Gemini · Grounding mit Google Search und Live-Funktionen

Fragen Sie Gemini bei deaktiviertem Grounding „Wer hat bei den letzten Australian Open den Titel im Herreneinzel gewonnen?“, bekommen Sie womöglich eine selbstsichere Antwort zu einem Turnier, das vor dem Trainings-Cutoff des Modells zu Ende ging. Schalten Sie Grounding ein, führt Gemini eine echte Google-Suche aus, liest aktuelle Ergebnisse und liefert Ihnen die aktuelle Antwort mit Links, die Sie zur Überprüfung anklicken kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Diese Lektion zeigt, wie das funktioniert und wie Sie es in der Gemini APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → und in AI Studio aktivieren.

Das Problem, das Grounding löst

Ein Basismodell antwortet aus seinen Parametern. Dieses Wissen ist zum Trainingszeitpunkt eingefroren und kennt kein „heute“. Bei allem Zeitkritischen (Preise, Spielstände, News, Wechsel in der Führungsebene, Produktversionen) ist das Modell entweder veraltet oder es rät.

Grounding verbindet das Modell zur Inferenzzeit mit einer externen Quelle der Wahrheit und lässt es seine Antwort auf das Abgerufene stützen. Beim Grounding mit Google Search ist diese Quelle die Live-Google-Suche. Gemini entscheidet, wann eine Anfrage aktuelle Fakten braucht, führt die Suche aus und stützt seine Antwort auf die Ergebnisse.

Der Nutzen besteht aus zwei Dingen, die ein rohes Modell nicht liefert: Aktualität und Quellenangaben. Die API gibt die stützenden Suchergebnisse und die Textabschnitte zurück, die sie belegen, sodass Sie Nutzern zeigen können, woher jede Aussage stammt.

Ohne und mit Grounding im direkten Vergleich

Prompt: *„Was ist die neueste stabile Version des Gemini API SDK für Python, und wann wurde sie veröffentlicht?“*

Antwort ohne Grounding: eine plausibel klingende Versionsnummer, möglicherweise falsch, keine Quelle, kein Datum, dem Sie trauen können.

Antwort mit Grounding: die Version laut aktuellen Suchergebnissen, plus groundingChunks, die auf die offizielle Dokumentation und die Release Notes verweisen. Ist die Antwort falsch, sehen Sie anhand der Quellen, *warum*, statt blind neu zu prompten.

Das ist der zentrale Perspektivwechsel: **Mit Grounding wird eine falsche Antwort zu einer *debuggbaren* Antwort**.

Grounding in der Gemini API aktivieren

Grounding ist ein Tool, das Sie einer Anfrage anhängen. Den Prompt ändern Sie nicht. Sie geben dem Modell das Google-Search-Tool und lassen es entscheiden, wann es aufgerufen wird.

from google import genai
from google.genai import types

client = genai.Client()  # liest GEMINI_API_KEY aus der Umgebung

response = client.models.generate_content(
    model="gemini-3-flash-preview",  # aktuelle Flash-ID auf der Models-Seite prüfen
    contents="Who won the most recent F1 Grand Prix, and what was the date?",
    config=types.GenerateContentConfig(
        tools=[types.Tool(google_search=types.GoogleSearch())]
    ),
)

print(response.text)

# Prüfen, worauf sich das Modell tatsächlich gestützt hat
metadata = response.candidates[0].grounding_metadata
for chunk in metadata.grounding_chunks:
    print(chunk.web.title, "->", chunk.web.uri)

Einige Punkte, die Ihnen auffallen sollten:

• Sie übergeben google_search als Tool, neben allen Function-Calling-Tools, die Sie bereits nutzen. Das Modell entscheidet pro Anfrage, ob es das Tool aufruft.
• Die Antwort enthält einen grounding_metadata-Block. Dort stehen die Quellenangaben, nicht im Fließtext.
• Flash aus der aktuellen Gemini-3-Familie ist ein sinnvoller Standard. Grounding-Anfragen sind häufig und fallen in großem Volumen an, und Flash hält Latenz und Kosten niedrig. Greifen Sie zu Pro, wenn das Reasoning *über* die abgerufenen Fakten schwierig ist. Ältere 2.5-Modelle funktionieren vorerst noch, neue Projekte sollten aber mit der aktuellen Generation starten.
• Modell-IDs ändern sich, wenn Previews zu stabilen Releases werden. Legen Sie die exakte ID von der Models-Seite fest, statt eine aus einem Tutorial zu kopieren.
• Grounding wird getrennt von den TokensTokensEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen → abgerechnet. Bei neueren Modellen fällt die Gebühr pro Suchanfrage an, die das Modell ausführt, sodass ein Prompt als mehrere Suchen zählen kann. Prüfen Sie die Pricing-Seite, bevor Sie skalieren.

Holen Sie sich einen Key und probieren Sie das in wenigen Minuten unter aistudio.google.com aus. Die vollständige Tool-Referenz finden Sie in der Dokumentation zu Google Search Grounding.

Grounding-Metadaten richtig lesen

grounding_metadata liefert Ihnen drei nützliche Strukturen:

• grounding_chunks: die Quellen (Titel + URI). Das sind Ihre Quellenangaben.
• grounding_supports: ordnet Abschnitte des Antworttexts den Chunks zu, die sie stützen. So bauen Sie Fußnoten pro Satz.
• web_search_queries: die tatsächlichen Anfragen, die Gemini an die Suche geschickt hat. Hilfreich beim Debugging, wenn eine Antwort seltsam wirkt, weil Sie sehen, wonach gesucht wurde.

Wenn Sie Nutzern Antworten mit Grounding anzeigen, verlangen die Bedingungen von Google, dass Sie die in der Antwort zurückgegebenen Suchvorschläge (searchEntryPoint) anzeigen. Rendern Sie sie. Das ist keine optionale Dekoration.

entry = response.candidates[0].grounding_metadata.search_entry_point
if entry and entry.rendered_content:
    html_to_show_in_ui = entry.rendered_content

Grounding in AI Studio (ohne Code)

Öffnen Sie in AI Studio einen Chat-Prompt und aktivieren Sie Grounding with Google Search im Tools-Bereich rechts. Senden Sie Ihre zeitkritische Frage und beobachten Sie, wie die Antwort mit einer Quellenleiste darunter zurückkommt.

So *vergleichen* Sie das Verhalten am schnellsten. Lassen Sie denselben Prompt erst mit ausgeschaltetem, dann mit eingeschaltetem Schalter laufen. Der Kontrast macht den Nutzen offensichtlich, und der Button „Get code“ exportiert die exakte Anfrage (einschließlich der Tool-Konfiguration oben), sodass Sie sie direkt in Ihre App übernehmen können.

Grounding vs. RAGRAGVerfahren, mit dem ein KI-Modell aus Ihren eigenen Dokumenten antwortet, indem es relevante Passagen abruft, bevor es eine Antwort erzeugt.Vollständige Definition ansehen →: wann was

RAG kennen Sie konzeptionell bereits. Grounding mit Search ersetzt es nicht. Entscheiden Sie danach, wo die Wahrheit liegt:

• Ihre Wahrheit ist privat (interne Dokumente, ein Produktkatalog, eine Wissensdatenbank): Bauen Sie RAG über Ihre eigenen Daten auf oder nutzen Sie die Optionen für Grounding auf eigenen Daten in Vertex AI.
• Ihre Wahrheit ist öffentlich und aktuell (News, Wetter, Spielstände, Marktdaten, „was ist die neueste Version von X“): Grounding mit Google Search.

Viele produktive Assistenten nutzen beides: RAG für Unternehmenswissen, Search Grounding für das offene Web. Beides lässt sich sauber kombinieren, weil es sich in beiden Fällen einfach um Tools handelt, die das Modell aufrufen kann.

Live-Funktionen: multimodale Interaktion in Echtzeit

Grounding macht Antworten *aktuell*. Die Live API macht Interaktion *zu Echtzeit*. Das sind unterschiedliche Fähigkeiten, die oft verwechselt werden, also bleiben Sie präzise.

Die Live API öffnet einen dauerhaften, bidirektionalen Stream mit niedriger Latenz zwischen Ihrer App und Gemini. Statt „Prompt senden, auf die vollständige Antwort warten“ streamen Sie Audio (und optional Videoframes) *hinein* und empfangen Audio und Text *heraus*, während sie generiert werden. Der Nutzer kann mitten im Satz unterbrechen, und das Modell kommt damit zurecht. Darauf basieren natürliche Sprachgespräche, Hilfe per Live-Bildschirmfreigabe und Tutoring in Echtzeit.

Wichtige Eigenschaften:

• Streaming in beide Richtungen über eine WebSocket-artige Session, nicht Request/Response.
• Natives Audio rein und raus, Sie müssen also kein separates Speech-to-Text und Text-to-Speech anflanschen. Das Modell hört und spricht direkt.
• Unterbrechungen und Sprecherwechsel übernimmt die Session.
• Tools funktionieren auch in einer Live-Session, einschließlich Function Calling und Search Grounding. Ein Sprachassistent kann eine gesprochene Antwort auf Live-Suchergebnisse stützen.

Eine minimale Live-Session

import asyncio
from google import genai

client = genai.Client()
# Native-Audio-Modell-IDs sind versionierte Previews, die alle paar Monate wechseln.
# Kopieren Sie die aktuelle ID aus der Live-API-Dokumentation.
MODEL = "<current-native-audio-model-id>"

async def main():
    config = {"response_modalities": ["AUDIO"]}
    async with client.aio.live.connect(model=MODEL, config=config) as session:
        await session.send_client_content(
            turns={"parts": [{"text": "In one sentence, what's the weather typically like in Lisbon in May?"}]}
        )
        async for message in session.receive():
            if message.data:
                play_audio_chunk(message.data)  # Ihre Audioausgabe

asyncio.run(main())

Live- und Native-Audio-Modelle erscheinen als datierte Previews und werden nach Plan eingestellt. Eine Modell-ID, die letztes Jahr hartcodiert wurde, schlägt heute also wahrscheinlich fehl. Prüfen Sie die Live-API-Dokumentation auf das aktuelle Modell, bevor Sie bauen. Die Struktur des Codes (verbinden, senden, asynchron über gestreamte Nachrichten iterieren) bleibt stabil.

Wann Live zählt

Nutzen Sie die Live API, wenn die *Interaktion* das Produkt ist:

• Voice Agents und Assistenten im Telefonstil.
• Support nach dem Prinzip „Zeigen Sie mir, was Sie sehen“, bei dem der Nutzer Kamera oder Bildschirm streamt und Gemini in Echtzeit reagiert.
• Live-Coaching, Sprachpraxis oder Accessibility-Tools, bei denen Latenz das Erlebnis zerstört.

Wenn Sie nur eine schnelle Textantwort brauchen, benötigen Sie die Live API nicht. Ein einfaches generate_content (mit Streaming-Ausgabe, wenn Sie die Tokens schon beim Eintreffen haben wollen) ist einfacher und günstiger.

Alles zusammen: ein Sprachassistent mit Grounding

Die beiden Funktionen ergeben zusammen etwas Nützliches: einen Echtzeit-Assistenten, der spricht, zuhört und auf Basis von Live-Fakten antwortet. Sie öffnen eine Live-Session, aktivieren das Search-Tool in der Session-Konfiguration, und das Modell stützt gesprochene Antworten automatisch auf Suchergebnisse.

config = {
    "response_modalities": ["AUDIO"],
    "tools": [{"google_search": {}}],
}
# Innerhalb der Live-Session löst eine gesprochene Frage wie
# "What did the markets do today?" jetzt eine echte Suche aus,
# und die gesprochene Antwort stützt sich auf Live-Ergebnisse.

Diese eine tools-Zeile macht den Unterschied zwischen einem Assistenten, der die heutige Marktbewegung selbstsicher erfindet, und einem, der tatsächlich nachsieht. Gleiches Muster wie bei der Nicht-Live-API: Grounding ist ein Tool, und das Modell entscheidet, wann es eingesetzt wird.

LeitplankenLeitplankenRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen → für die Produktion

Einige Punkte unterscheiden eine Demo von etwas, das Sie ausliefern:

• Rendern Sie immer die Quellenangaben. Wenn Sie die Quellen verstecken, haben Sie das Halluzinationsproblem mit zusätzlichen Schritten nachgebaut. Zeigen Sie grounding_chunks in der UI an.
• Zeigen Sie die Suchvorschläge (searchEntryPoint) an, wenn die Grounding-Bedingungen von Google das verlangen.
• Gehen Sie nicht davon aus, dass Grounding ausgelöst wurde. Das Modell kann aus seinen Parametern antworten, wenn es keine Suche für nötig hält. Prüfen Sie, ob grounding_metadata vorhanden ist, bevor Sie „das ist verifiziert“ behaupten.
• Wählen Sie das Modell-Tier bewusst. Nutzen Sie Flash für Grounding-Abfragen in großem Volumen und Pro, wenn das Reasoning über abgerufene Fakten der schwierige Teil ist. Behalten Sie die Gebühren pro Suche im Blick, die mit der Zahl der Anfragen steigen, die das Modell ausführt.
• Legen Sie Modell-IDs in der Konfiguration fest, nicht verstreut im Code, damit die Einstellung einer Preview mit einer Zeile behoben ist.
• Wenn Sie private und öffentliche Wahrheit brauchen, planen Sie RAG und Search Grounding parallel ein, statt ein Tool beide Aufgaben erledigen zu lassen.

Wo das skaliert

Für Enterprise-Deployments gibt es dasselbe Grounding-Konzept in Vertex AI, **mit Grounding auf Google Search *und* Grounding auf Ihren eigenen Unternehmensdaten, dazu die Governance-, Logging- und IAM-Kontrollen, die eine regulierte Organisation braucht**. Wenn Ihr Assistent vom Prototyp zu einem Produktivsystem in Google Cloud wird, ist das der Weg: siehe cloud.google.com/vertex-ai. Die API-Oberfläche ist so ähnlich, dass in AI Studio gebaute Prototypen ohne Neuschreiben Ihrer Kernlogik umziehen.

Key Takeaways

• Grounding ist ein Tool, kein Prompt-Trick. Hängen Sie google_search an Ihre Anfrage an. Das Modell entscheidet, wann es sucht, und gibt Quellenangaben in grounding_metadata zurück. Lesen Sie diese Quellen und zeigen Sie sie an.
• Nutzen Sie Grounding für das öffentliche, aktuelle Web und RAG für Ihre privaten Daten. Produktive Assistenten setzen häufig beides ein.
• Starten Sie neue Projekte mit den aktuellen Gemini-3-Modellen und legen Sie die IDs von der Models-Seite fest. Grounding wird bei neueren Modellen pro Suche abgerechnet, planen Sie das also im Budget ein.
• Bei der Live API geht es um Echtzeit-Interaktion, nicht um Aktualität. Streamen Sie Audio und Video über eine dauerhafte Session hinein und heraus, für Voice Agents und Live-Hilfe. Tools, einschließlich Search Grounding, funktionieren darin, schlagen Sie aber immer das aktuelle Native-Audio-Modell nach.
• Prototypen Sie in AI Studio und exportieren Sie dann. Schalten Sie Grounding ein und aus, um den Kontrast zu sehen, klicken Sie auf „Get code“ und übernehmen Sie die exakte Tool-Konfiguration in Ihre App.
• Zeigen Sie immer Quellenangaben und Suchvorschläge an. Wer Quellen versteckt, untergräbt den Sinn von Grounding und verstößt unter Umständen gegen die Nutzungsbedingungen.