé (sorties structurées), vérifie le client dans votre base via une fonction (function calling), puis répond dans une conversation qui garde le fil (chat). Aucune de ces briques n’est compliquée prise isolément ; c’est leur assemblage qui fait l’application. Chaque tutoriel de cette série en isole une pour que vous la maîtrisiez, avant de les recombiner dans vos propres projets. Abordez-les dans l’ordre, et vous disposerez à la fin d’un répertoire de gestes que vous monterez comme des Lego.

Quotas, coûts et accès

Comprendre la facturation avant d’écrire la première ligne évite les mauvaises surprises. L’API Gemini facture à l’usage, en fonction du nombre de jetons en entrée et en sortie. Un jeton vaut environ trois quarts d’un mot en anglais, un peu moins en français. Les modèles Flash et surtout Flash-Lite coûtent une fraction du prix des modèles Pro : c’est la principale raison de ne pas surdimensionner votre choix de modèle.

Le palier gratuit d’AI Studio impose des limites de débit (requêtes par minute et jetons par minute) volontairement basses. Elles suffisent pour apprendre et prototyper, mais une application en production a besoin du palier payant, qui relève fortement ces plafonds. Surveillez deux signaux : l’erreur de quota (code 429), qui signale que vous dépassez le débit autorisé, et la consommation cumulée, visible dans la console.

Pour activer la facturation, une carte est en général demandée. Si vous n’avez pas de carte internationale, plusieurs banques et services de paiement mobile de la région émettent désormais des cartes virtuelles compatibles avec les paiements en dollars, ce qui débloque l’accès aux paliers payants. Côté maîtrise des coûts, trois réflexes : plafonnez la longueur des réponses, mettez en cache les requêtes répétées, et choisissez le plus petit modèle qui fait le travail.

Sécuriser votre clé API

Une clé API est un secret qui engage votre facture. La règle absolue : elle ne doit jamais apparaître dans le code source, ni être poussée sur un dépôt Git, ni être incluse dans une application front-end où n’importe quel visiteur peut la lire.

En développement, on range la clé dans une variable d’environnement, souvent via un fichier .env exclu du dépôt par .gitignore. Le client google-genai lit automatiquement GEMINI_API_KEY : vous n’avez même pas à la passer dans le code. En production, on utilise le gestionnaire de secrets de votre hébergeur. Et pour une application web ou mobile, l’appel à Gemini se fait toujours depuis votre serveur, jamais depuis le navigateur : le front interroge votre backend, qui seul détient la clé. Le tutoriel chatbot Node.js applique précisément ce schéma.

Erreurs fréquentes au démarrage

Questions fréquentes

Faut-il payer pour commencer ? Non. Le palier gratuit d’AI Studio permet de générer une clé et d’exécuter tous les tutoriels de cette série sans carte bancaire, dans la limite de quotas de débit raisonnables pour l’apprentissage.

Quel langage choisir, Python ou JavaScript ? Les deux sont des citoyens de première classe. Python domine côté data, scripts et back-office ; JavaScript ou TypeScript s’impose pour les applications web. Le SDK ayant la même structure, ce que vous apprenez dans l’un se transpose dans l’autre.

Quelle différence avec l’application Gemini grand public ? L’application est un produit fini ; l’API est la matière première avec laquelle vous construisez vos propres produits. Pour l’usage personnel sans code, voir le guide d’usage quotidien.

Gemini peut-il accéder à des informations récentes ? Oui, via l’ancrage sur la recherche Google. Sans cet outil, le modèle s’appuie sur ses connaissances internes, figées à sa date d’entraînement.

Comment éviter que le modèle invente des faits ? Trois leviers : fournir le contexte vous-même (le pattern RAG), activer l’ancrage sur la recherche, et demander des sorties structurées avec des champs vérifiables plutôt que du texte libre.

Mes données servent-elles à entraîner le modèle ? Cela dépend du palier et de la plateforme : les conditions diffèrent entre le palier gratuit d’AI Studio et l’usage payant ou via Vertex AI. Pour des données sensibles, lisez les conditions en vigueur et privilégiez la voie entreprise.

Pour aller plus loin

La documentation officielle ai.google.dev reste la source de référence pour les identifiants de modèles, les quotas et les nouveautés. Pour replacer Gemini dans le paysage plus large des modèles de langage, l’article panorama des LLM et le guide Claude offrent des points de comparaison. Et pour tirer le meilleur de n’importe quel modèle, le guide de prompt et context engineering reste valable quelle que soit l’API.

La suite logique est de mettre les mains dans le code : commencez par le premier appel à l’API Gemini en Python.