Google AI Studio : température, System Instructions et Function Calling

1L'antichambre des API : piloter les hyperparamètres et déclarer des fonctions

L'antichambre des API permet de piloter les hyperparamètres et déclarer des fonctions pour orchestrer des flux métiers rigoureux. Google AI Studio dévoile le moteur brut de Gemini sans les filtres de l'interface grand public.

Dans l'application grand public, Google applique des consignes invisibles par défaut. Dans Google AI Studio, vous sélectionnez le modèle exact (Gemini 2.5 Flash pour la vitesse ou Pro pour le raisonnement approfondi), calibrez la température (de 0.0 pour un déterminisme mathématique à 1.0 pour l'exploration créative) et activez deux modes d'ingénierie structurelle complémentaires :

• Structured Outputs (Sorties structurées) : Vous fournissez un schéma JSON Schema. Gemini masque ses probabilités de tokens pour garantir que sa réponse finale adopte 100 % de la structure demandée, sans texte d'introduction ni bavardage parasite.
• Function Calling (Appel de fonctions) : Vous déclarez un catalogue d'outils disponibles (nom de la fonction, description de son rôle et schéma JSON des paramètres attendus). Lorsque la demande nécessite une information fraîche, Gemini émet un objet JSON functionCall typé. Votre serveur exécute l'opération et lui renvoie un functionResponse, que Gemini utilise pour formuler sa conclusion.

Touchez pour agrandir

2Déclarer une fonction d'inventaire en JSON Schema dans Google AI Studio

Déclarer une fonction d'inventaire en JSON Schema dans Google AI Studio illustre comment connecter Gemini aux stocks réels d'une entreprise sans hallucination.

Un responsable logistique souhaite que Gemini réponde aux demandes sur la disponibilité des pièces détachées en interrogeant la base de données interne plutôt qu'en improvisant des chiffres.

1. Déclaration de la fonction (Tools > Function Calling dans AI Studio).

Dans le panneau latéral d'AI Studio, vous activez l'option d'appel d'outil et saisissez la spécification suivante au format JSON Schema :

{
  "name": "consulter_stock_produit",
  "description": "Interroge la base logistique pour obtenir la quantité disponible en stock et la date du prochain arrivage d'une référence produit.",
  "parameters": {
    "type": "OBJECT",
    "properties": {
      "reference_sku": {
        "type": "STRING",
        "description": "Code article unique (ex: SKU-4820 ou SKU-9102)"
      },
      "inclure_reappro": {
        "type": "BOOLEAN",
        "description": "Indique si les commandes fournisseurs en cours d'acheminement doivent être prises en compte"
      }
    },
    "required": ["reference_sku"]
  }
}

2. Requête utilisateur.

Bonjour, avons-nous encore du stock pour l'article SKU-4820 et une livraison fournisseur est-elle prévue cette semaine ?

3. Déclenchement automatique par Gemini (sortie functionCall).

Au lieu d'inventer une réponse, Gemini détecte l'adéquation avec la fonction déclarée et émet instantanément le payload structuré suivant :

{
  "functionCall": {
    "name": "consulter_stock_produit",
    "args": {
      "reference_sku": "SKU-4820",
      "inclure_reappro": true
    }
  }
}

4. Renvoi du résultat métier (functionResponse) puis synthèse.

Votre application exécute la requête SQL correspondante et transmet la réponse factuelle à Gemini : {"statut": "en_stock", "quantite_disponible": 18, "prochaine_livraison": "2026-09-21", "quantite_reappro": 50}.

Gemini formule alors la réponse finale à l'utilisateur : « La référence SKU-4820 est disponible à hauteur de 18 unités en entrepôt. Un réapprovisionnement de 50 unités supplémentaires est confirmé pour le 21 septembre 2026. »

Ce qui change. Le modèle n'a rien deviné : il a agi en orchestrateur fiable, extrayant les entités du langage naturel et s'appuyant sur les données vérifiées du système d'information.

3Déclarer une fonction métier et tester l'appel d'outil dans AI Studio

Déclarer une fonction métier et tester l'appel d'outil dans AI Studio vous permet de valider le comportement d'un agent avant de brancher vos API en production, selon les standards d'outils du Model Context Protocol (MCP).

Pour vous exercer sans manipuler d'outils de réservation internes, voici la spécification d'un outil de réservation de salle pour l'entreprise fictive NovaTech SAS :

[Spécification d'Outil Métier - NovaTech SAS (Environnement de test)]
Outil : reserver_salle_reunion
Description : Enregistre une réservation de salle sur le site NovaTech SAS.
Paramètres attendus :
- salle_nom (string, obligatoire) : nom de la salle ("Bordeaux", "Nantes", "Rennes", "Toulouse")
- date_reservation (string, obligatoire) : date au format AAAA-MM-JJ
- nb_participants (integer, obligatoire) : effectif prévu (doit être > 0 et <= 20)
- motif (string, optionnel) : objet de la réunion

Le bouton « Charger l'exercice » du composeur préremplit l'objectif avec le prompt de départ faible :

« Configure la fonction de réservation de salle avec les arguments requis et le format attendu. »

Rendez-vous sur aistudio.google.com avec le modèle Gemini 2.5 Flash (température 0.1). Dans la section Tools, activez le mode Function Calling et déclarez l'outil reserver_salle_reunion en respectant le schéma JSON ci-dessus (architecture Toolformer, arXiv:2302.04761).

Soumettez ensuite cette requête utilisateur :

« Réserve la salle Bordeaux pour 8 personnes le 24 septembre 2026 afin de mener la revue trimestrielle de direction de NovaTech SAS. »

Grille d'auto-évaluation : (a) Gemini n'a pas répondu par un texte évasif mais a émis un bloc functionCall typé ; (b) les trois arguments obligatoires salle_nom, date_reservation et nb_participants sont extraits sans distorsion ; (c) la structure correspond exactement au standard Tool Use de MCP.

Ouvrir le composeur de prompt