1. 简介
在 Web 开发中，将设计概念转化为可正常运行的网站的过程既耗时又复杂。然而，随着 Gemini 等生成式 AI 模型的出现，这一过程会变得越来越精简、易于接受。我们将构建一个解决方案，专门将手绘线框图转换为网站代码。这款强大的工具使设计师和开发者都能以前所未有的轻松、高效方式将他们的网站构想变为现实。
在本实验中，我们将构建一个 Web 应用，让用户能够根据用户使用 Vertex AI 的生成式 AI 模型（Gemini 1.5 Flash、Gemini 1.5 Pro 等）输入的线框图和提示来生成网站代码（html、css 和 JavaScript）。该应用将使用热门的 Python Web 框架 Flask 构建，并将使用 Vertex AI 客户端库与生成模型服务进行交互。
构建内容
在本实验结束时，您将拥有一个可正常运行的 Web 应用，该应用可以根据线框图和提示生成图片。您还将更好地了解如何使用 Vertex AI 的生成式 AI 模型。
您的 Web 应用将如下所示：
应用的运作方式
- 上传手绘线框：用户可以将手绘线框图片上传到应用。
- 选择模型：应用提供一系列预训练的 Gemini 模型，这些模型针对不同设计风格进行了优化。
- 提供提示：用户可以选择提供文本提示，以指导模型的生成。
- 生成网站代码：应用将线框图和提示发送给 Gemini，由 Gemini 生成相应的网站代码。
- 显示结果：生成的代码显示在应用的响应页面中。
首先，我们将讨论线框图和提示的基础知识，以及如何使用它们生成网站代码。然后，我们将逐步介绍构建 Web 应用的步骤，包括如何处理用户输入、生成响应和显示结果。
2. 准备工作
- 在 Google Cloud Console 的项目选择器页面上，选择或创建一个 Google Cloud 项目。
- 确保您的 Google Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。
- 您将使用 Cloud Shell，这是一个在 Google Cloud 中运行的命令行环境。如需访问 Cloud Shell，请点击 Google Cloud 控制台顶部的“激活 Cloud Shell”。
- 在连接到 Cloud Shell 后，您可以使用以下命令检查是否已通过身份验证，以及项目是否已设置为您的项目 ID：
gcloud auth list
- 在 Cloud Shell 中运行以下命令，以确认 gcloud 命令了解您的项目。
gcloud config list project
- 如果项目未设置，请使用以下命令进行设置：
gcloud config set project <YOUR_PROJECT_ID>
- 确保已启用以下 API：
- Cloud Run
- Vertex AI
3. 第 1 步：引导 Python Cloud Run Web 应用
我们首先从 Cloud Shell 创建 Python Cloud Run Web 应用模板。
前往 Cloud Shell 终端，然后点击“打开编辑器”按钮。
确保在 Cloud Shell 编辑器的左下角（状态栏）中设置 Cloud Code 项目（如下图突出显示），并设置为已启用结算功能的有效 Google Cloud 项目。在系统提示时授权。
在状态栏上点击活跃项目，然后等待 Cloud Code 弹出式窗口打开。在弹出式窗口中选择“新建应用”。
从应用列表中选择 Cloud Run Application：
对于第 2/2 页，选择 Python Flask 模板：
根据需要提供项目名称（例如“amazing-gemini-app”），然后点击 OK：
此操作会打开您刚刚设置的新项目的模板。
就是这么简单，使用 Google Cloud Shell 引导 Web 应用就这么简单。
4. 第 2 步：构建前端
为此，我们需要一个 HTML 网页。该页面将包含定义 Web 应用的界面的代码。它包含一个表单，允许用户上传手绘线框图片、选择生成模型并提供文本提示。提交表单后，结果会显示在另一个标签页中。
复制以下代码并替换 templates 文件夹中的 index.html 文件：
<!DOCTYPE html>
<html>
<head>
<title>Draw a Website</title>
<style>
body {
font-family: sans-serif;
display: flex;
justify-content: center;
align-items: center;
min-height: 100vh; /* Ensure form is centered vertically */
background-color: #f4f4f4;
}
.container {
background-color: white;
padding: 30px;
border-radius: 8px;
box-shadow: 0 2px 5px rgba(0, 0, 0, 0.1);
text-align: center;
}
h2 {
text-align: center;
margin-bottom: 20px;
}
input[type="file"], textarea, select {
width: 100%;
padding:10px;
margin-bottom: 15px;
border: 1px solid #ccc;
border-radius: 4px;
box-sizing: border-box;
}
button {
background-color: #4CAF50;
color: white;
padding: 12px 20px;
border: none;
border-radius: 4px;
cursor: pointer;
}
</style>
</head>
<body>
<div class="container">
<h2>Draw a Website</h2>
<form action="/response" target="_blank" method="post" enctype="multipart/form-data">
<input type="file" id="image-upload" name="image-upload" accept=".png, .jpg, .jpeg">
<select name="model">
<option value="gemini-1.5-flash-001">Gemini 1.5 Flash</option>
<option value="gemini-1.5-pro-001">Gemini 1.5 Pro</option>
<option value="gemini-1.0-pro-vision-001">Gemini 1.0 Pro Vision</option>
</select>
<textarea name="prompt" placeholder="Write your prompt here. For example: 'Convert this drawing into an html page'">Convert this drawing into an html page</textarea>
<button type="submit">Submit</button>
</form>
</div>
</body>
</html>
当用户与应用交互时，会发生以下操作：
- 用户选择线框图片，选择模型，然后输入提示。
- 当用户点击“提交”按钮时，表单数据（图片、模型和提示）会使用 HTTP POST 方法发送到 /response 网址。
- 服务器端代码（在 app.py 中实现）会处理表单数据，并使用指定的模型和提示生成响应。
- 生成的回答会显示在新标签页中。
我们现在已准备好 Web 应用的前端部分。
5. 第 3 步：构建后端（生成式 AI）
让我们来编写此 Web 应用的主要部分。app.py 文件，接受用户输入图片、所选模型和提示，并将其转换为网站代码。
复制 app.py 的完整代码：
# Import the necessary libraries.
import os
import random
from flask import (
Flask,
render_template,
request,
redirect
)
import vertexai
from vertexai.generative_models import (
GenerativeModel,
Image
)
# Initialize the Flask app.
app = Flask(__name__)
app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024 # 16 MB per image
# TODO: Replace "YOUR_PROJECT_ID" before running
# Initialize the Vertex AI client library.
vertexai.init(project="YOUR_PROJECT_ID", location="us-central1")
# Define a function to generate response from a wireframe and a prompt.
def generate(wireframe, model, prompt):
'''Generates a response from a wireframe and a prompt.
Args:
wireframe: The wireframe image.
model: The generative model to use.
prompt: The prompt to use.
Returns:The generated response.
'''
# Create a GenerativeModel object.
model = GenerativeModel(model)
# Create a list of contents to pass to the model.
contents = [
wireframe,
prompt
]
# Generate the response.
responses = model.generate_content(
contents=contents,
stream=True,
)
# Concatenate the response text.
response = ""
for res in responses:
response += res.text.strip()
# Return the generated response.
return response
# Define the home page route.
@app.route('/', methods=['GET'])
def index():
'''Renders the home page.
Returns:The rendered template.
'''
return render_template('index.html')
# Define the response route.
@app.route('/response', methods=['GET', 'POST'])
def response():
'''Handles the response to the user's input.
Returns:The rendered template.
'''
# If the request is a POST request, process the form data.
if request.method == 'POST':
# Get the uploaded image from the request.
uploaded_image = request.files['image-upload']
# Convert the uploaded image to a wireframe image.
wireframe = Image.from_bytes(uploaded_image.read())
# Get the model and prompt from the request.
model = request.form['model']
prompt = request.form['prompt']
# Generate the response and render the response.
try:
response = generate(wireframe, model, prompt)
response = response.replace("```html", "").replace("```", "").strip()
return response
except ValueError as e:
raise e
# If the request is a GET request, redirect to the home page.
else:
return redirect('/')
# Run the app.
if __name__ == '__main__':
# Get the server port from the environment variables.
server_port = os.environ.get('PORT', '8080')
# Run the app.
app.run(debug=False, port=server_port, host='0.0.0.0')
代码的作用如下：
- 此代码会导入应用所需的库：
Flask：Python 的轻量级 Web 框架。
os：用于与操作系统交互。
random：用于生成随机数。
vertexai：Vertex AI 客户端库。
GenerativeModel 和 Image：Vertex AI Generative Models 库中的类。
- 初始化 Flask 应用：
接下来，它会初始化 Flask 应用，并将上传的图片允许的最大大小设置为 16 MB。
- 初始化 Vertex AI 客户端
它会使用指定的项目 ID 和位置初始化 Vertex AI 客户端库。请务必将 YOUR_PROJECT_ID 替换为您的项目 ID。
- 定义 generate 函数
该函数将线框图片、生成模型和提示作为输入。然后，它会使用指定的模型和提示生成网站 HTML。生成的响应会作为字符串返回。
- 定义首页路由
此函数定义主页路由。当用户访问应用程序的根网址时，系统会调用此函数。呈现 index.html 模板，即应用的首页。
- 定义响应路由
此函数定义响应路由。当用户在首页上提交表单时，系统会调用此函数。它会处理上传的图片、模型和提示，然后生成网站代码。生成的回答会显示在新标签页中。
- 运行应用
这部分代码会检查脚本是否作为主程序运行。如果是这样，它将从环境变量获取服务器端口，并在指定端口上运行应用。
6. 第 4 步：准备依赖项和 Dockerfile
请确保 requirements.txt 文件中具有以下依赖项：
Flask==2.3.3
requests==2.31.0
debugpy # Required for debugging.
google-cloud-aiplatform>=1.38
将 Dockerfile 内容替换为以下内容：
# Python image to use.
FROM python:3.11-slim
# Set the working directory to /app
WORKDIR /app
# copy the requirements file used for dependencies
COPY requirements.txt .
# Install any needed packages specified in requirements.txt
RUN pip install -r requirements.txt
# Copy the rest of the working directory contents into the container at /app
COPY . .
# Run app.py when the container launches
ENTRYPOINT ["python", "app.py"]
7. 第 5 步：部署 Web 应用
现在我们已经创建了应用组件，接下来我们部署应用。
前往 Cloud Shell 终端，确保当前项目已配置为活跃项目；如果没有，请使用 gcloud configure 命令来设置项目 ID：
gcloud config set project [PROJECT_ID]
然后按该顺序逐个输入以下命令：
cd draw-a-website
gcloud run deploy --source .
系统会提示您输入服务名称，例如“draw-website”。为区域“us-central1”选择对应的编号。当系统询问您是否允许未经身份验证的调用时，说“y”。请注意，我们允许在此处进行未经身份验证的访问，因为这是一个演示应用。建议您对企业和生产应用使用适当的身份验证。
部署完成后，您应该会收到类似于以下内容的链接：
**https://draw-website-*****eua-uc.a.run.app/
接下来测试您的应用：
8. 清理
为避免系统因此 Codelab 中使用的资源向您的 Google Cloud 账号收取费用，请按以下步骤操作：
9. 恭喜
恭喜！您已在 Cloud Run 上部署的 Python Flask 中成功构建了一个可将绘图转换为网站的快速 Web 应用。完整的代码库请点击此处。“画作”应用展现了 Gemini 在简化 Web 开发流程方面的变革力量。利用 AI，我们可以帮助设计师和开发者打造更快速、更准确且更具创意的网站。随着生成式 AI 模型的不断发展，我们预计未来会有更多突破性的应用。