如何使用Node.js接入并实现Gemini大模型API？

在人工智能应用爆发式增长的背景下，将大语言模型接入后端服务已成为提升产品智能化体验的关键路径。Node.js凭借其高并发和异步I/O的特性，非常适合处理大模型API的网络请求。本文将以Google推出的Gemini大模型为例，深入探讨如何在Node.js环境中实现完整的接入流程，从基础的文本生成到复杂的流式响应处理，帮助你构建出高性能的AI对话后端。

一、 环境准备与API密钥安全管理

在编写代码之前，确保本地或服务器安装了Node.js 18或更高版本。高版本的Node.js内置了原生的fetch API，这使得我们无需引入第三方HTTP库即可发起网络请求，大大简化了依赖管理。同时，你需要访问Google AI Studio获取Gemini API密钥，这是调用模型能力的凭证。

密钥的安全管理是后端开发的重中之重。绝对不要将API密钥硬编码在源代码文件中，这会导致严重的安全隐患，尤其是在代码推送到公开仓库时。正确的做法是使用环境变量来存储敏感信息。我们可以借助dotenv模块将密钥从.env文件中加载到process.env对象中。在项目根目录下创建.env文件，并写入你的密钥，然后在代码入口处通过require('dotenv').config()加载。这样即使代码被泄露，只要.env文件不被公开，密钥依然是安全的。

二、 构建基础请求模块与文本生成

有了环境变量支持后，我们可以开始封装Gemini的请求模块。Gemini API的调用本质上是向其REST接口发送POST请求。以文本生成模型gemini-pro为例，我们需要构造包含用户输入提示词的请求体。请求体通常是一个JSON对象，其中contents数组包含了对话历史，每个元素包含role和parts字段。

在Node.js中，我们可以使用原生的fetch函数发起请求。需要注意的是，请求头中必须包含Content-Type和x-goog-api-key等信息。当请求成功返回时，我们需要解析JSON响应。Gemini的响应结构较为复杂，生成的文本通常位于data.candidates[0].content.parts[0].text路径下。为了提高代码的健壮性，应当使用可选链操作符来避免因响应结构变化导致的程序崩溃，并加入对HTTP状态码的检查，一旦遇到非200状态码，立即抛出错误并打印响应详情，方便调试。

// 引入环境变量配置
require('dotenv').config();

// 从环境变量中获取API密钥和模型名称
const API_KEY = process.env.GEMINI_API_KEY;
const MODEL_NAME = 'gemini-pro';
const API_URL = `https://generativelanguage.googleapis.com/v1beta/models/${MODEL_NAME}:generateContent?key=${API_KEY}`;

// 封装文本生成函数
async function generateText(promptText) {
  // 构造请求体
  const requestBody = {
    contents: [
      {
        role: 'user',
        parts: [{ text: promptText }]
      }
    ],
    generationConfig: {
      temperature: 0.7,
      maxOutputTokens: 1024
    }
  };

  try {
    const response = await fetch(API_URL, {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify(requestBody)
    });

    if (!response.ok) {
      throw new Error(`HTTP error! status: ${response.status}`);
    }

    const data = await response.json();
    // 解析并返回生成的文本
    const generatedText = data?.candidates?.[0]?.content?.parts?.[0]?.text;
    return generatedText || '未生成有效文本';
  } catch (error) {
    console.error('调用Gemini API失败:', error);
    throw error;
  }
}

// 测试调用
generateText('请用Node.js写一个Hello World').then(console.log);

三、 实现流式输出与多轮对话支持

在实际的聊天应用中，等待大模型生成完整文本再返回给前端会导致用户体验极差。为了实现类似打字机的效果，我们需要使用流式输出。Gemini提供了streamGenerateContent接口来支持这一特性。在Node.js中处理流式响应，我们需要从response.body中获取ReadableStream对象，并通过异步迭代器逐块读取数据。每读取到一个数据块，就将其解析为JSON并提取出文本片段，通过WebSocket或Server-Sent Events实时推送到前端。

除了流式输出，多轮对话也是智能助手的核心能力。Gemini本身是无状态的，这意味着模型不会自动记住之前的对话。要实现多轮对话，我们需要在Node.js后端维护一个会话历史记录。每次发送新请求时，将之前的用户提问和模型回答按顺序拼接到contents数组中一并发送。需要注意的是，随着对话轮数增加，上下文体积会迅速膨胀，可能超出模型的Token限制。因此，在Node.js中应当实现一个滑动窗口机制，只保留最近几轮的对话记录，或者对早期的对话内容进行摘要压缩，确保请求体大小始终在合理范围内。

// 流式输出与多轮对话示例
const MODEL_STREAM_URL = `https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:streamGenerateContent?key=${process.env.GEMINI_API_KEY}`;

async function streamChat(history, newPrompt) {
  // 将新提示加入历史记录
  history.push({ role: 'user', parts: [{ text: newPrompt }] });

  const requestBody = { contents: history };

  const response = await fetch(MODEL_STREAM_URL, {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify(requestBody)
  });

  const reader = response.body.getReader();
  const decoder = new TextDecoder('utf-8');
  let buffer = '';
  let fullReply = '';

  while (true) {
    const { done, value } = await reader.read();
    if (done) break;

    // 处理流数据块
    buffer += decoder.decode(value, { stream: true });
    // Gemini流式响应通常以多行JSON数组形式返回，这里需按需解析
    // 此处为简化逻辑，实际应用中需处理不完整的JSON块
    try {
      const parsed = JSON.parse(buffer);
      buffer = ''; // 清空缓冲区
      const chunkText = parsed?.[0]?.candidates?.[0]?.content?.parts?.[0]?.text;
      if (chunkText) {
        fullReply += chunkText;
        process.stdout.write(chunkText); // 模拟推送到前端
      }
    } catch (e) {
      // JSON不完整，继续等待下一个数据块
    }
  }

  // 将模型回复加入历史记录，用于下一轮对话
  history.push({ role: 'model', parts: [{ text: fullReply }] });
  return history;
}

// 初始化历史记录
let chatHistory = [];
// 执行多轮对话
streamChat(chatHistory, '你好，我是小明').then(() => {
  return streamChat(chatHistory, '你还记得我叫什么吗？');
});

通过以上三个步骤的封装与实现，我们不仅能在Node.js中稳定调用Gemini大模型，还能支持流式响应和多轮对话等高级功能。这种基于原生模块的轻量级接入方案，既保证了系统的运行效率，又降低了维护成本，非常适合作为各类AI应用的后端基座。

Node.jsGemini API大模型修改时间：2026-08-21 21:57:12