W2 — LLM 程式操作示範

怎樣用程式呼叫 LLM？

你平常在 ChatGPT / Claude 網頁上打字聊天，背後其實就是一個程式在呼叫 LLM 的 API。我們今天要學的，就是怎樣自己寫程式來呼叫 LLM——跳過聊天介面，直接用 Python 控制 AI 做事。

核心概念很簡單：你送一段文字（prompt）給 API，API 回傳 AI 的回答。就這樣。

最簡單的 LLM 呼叫

# 三行就能呼叫 LLM
from google import genai

client = genai.Client(api_key="你的API_KEY")
response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="用一句話解釋什麼是心電圖"
)
print(response.text)

就這麼簡單。contents 就是你的 prompt，response.text 就是 AI 的回答。接下來我們把它包進 Streamlit，加上檔案上傳，就變成實用的工具。

單檔 LLM 程式

一個 Python 檔案 + 一個 API Key，就能做出有用的 AI 工具。不需要資料庫，不需要複雜的後端架構，不需要前端框架。今天我們用 Streamlit 做 UI，用 Gemini 3.5 Flash 做 LLM 後端，兩者搭配起來，幾分鐘就能做出一個完整的 AI 應用。

接下來用兩個實際例子示範：讀論文（送 PDF 給 LLM 分析）和讀圖片（送圖片給 LLM 描述），讓你看到 prompt 怎樣決定 AI 的行為。

實作一：讀論文程式

用 Gemini 3.5 Flash 自動分析 PDF 論文，產生結構化摘要。

1

建立專案

建立一個新的專案資料夾，啟動 conda 環境，安裝需要的套件。

$ mkdir gemini-apps
$ cd gemini-apps
$ conda activate bioagent
$ pip install streamlit google-genai

2

設定 API Key

將你的 Gemini API Key 設定為環境變數，讓程式可以讀取。

$ export GEMINI_API_KEY="你的API Key"

3

用 LLM 建立讀論文程式

打開 LLM，給它以下 prompt，讓它幫你生成完整的讀論文應用程式。

幫我寫一個 Streamlit 應用程式 paper_reader.py：

功能：
1. 使用者可以上傳 PDF 論文
2. 用 Gemini 3.5 Flash 分析論文內容
3. 自動產生：論文摘要、研究方法、主要發現、限制與未來方向
4. 顯示結果在漂亮的 Streamlit UI 上

技術要求：
- 使用 google-genai SDK
- Model: gemini-3.5-flash
- API Key 從環境變數 GEMINI_API_KEY 讀取
- 上傳的 PDF 用 Gemini 的 File API 處理

4

啟動並測試

用 Streamlit 啟動應用程式，然後在瀏覽器中測試。

$ streamlit run paper_reader.py

上傳一篇 PDF 論文測試
觀察 Gemini 的分析結果

實作二：讀圖片程式

用 Gemini 3.5 Flash 分析圖片內容，支援多輪對話提問。

1

用 LLM 建立讀圖片程式

打開 LLM，給它以下 prompt，讓它幫你生成圖片分析應用程式。

幫我寫一個 Streamlit 應用程式 image_reader.py：

功能：
1. 使用者可以上傳圖片（JPG, PNG）
2. 用 Gemini 3.5 Flash 分析圖片內容
3. 可以對圖片提問（例如「這張圖裡有什麼？」「請描述這張醫學影像」）
4. 支援多輪對話，可以追問

技術要求：
- 使用 google-genai SDK
- Model: gemini-3.5-flash
- API Key 從環境變數 GEMINI_API_KEY 讀取
- 圖片直接用 PIL 讀取後傳給 Gemini

2

啟動並測試

用 Streamlit 啟動應用程式，在瀏覽器中測試各種圖片分析情境。

$ streamlit run image_reader.py

上傳一張圖片測試
試著對圖片提問
試著上傳一張醫學影像（X-ray、CT scan 等），看 Gemini 的分析能力

觀察重點

注意你給 LLM 的 prompt 如何影響產出的程式品質。prompt 寫得越具體、越結構化，產出的程式就越完整、越好用。試著修改 prompt 的措辭，觀察產出的差異。

比較不同 prompt 寫法產出的程式差異。例如：只寫「幫我做一個讀論文的程式」vs 上面那樣列出完整的功能需求和技術要求，產出的品質會天差地別。

整個應用只有一個 Python 檔案，但功能已經很完整。不需要前後端分離、不需要資料庫、不需要複雜的部署流程。這就是「單檔 LLM 程式」的威力。

Gemini 3.5 Flash 速度快、便宜，非常適合 prototype。回應速度快意味著開發迭代快，價格便宜意味著可以大量測試，不用擔心成本。

這就是「單檔 LLM 程式」的威力：快速驗證想法，不需要複雜架構。從想法到可用的 prototype，可能只需要十分鐘。先做出來、先驗證，再決定要不要投入更多資源開發完整產品。

推到 GitHub

把你的 Gemini Streamlit 應用推上 GitHub，完成本次實作。

1

初始化 Git 並提交

初始化 Git repo，建立 .env 和 .gitignore，確保 API Key 不會被提交。

$ git init
$ echo "GEMINI_API_KEY=你的key" > .env
$ echo ".env" > .gitignore
$ git add paper_reader.py image_reader.py .gitignore
$ git commit -m "Add Gemini Streamlit apps"

IMPORTANT

千萬不要把 API Key commit 到 git！用 .env 檔案存放，並加到 .gitignore。API Key 一旦洩漏，別人就可以用你的額度呼叫 API，造成不必要的費用。