from google.cloud import aiplatform
def largest_prime_factor(n):    """    使用 Gemini 2.0 Flash 找出给定数字的最大质因数。
    参数：        n：输入数字。
    返回：        n 的最大质因数。    """
    # 初始化 Vertex AI 客户端    client = aiplatform.gapic.PredictionServiceClient()
    # 定义端点和实例    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": f"逐步找出 {n} 的质因数分解。",        "model": "gemini-2.0-flash-thinking-exp"  # 对于推理任务使用思考模式    }
    # 发起预测请求    response = client.predict(endpoint=endpoint, instances=[instance])
    # 从响应中提取质因数分解步骤    prime_factorization_steps = response.predictions[0]["content"]
    # **实现从生成的步骤中提取质因数的逻辑**    # 这部分将取决于生成步骤的具体格式。    # 你可能需要使用正则表达式或其他解析技术。
    # **找出最大质因数**    # ... （从提取的因数中找出最大质因数的逻辑）
    return largest_prime_factor
# 示例用法number = 600851475143largest_factor = largest_prime_factor(number)print(f"{number} 的最大质因数是：{largest_factor}")

from google.cloud import aiplatform
def generate_bubble_sort_code():    """    使用 Gemini Flash 2.0 生成冒泡排序的 Python 代码。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": "编写一个使用冒泡排序算法对数字列表进行排序的 Python 函数。",        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    sorted_list_code = response.predictions[0]["content"]    return sorted_list_code
def explain_factorial_code():    """    使用 Gemini Flash 2.0 解释给定的阶乘代码片段。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    code_snippet = """    def factorial(n):        if n == 0:            return 1        else:            return n * factorial(n-1)    """    instance = {        "content": code_snippet,        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    code_explanation = response.predictions[0]["content"]    return code_explanation
# 获取生成的冒泡排序代码bubble_sort_code = generate_bubble_sort_code()print(bubble_sort_code)
# 获取阶乘代码的解释factorial_code_explanation = explain_factorial_code()print(factorial_code_explanation)

from google.cloud import aiplatform
def translate_english_to_spanish(english_text):    """    使用 Gemini Flash 2.0 将英文文本翻译为西班牙语。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": english_text,        "parameters": {            "translation_source_language_code": "en",            "translation_target_language_code": "es"        },        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    spanish_translation = response.predictions[0]["content"]    return spanish_translation
# 示例用法english_text = "Hello, how are you?"spanish_translation = translate_english_to_spanish(english_text)print(spanish_translation)

from google.cloud import aiplatform
def generate_robot_story():    """    使用 Gemini Flash 2.0 生成一个关于发现自身情感的机器人的短故事。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": "写一个关于发现自身情感的机器人的短故事。",        "parameters": {            "temperature": 0.7,  # 调整温度以增加创造力            "top_p": 0.9,       # 调整 top_p 以增加创造力        },        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    story = response.predictions[0]["content"]    return story
# 生成故事robot_story = generate_robot_story()print(robot_story)

from google.cloud import aiplatform
def transcribe_audio(audio_file):    """    使用 Gemini Flash 2.0 将音频转录为文本。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "audio": {            "uri": f"gs://{BUCKET_NAME}/{audio_file}"  # 替换为你的 GCS URI        },        "model": "gemini-2.0-flash-audio"    }    response = client.predict(endpoint=endpoint, instances=[instance])    transcription = response.predictions[0]["content"]    return transcription
# 示例用法audio_file = "audio_recording.wav"transcription = transcribe_audio(audio_file)print(transcription)

from google.cloud import aiplatform
def text_to_speech(text_to_speak):    """    使用 Gemini Flash 2.0 将文本转换为音频。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": text_to_speak,        "model": "gemini-2.0-flash-audio"    }    response = client.predict(endpoint=endpoint, instances=[instance])    audio_content = response.predictions[0]["audio"]["content"]
    # 将音频内容保存到文件（例如 "generated_audio.mp3"）    with open("generated_audio.mp3", "wb") as f:        f.write(audio_content)
# 示例用法text_to_speak = "这是文本转语音的一个示例。"text_to_speech(text_to_speak)

from google.cloud import aiplatform
def describe_image(image_file):    """    使用 Gemini Flash 2.0 生成图像描述。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "image": {            "uri": f"gs://{BUCKET_NAME}/{image_file}"  # 替换为你的 GCS URI        },        "model": "gemini-2.0-flash-vision"    }    response = client.predict(endpoint=endpoint, instances=[instance])    image_description = response.predictions[0]["content"]    return image_description
# 示例用法image_file = "image.jpg"image_description = describe_image(image_file)print(image_description)

from google.cloud import aiplatform
def generate_sql_query(natural_language_query, database_schema):    """    使用 Gemini Flash 2.0 从自然语言描述生成 SQL 查询语句。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": natural_language_query,        "parameters": {            "database_schema": database_schema        },        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    sql_query = response.predictions[0]["content"]    return sql_query
# 示例用法natural_language_query = "找出所有来自加利福尼亚的客户姓名。"database_schema = "my_database"sql_query = generate_sql_query(natural_language_query, database_schema)print(sql_query)

from google.cloud import aiplatform
def summarize_doc(doc_id):    """    使用 Gemini Flash 2.0 概述 Google 文档。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "doc_id": doc_id,        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    doc_summary = response.predictions[0]["content"]    return doc_summary
# 示例用法doc_id = "YOUR_DOC_ID"doc_summary = summarize_doc(doc_id)print(doc_summary)

from google.cloud import aiplatform
def draft_email(email_subject, email_body):    """    使用 Gemini Flash 2.0 起草电子邮件回复。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": f"**主题：** {email_subject}\n\n{email_body}",        "parameters": {            "email_draft_mode": True        },        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    draft_email = response.predictions[0]["content"]    return draft_email
# 示例用法email_subject = "会议确认"email_body = "这是电子邮件正文。"draft_email = draft_email(email_subject, email_body)print(draft_email)

from google.cloud import aiplatform
def web_search(search_query):    """    使用 Gemini Flash 2.0 进行网络搜索。    """    client = aiplatform.gapic.PredictionServiceClient()    endpoint = "YOUR_ENDPOINT_NAME"  # 替换为你的端点名称    instance = {        "content": search_query,        "model": "gemini-2.0-flash-text"    }    response = client.predict(endpoint=endpoint, instances=[instance])    search_results = response.predictions[0]["content"]    return search_results
# 示例用法search_query = "法国的首都是什么？"search_results = web_search(search_query)print(search_results)