你有没有试过用 AI 写个小程序，结果打开 ChatGPT 网站，登录、等排队、还要付费？
Google AI Studio 不一样。注册 Google 账号就能用，Gemini API 每月有免费额度，足够个人项目跑起来。
今天教你从零开始，用 Gemini 搭一个实用工具。
一、注册和获取 API Key
打开 aistudio.google.com，用 Google 账号登录。
首页就能看到"Try the Gemini API"按钮。点进去，创建 API Key。
关键一步： 创建时选"Create API Key in Google Cloud Console"。这会帮你自动创建一个 Cloud Project，省去配置流程。
拿到 Key 后，先别急着用。把它存到环境变量里：
export GEMINI_API_KEY="你的API Key"
Windows 用户用：
set GEMINI_API_KEY=你的API Key
这样每次调用 API 都不用硬编码 Key，安全又方便。
二、Python 环境搭建
Gemini 的 Python SDK 安装很简单：
pip install google-genai
验证安装：
import google.genai as genai
client = genai.Client(api_key="你的API Key")
print("连接成功！")
跑一下，看到"连接成功"就说明环境没问题。
三、第一个项目：智能文件分类器
我做过一个实用场景：把下载文件夹里的文件按类型自动整理。
以前我手动分，后来写了个脚本。用 AI 写这个任务，比查文档快多了。
需求描述：
- 扫描指定目录
- 按文件扩展名分类
- 生成一个分类报告，说明每个类型有多少文件
- 把文件移到对应的文件夹里
给 Gemini 的 prompt：
用 Python 写一个文件分类脚本。
功能：
1. 接收一个目录路径作为参数
2. 扫描所有文件，按扩展名分类统计
3. 生成报告打印每种类型的文件数量和示例
4. 可选：把文件移动到按类型命名的子目录
5. 使用 argparse 处理命令行参数
6. 代码要有注释，异常处理要完善
Gemini 生成的代码大概长这样：
import argparse
import os
import shutil
from pathlib import Path
from collections import defaultdict
def classify_files(directory, dry_run=True):
"""分类目录中的文件"""
file_types = defaultdict(list)
for file_path in Path(directory).rglob('*'):
if file_path.is_file():
ext = file_path.suffix.lower() or '(无扩展名)'
file_types[ext].append(file_path)
# 打印报告
print(f"\n📊 {directory} 分类报告：\n")
for ext, files in sorted(file_types.items()):
print(f" {ext}: {len(files)} 个文件")
for f in files[:3]:
print(f" - {f.name}")
if len(files) > 3:
print(f" ... 还有 {len(files)-3} 个")
# 移动文件
if not dry_run:
for ext, files in file_types.items():
if ext and ext != '(无扩展名)':
target_dir = Path(directory) / ext.lstrip('.')
target_dir.mkdir(exist_ok=True)
for f in files:
shutil.move(str(f), str(target_dir / f.name))
return dict(file_types)
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("directory", help="要分类的目录")
parser.add_argument("--move", action="store_true", help="实际移动文件（默认只预览）")
args = parser.parse_args()
classify_files(args.directory, dry_run=not args.move)
把这段代码跑一下，看看效果。不满意？直接告诉 Gemini 哪里要改，它帮你调。
四、进阶：用 Gemini 做数据分析
Gemini 不只是写代码，它还能帮你分析数据。
比如你有个月销售数据 CSV，想看趋势分析。把数据发给 Gemini，让它生成分析代码：
import google.genai as genai
client = genai.Client(api_key="你的API Key")
# 读取数据
with open("sales.csv") as f:
data = f.read()
# 让 Gemini 分析
response = client.models.generate_content(
model="gemini-2.0-flash",
contents=f"""
这是一份月度销售数据：
{data[:2000]}
请帮我：
1. 找出销售额最高和最低的月份
2. 计算同比增长率（如果有的话）
3. 给出3条业务建议
用 Python 代码实现分析，直接可运行。
"""
)
print(response.text)
注意： 如果你的数据超过 Gemini 的 token 限制，先用 pandas 做聚合，再发给 AI 分析。这样既省钱又高效。
五、搭建一个轻量级聊天机器人
不用搭服务器，不用搞 WebSocket。用 Flask 几分钟搞定。
from flask import Flask, request, jsonify
import google.genai as genai
app = Flask(__name__)
client = genai.Client(api_key="你的API Key")
# 存储对话历史
conversations = {}
@app.route('/chat', methods=['POST'])
def chat():
data = request.json
user_id = data.get('user_id', 'default')
message = data.get('message', '')
if user_id not in conversations:
conversations[user_id] = []
conversations[user_id].append({"role": "user", "content": message})
response = client.models.generate_content(
model="gemini-2.0-flash",
contents=conversations[user_id]
)
reply = response.text
conversations[user_id].append({"role": "model", "content": reply})
# 只保留最近20条对话，避免 token 爆炸
conversations[user_id] = conversations[user_id][-20:]
return jsonify({"reply": reply})
if __name__ == '__main__':
app.run(port=5000)
前端就一个输入框和一个回复区域，调用 /chat 接口就行。
六、避坑指南
1. Token 超限怎么办？
Gemini 免费额度的上下文窗口是 1M token，但单次请求有上限。如果数据太大，分段发送或者用 embedding 做检索。
2. 响应速度慢？
gemini-2.0-flash 比 gemini-2.0-pro 快很多，适合大多数场景。非实时任务再考虑 pro 版本。
3. API Key 泄露？
别把 Key 提交到 GitHub。用 .env 文件加 python-dotenv 加载：
pip install python-dotenv
from dotenv import load_dotenv
load_dotenv()
import os
api_key = os.getenv("GEMINI_API_KEY")
七、免费额度够不够用？
Gemini API 免费 tier 每月给你 60 次/分钟的请求额度，以及一定的每日 token 额度。
个人项目、学习 demo、小型工具——完全够用。只有当你日均调用上万次，才需要考虑付费。
总结
Google AI Studio 是个人开发者入坑 AI 应用的好入口。注册简单、免费额度慷慨、Python SDK 完善。
你现在就可以去 aistudio.google.com 拿个 Key，写个脚本试试。比看完这篇教程再动手，强百倍。
有什么想问的？评论区见。