Gemini · Grounding avec Google Search et fonctionnalités live
Demandez à Gemini « Qui a remporté le simple messieurs lors du dernier Open d'Australie ? » avec le grounding désactivé, et vous risquez d'obtenir une réponse assurée sur un tournoi terminé avant la date de coupure de l'entraînement du modèle. Activez le grounding, et Gemini lance une vraie recherche Google, lit des résultats récents et vous donne la réponse actuelle, avec des liens cliquables pour vérifier. Cette leçon explique comment cela fonctionne et comment l'activer dans l'APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → Gemini et dans AI Studio.
Le problème que résout le grounding
Un modèle de base répond à partir de ses paramètres. Cette connaissance est figée au moment de l'entraînement et n'a aucune notion d'« aujourd'hui ». Pour tout ce qui dépend du moment (prix, scores, actualités, changements de direction, versions de produits), le modèle est soit dépassé, soit en train de deviner.
Le grounding relie le modèle à une source de vérité externe au moment de l'inférenceinférenceLe moment où un modèle d'IA entraîné se met au travail : il reçoit une donnée nouvelle et produit une réponse, une prédiction ou un contenu.Voir la définition complète → et l'oblige à fonder sa réponse sur ce qu'il récupère. Avec le grounding avec Google Search, cette source est Google Search en direct. Gemini décide quand une requête nécessite des faits récents, lance la recherche et conditionne sa réponse aux résultats.
Le bénéfice tient en deux choses qu'un modèle brut ne peut pas offrir : la fraîcheur et les citations. L'API renvoie les résultats de recherche à l'appui et les passages de texte qu'ils étayent, ce qui vous permet de montrer aux utilisateurs d'où vient chaque affirmation.
Sans grounding et avec grounding, côte à côte
Prompt : *« Quelle est la dernière version stable du SDK de l'API Gemini pour Python, et quand est-elle sortie ? »*
Réponse sans grounding : un numéro de version plausible, peut-être faux, sans source, sans date fiable.
Réponse avec grounding : la version indiquée par les résultats de recherche actuels, plus des groundingChunks pointant vers la documentation officielle et les notes de version. Si la réponse est fausse, vous pouvez voir *pourquoi* en examinant les sources au lieu de relancer le prompt à l'aveugle.
C'est le changement de perspective essentiel : **avec le grounding, une réponse fausse devient une réponse *débogable***.
Activer le grounding dans l'API Gemini
Le grounding est un outil que vous attachez à une requête. Vous ne modifiez pas le prompt. Vous donnez au modèle l'outil Google Search et le laissez décider quand l'appeler.
from google import genai
from google.genai import types
client = genai.Client() # lit GEMINI_API_KEY depuis l'environnement
response = client.models.generate_content(
model="gemini-3-flash-preview", # vérifiez l'ID Flash actuel sur la page des modèles
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)
# Examiner ce sur quoi le modèle s'est réellement appuyé
metadata = response.candidates[0].grounding_metadata
for chunk in metadata.grounding_chunks:
print(chunk.web.title, "->", chunk.web.uri)Quelques points à noter :
- Vous passez
google_searchcomme outil, à côté des outils de function calling que vous utilisez déjà. Le modèle choisit de l'invoquer ou non à chaque requête. - La réponse contient un bloc
grounding_metadata. C'est là que se trouvent les citations, pas dans le texte. - Flash, de la famille Gemini 3 actuelle, est un choix par défaut raisonnable. Les requêtes avec grounding sont fréquentes et en gros volume, et Flash limite la latence et le coût. Passez à Pro quand le raisonnement *sur* les faits récupérés est difficile. Les anciens modèles 2.5 fonctionnent encore pour l'instant, mais les nouveaux projets doivent partir sur la génération actuelle.
- Les ID de modèles changent quand les previews deviennent des versions stables. Fixez l'ID exact depuis la page des modèles au lieu de le copier d'un tutoriel.
- Le grounding est facturé séparément des tokenstokensUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète →. Sur les modèles récents, il est facturé par requête de recherche lancée par le modèle, donc un seul prompt peut compter pour plusieurs recherches. Consultez la page des tarifs avant de passer à l'échelle.
Obtenez une clé et testez en quelques minutes sur aistudio.google.com. La référence complète de l'outil se trouve dans la documentation du grounding Google Search.
Bien lire les métadonnées de grounding
grounding_metadata vous fournit trois structures utiles :
grounding_chunks: les sources (titre + URI). Ce sont vos citations.grounding_supports: associe des passages du texte de la réponse aux chunks qui les étayent. C'est ainsi que vous construisez des notes de bas de page phrase par phrase.web_search_queries: les requêtes réellement envoyées par Gemini à Search. Utile pour déboguer quand une réponse semble bizarre, car vous voyez ce qu'il a cherché.
Si vous affichez des réponses avec grounding à des utilisateurs, les conditions de Google vous obligent à afficher les suggestions de recherche renvoyées dans la réponse (searchEntryPoint). Affichez-les. Ce n'est pas une décoration facultative.
entry = response.candidates[0].grounding_metadata.search_entry_point
if entry and entry.rendered_content:
html_to_show_in_ui = entry.rendered_contentLe grounding dans AI Studio (sans code)
Dans AI Studio, ouvrez un prompt de chat et activez Grounding with Google Search dans le panneau des outils à droite. Envoyez votre question liée à l'actualité et regardez la réponse revenir avec un bandeau de sources en dessous.
C'est le moyen le plus rapide de *comparer* les comportements. Lancez le même prompt avec l'option désactivée, puis activée. Le contraste rend la valeur évidente, et le bouton « Get code » exporte la requête exacte (y compris la configuration d'outil ci-dessus) pour que vous puissiez la reprendre directement dans votre application.
Grounding ou RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète → : quand utiliser quoi
Vous connaissez déjà le RAG sur le principe. Le grounding avec Search ne le remplace pas. Choisissez selon l'endroit où se trouve la vérité :
- Votre vérité est privée (documents internes, catalogue produits, base de connaissances) : construisez un RAG sur vos propres données, ou utilisez les options de grounding sur vos données dans Vertex AI.
- Votre vérité est publique et actuelle (actualités, météo, scores, données de marché, « quelle est la dernière version de X ») : grounding avec Google Search.
Beaucoup d'assistants en production utilisent les deux : RAG pour la connaissance de l'entreprise, grounding Search pour le web ouvert. Ils se combinent sans difficulté, car ce sont simplement deux outils que le modèle peut appeler.
Fonctionnalités live : interaction multimodale en temps réel
Le grounding rend les réponses *récentes*. La Live API rend l'interaction *temps réel*. Ce sont deux capacités différentes, souvent confondues, alors soyez précis.
La Live API ouvre un flux persistant, à faible latence et bidirectionnel entre votre application et Gemini. Au lieu de « envoyer le prompt, attendre la réponse complète », vous envoyez en streaming de l'audio (et éventuellement des images vidéo) *en entrée* et recevez de l'audio et du texte *en sortie* au fur et à mesure de leur génération. L'utilisateur peut interrompre en pleine phrase, et le modèle gère. C'est ce qui permet des conversations vocales naturelles, une aide en direct par partage d'écran et du tutorat en temps réel.
Propriétés clés :
- Streaming dans les deux sens via une session de type WebSocket, pas en requête/réponse.
- Audio natif en entrée et en sortie, donc pas de speech-to-text et de text-to-speech séparés à greffer. Le modèle entend et parle directement.
- Les interruptions et les tours de parole sont gérés par la session.
- Les outils fonctionnent toujours dans une session live, y compris le function calling et le grounding Search. Un assistant vocal peut ancrer une réponse orale dans des résultats Search en direct.
Une session Live minimale
import asyncio
from google import genai
client = genai.Client()
# Les ID de modèles native-audio sont des previews versionnées qui changent tous les quelques mois.
# Copiez l'ID actuel depuis la documentation de la Live API.
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) # votre sortie audio
asyncio.run(main())Les modèles Live et native-audio sont publiés sous forme de previews datées et retirés selon un calendrier, donc un ID de modèle codé en dur l'an dernier échouera probablement aujourd'hui. Consultez la documentation de la Live API pour connaître le modèle actuel avant de développer. La structure du code (connexion, envoi, itération asynchrone sur les messages en streaming) reste stable.
Quand le live compte
Utilisez la Live API quand l'*interaction* est le produit :
- Agents vocaux et assistants de type téléphonique.
- Support « montrez-moi ce que vous voyez », où l'utilisateur diffuse sa caméra ou son écran et où Gemini réagit en temps réel.
- Coaching en direct, pratique des langues ou outils d'accessibilité, où la latence tue l'expérience.
Si vous avez seulement besoin d'une réponse texte rapide, la Live API est inutile. Un simple generate_content (avec sortie en streaming si vous voulez les tokens au fil de l'eau) est plus simple et moins cher.
Vérification des acquis
1. Quel problème fondamental le grounding avec Google Search résout-il pour un modèle de langage ?
2. La leçon décrit un « changement de perspective essentiel » lié au grounding. Lequel ?
3. Selon la leçon, comment activer le grounding dans une requête à l'API Gemini ?
4. Sélectionnez TOUS les bénéfices du grounding avec Google Search qu'un modèle brut sans grounding ne peut pas offrir.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les situations où activer le grounding est clairement préférable à l'utilisation du seul modèle de base.
Sélectionnez toutes les réponses correctes.
Assembler le tout : un assistant vocal avec grounding
Les deux fonctionnalités se combinent en quelque chose d'utile : un assistant temps réel qui parle, écoute et répond à partir de faits en direct. Vous ouvrez une session Live, activez l'outil Search dans la configuration de la session, et le modèle ancre automatiquement ses réponses orales.
config = {
"response_modalities": ["AUDIO"],
"tools": [{"google_search": {}}],
}
# Dans la session live, une question orale comme
# "What did the markets do today?" déclenche désormais une vraie recherche,
# et la réponse orale est ancrée dans des résultats en direct.Cette seule ligne tools fait la différence entre un assistant qui invente avec aplomb l'évolution des marchés du jour et un assistant qui vérifie vraiment. Même logique que l'API non live : le grounding est un outil, et le modèle décide quand l'utiliser.
Garde-fousGarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → pour la production
Quelques points séparent une démo de ce que vous mettez en production :
- Affichez toujours les citations. Si vous masquez les sources, vous avez reconstruit le problème des hallucinations avec des étapes en plus. Exposez
grounding_chunksdans l'interface. - Affichez les suggestions de recherche (
searchEntryPoint) lorsque les conditions de grounding de Google l'exigent. - Ne supposez pas que le grounding s'est déclenché. Le modèle peut répondre à partir de ses paramètres s'il juge qu'aucune recherche n'est nécessaire. Vérifiez la présence de
grounding_metadataavant d'affirmer « c'est vérifié ». - Choisissez le niveau de modèle délibérément. Flash pour les recherches avec grounding en gros volume, Pro quand le raisonnement sur les faits récupérés est la partie difficile. Surveillez les coûts par recherche, qui augmentent avec le nombre de requêtes que le modèle décide de lancer.
- Fixez les ID de modèles dans la configuration, pas éparpillés dans le code, pour que le retrait d'une preview se corrige en une ligne.
- Si la vérité est à la fois privée et publique, prévoyez de faire tourner RAG et grounding Search ensemble plutôt que de forcer un seul outil à faire les deux.
Passer à l'échelle
Pour les déploiements en entreprise, le même concept de grounding existe dans Vertex AI, **avec le grounding sur Google Search *et* le grounding sur vos propres données d'entreprise, ainsi que les contrôles de gouvernance, de journalisation et d'IAM dont une organisation réglementée a besoin**. Si votre assistant passe du prototype à un système en production dans Google Cloud, c'est la voie à suivre : voir cloud.google.com/vertex-ai. Les API sont suffisamment proches pour que les prototypes construits dans AI Studio soient portés sans réécrire votre logique principale.
Points clés à retenir
- Le grounding est un outil, pas une astuce de prompt. Attachez
google_searchà votre requête. Le modèle décide quand chercher et renvoie les citations dansgrounding_metadata. Lisez et affichez ces sources. - Utilisez le grounding pour le web public et actuel, et le RAG pour vos données privées. Les assistants en production font souvent tourner les deux.
- Démarrez les nouveaux projets sur les modèles Gemini 3 actuels et fixez les ID depuis la page des modèles. Le grounding est facturé par recherche sur les modèles récents, prévoyez-le dans votre budget.
- La Live API concerne l'interaction en temps réel, pas la fraîcheur. Envoyez et recevez de l'audio et de la vidéo en streaming via une session persistante pour les agents vocaux et l'aide en direct. Les outils, y compris le grounding Search, y fonctionnent, mais vérifiez toujours le modèle native-audio actuel.
- Prototypez dans AI Studio, puis exportez. Activez et désactivez le grounding pour voir le contraste, cliquez sur « Get code » et reprenez la configuration d'outil exacte dans votre application.
- Affichez toujours les citations et les suggestions de recherche. Masquer les sources annule l'intérêt du grounding et peut enfreindre les conditions d'utilisation.
Questions fréquentes
Que fait concrètement le grounding avec Google Search dans la Gemini API ?
Il connecte Gemini à Google Search en direct au moment de l'inférence : le modèle récupère des résultats actuels et fonde sa réponse sur eux plutôt que sur des données d'entraînement figées. Vous ajoutez `google_search` comme outil dans la requête, et le modèle décide à chaque requête s'il lance une recherche. La réponse revient avec un `grounding_metadata` qui contient les sources derrière chaque affirmation.
Quelle est la différence entre le grounding avec Google Search et le RAG ?
La différence tient à l'endroit où se trouve la vérité. Le RAG va chercher dans vos données privées : documents internes, catalogue produits, base de connaissances. Le grounding avec Google Search va chercher sur le web public et actuel : actualités, scores, prix, dernière version d'un produit. Beaucoup d'assistants en production utilisent les deux, puisque chacun n'est qu'un outil que le modèle peut appeler.
Comment activer le grounding dans Google AI Studio sans écrire de code ?
Ouvrez un prompt de chat dans AI Studio, activez Grounding with Google Search dans le panneau des outils à droite, puis envoyez votre question liée à l'actualité. La réponse s'affiche avec une bande de sources en dessous. Lancer le même prompt avec l'option désactivée puis activée est le moyen le plus rapide de voir la différence, et le bouton "Get code" exporte la requête exacte, configuration de l'outil comprise.
Comment afficher les citations d'une réponse Gemini avec grounding ?
Les citations se trouvent dans `grounding_metadata`, pas dans le texte. `grounding_chunks` vous donne les sources avec leur titre et leur URI, `grounding_supports` associe des segments de la réponse aux chunks qui les étayent, ce qui permet de construire des notes de bas de page phrase par phrase, et `web_search_queries` montre ce que Gemini a réellement recherché quand une réponse semble fausse. Les conditions d'utilisation de Google exigent aussi d'afficher les suggestions de recherche renvoyées dans `searchEntryPoint`.
Quand utiliser la Gemini Live API plutôt qu'un appel generate_content standard ?
Utilisez la Live API quand l'interaction elle-même est le produit : agents vocaux, support de type « montrez-moi ce que vous voyez » avec une caméra ou un écran en streaming, coaching en direct ou outils d'accessibilité où la latence gâche l'expérience. Elle ouvre une session bidirectionnelle persistante avec de l'audio natif en entrée et en sortie, et gère les interruptions et les tours de parole. Si vous avez seulement besoin d'une réponse texte rapide, un simple `generate_content` avec sortie en streaming est plus simple et moins cher.
Un assistant vocal Gemini peut-il utiliser le grounding Google Search dans une session live ?
Oui. Les outils fonctionnent dans une session Live : ajouter `"tools": [{"google_search": {}}]` à la configuration de la session permet à une question orale comme « Qu'ont fait les marchés aujourd'hui ? » de déclencher une vraie recherche et de fonder la réponse orale sur des résultats en direct. Le principe est le même que pour l'API non live : le grounding est un outil et le modèle décide quand l'appeler. Attention, les modèles Live et native-audio sortent sous forme de previews datées qui sont ensuite retirées : vérifiez l'ID de modèle actuel dans la documentation de la Live API avant de développer.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Utilisez les extensions via @-mention pour les données applicatives, le search grounding pour les faits publics du web
- Prototypez visuellement dans AI Studio, puis récupérez le code avec une clé en variable d'environnement