simonw/llm-gemini

何を解決するか

このプロジェクトは、llm CLIツール用のプラグインを提供し、GoogleのGeminiモデルファミリーへのシームレスなAPIアクセスを可能にします。ユーザーはコマンドラインからこれらのモデルと直接やり取りでき、APIキーを管理し、カスタム統合コードを書かずに高度なマルチモーダル機能を利用できます。

仕組み

このプラグインはGeminiモデルをllmエコシステムに統合します。インストール後、ユーザーはAPIキーを設定し、-mフラグを使ってGemini FlashやGemmaなどのさまざまなGeminiモデルを呼び出すことができます。画像、音声、動画、YouTube URLをプロンプトのコンテキストとして添付できるため、マルチモーダル入力をサポートしています。

対象ユーザー

llm CLIツールを使用し、GoogleのGeminiモデルをワークフローに統合したい開発者やパワーユーザー。特にマルチモーダル分析やコード実行、Google検索の接地（grounding）といったサーバーサイドツールが必要なユーザーに適しています。

特徴

• マルチモーダル対応: 画像、音声、動画ファイル、YouTube URLをプロンプトの添付として処理可能。
• サーバーサイドツール: CodeExecution（Pythonサンドボックス）、GoogleSearch（接地）、URLContext（Webコンテンツの取得）をサポート。
• 構造化出力: json_objectオプションを使用してJSON出力を強制可能。
• 埋め込み（Embeddings）: 複数のGemini埋め込みモデルに対応し、ベクトル次元数（768、1536、3072）をカスタマイズ可能。
• インタラクティブチャット: llm chatコマンドとの統合により、会話型AIが利用可能。