Gemini 1.5 Pro 支持 200 万 token 上下文，可一次性处理整本《三体》三部曲。本文将介绍如何用 Gemini API 实现超长文档摘要、多轮对话问答，并提供可直接运行的 Python 脚本，适合处理论文、财报、讲座视频等场景。

1. 为什么选择 Gemini 1.5 Pro

特性	Gemini 1.5 Pro	ChatGPT (GPT-4o)	Claude 3.7
上下文长度	200 万 token	128k token	200k token
原生多模态	✅ 视频/音频/图像	✅ 图像	❌ 仅图像
免费额度	60 次/分钟	无	无
价格（输入）	$2.5/百万 token	$5/百万 token	$3/百万 token

Gemini 的长上下文在处理整本书、整场会议录像时优势明显。

2. 准备工作

2.1 获取 Gemini API Key

访问 Google AI Studio，需要海外支付方式。若无法自行申请，可使用已验证的 API Key（笔者来源见文末）。

2.2 安装依赖

pip install google-generativeai pypdf ffmpeg-python

3. 核心代码：PDF 全本摘要

3.1 脚本 pdf_summarizer.py

import google.generativeai as genai
import os
from pypdf import PdfReader

genai.configure(api_key=os.environ["GEMINI_API_KEY"])

def read_pdf(file_path: str) -> str:
    reader = PdfReader(file_path)
    text = ""
    for page in reader.pages:
        text += page.extract_text()
    return text

def summarize_long_text(text: str, chunk_size: int = 50000) -> str:
    """分块处理超长文本，避免超过 200 万 token 限制"""
    model = genai.GenerativeModel('gemini-1.5-pro')
    chunks = [text[i:i+chunk_size] for i in range(0, len(text), chunk_size)]
    summaries = []
    for i, chunk in enumerate(chunks):
        print(f"Summarizing chunk {i+1}/{len(chunks)}...")
        response = model.generate_content(f"请用 300 字以内总结以下内容：\n{chunk}")
        summaries.append(response.text)
    # 最终汇总
    final = model.generate_content("将以下多个摘要合并成一篇连贯的总结：\n" + "\n".join(summaries))
    return final.text

if __name__ == "__main__":
    pdf_path = input("请输入 PDF 路径: ")
    full_text = read_pdf(pdf_path)
    print(f"总字符数: {len(full_text)}")
    summary = summarize_long_text(full_text)
    with open("summary.txt", "w") as f:
        f.write(summary)
    print("摘要已保存至 summary.txt")

3.2 运行示例

export GEMINI_API_KEY="YOUR_KEY"
python pdf_summarizer.py

输出摘要片段（以 500 页技术文档为例）：

本文档主要介绍了 Kubernetes 的核心组件：API Server 负责所有 REST 请求，etcd 存储集群状态，Scheduler 负责 Pod 调度，Controller Manager 运行各种控制器。第 5-10 章详细讲解了 Deployment、Service、Ingress 的配置方法。最佳实践部分强调资源限制、健康检查、命名空间隔离。

4. 进阶：分析 YouTube 视频并生成时间轴摘要

Gemini 可直接处理上传的视频文件（MP4），或通过音频轨道分析。

4.1 脚本 video_summarizer.py

import google.generativeai as genai
import yt_dlp

def download_youtube_audio(url: str, output: str = "audio.mp3"):
    ydl_opts = {
        'format': 'bestaudio/best',
        'outtmpl': output.replace('.mp3', ''),
        'postprocessors': [{'key': 'FFmpegExtractAudio', 'preferredcodec': 'mp3'}]
    }
    with yt_dlp.YoutubeDL(ydl_opts) as ydl:
        ydl.download([url])

def analyze_video(audio_path: str) -> str:
    model = genai.GenerativeModel('gemini-1.5-pro')
    video_file = genai.upload_file(audio_path, display_name="lecture")
    response = model.generate_content([
        video_file,
        "请按时间顺序总结这段讲座的关键点，每个要点标注出现的时间戳（格式 mm:ss）。"
    ])
    return response.text

if __name__ == "__main__":
    video_url = input("YouTube URL: ")
    download_youtube_audio(video_url)
    summary = analyze_video("audio.mp3")
    print(summary)

4.2 输出示例

- 0:00-3:15 介绍 Transformer 基础架构
- 3:16-8:40 详解 Attention 计算公式 QK^T/√d
- 8:41-15:20 多头注意力机制的作用
- 15:21-22:00 实际代码演示（PyTorch 实现）

5. 成本对比

文档长度	页数（PDF）	Token 估算	Gemini 成本	GPT-4o 成本
短篇论文	30 页	~30k	$0.075	$0.15
中篇小说	200 页	~180k	$0.45	$0.90
500 页技术书	500 页	~450k	$1.125	$2.25（需截断）

对于超过 128k token 的文档，只有 Gemini 能一次性处理。

6. 注意事项与最佳实践

• 速率限制：免费版每分钟 60 次请求，付费版可提升。
• 文件上传：视频最大 1GB，音频最大 20MB。超过请先压缩。
• 中文支持：Gemini 对中文理解良好，但 prompt 用英文时结果可能更结构化。
• 错误处理：遇到 429 RESOURCE_EXHAUSTED 等待几秒后重试。

7. 常见问题

问题	解决方法
pypdf 无法提取中文	使用 pdfplumber 代替
视频上传超时	使用音频轨道（提取 mp3）减少大小
摘要内容遗漏关键信息	在 prompt 中强调“保留所有技术参数和数字”
API Key 无效	检查是否已在 Google Cloud 启用 Generative Language API

8. 参考来源

文中使用的 Gemini API Key 来自 gpt108.com（该渠道提供 ChatGPT Plus、Claude Pro、Cursor Pro、Gemini Advanced 等 AI 服务的账号及 API 充值）。笔者团队已稳定使用 3 个月，仅作技术方案记录。

完整脚本及示例文件已上传至 GitHub Gist，评论区获取链接。