Google AI Studio 免费版：入门的 3 种方式 (2026)

Google AI Studio 免费版：2026 年入门的 3 种方法

Google AI Studio 是一个基于浏览器的开发环境，用于原型设计、测试以及使用 Google 的 Gemini 系列模型构建应用程序。它是目前最慷慨的免费 AI 平台之一，无需信用卡即可访问 Gemini 2.5 Pro 和 Gemini 2.5 Flash 等模型。

本指南涵盖了免费使用 Google AI Studio 的三种不同方法，每种方法分别适用于不同的使用场景和技能水平。

快速概览：3 种方法

	方法 1：Web 界面	方法 2：免费 API Key	方法 3：Google Colab 集成
最适合	提示词原型设计、快速测试	构建应用、后端集成	数据科学、ML 实验
技能水平	初学者	中级	中级
设置时间	1 分钟	3 分钟	5 分钟
是否需要代码	否	是	是 (Python)
速率限制	基于浏览器	15 RPM (Flash) / 5 RPM (Pro)	同 API 限制
信用卡	不需要	不需要	不需要

方法 1：Web 界面（无需代码）

开始使用 Google AI Studio 最快的方法是通过其 Web 界面。无需安装，无需 API keys，也无需编写代码。

第 1 步：访问 AI Studio

前往 aistudio.google.com 并使用您的 Google 账号登录。就这么简单——您已经进来了。

第 2 步：选择提示词类型

AI Studio 提供三种提示词模式：

Freeform Prompt（自由格式提示词） —— 最适合单轮任务，如摘要、翻译或内容生成：

Prompt: "Explain the difference between REST and GraphQL APIs in a
comparison table with columns for Feature, REST, and GraphQL."

Structured Prompt（结构化提示词） —— 最适合少样本学习 (few-shot learning)，即通过提供示例让模型遵循特定模式：

输入	输出
"The food was great but the service was slow"	{"sentiment": "mixed", "food": "positive", "service": "negative"}
"Everything was perfect from start to finish"	{"sentiment": "positive", "food": "positive", "service": "positive"}
"The pasta was overcooked and the waiter was rude"	?

模型会从您的示例中学习模式并将其应用于新输入。

Chat Prompt（对话提示词） —— 最适合多轮对话和测试聊天机器人的行为：

System instruction: "You are a Python tutor. Explain concepts using
simple analogies. Always include a code example. Keep responses under
200 words."

User: "What is a decorator?"

第 3 步：调整模型设置

在右侧面板中，您可以配置：

设置	默认值	推荐范围	效果
Model	Gemini 2.5 Flash	取决于任务	Flash = 快速, Pro = 强大
Temperature	1.0	事实性 0.0 - 0.3, 创意性 0.7 - 1.0	控制随机性
Max output tokens	8192	256 - 65536	限制回复长度
Top-P	0.95	0.8 - 1.0	核采样阈值
Top-K	40	1 - 100	限制每步的 token 池

对于大多数任务，将 Temperature 降低到 0.1-0.3 会产生更一致、更具事实性的输出。在进行创意写作或头脑风暴时可以调高它。

第 4 步：导出为代码

一旦您获得满意的提示词效果，点击 "Get Code" 即可将其导出为您选择的语言：

• Python
• JavaScript
• Kotlin
• Swift
• Dart
• cURL

这将生成包含您确切提示词配置的即用型代码。您只需添加 API key 即可运行。

方法 2：用于自定义开发的免费 API Key

对于构建应用程序的开发者来说，免费的 API key 是 AI Studio 最有价值的功能。

第 1 步：生成您的 API Key

1. 在 AI Studio 左侧边栏中点击 "Get API Key"
2. 点击 "Create API Key"
3. 选择 "Create API key in new project"
4. 复制并安全地存储该密钥

第 2 步：安装 SDK

# Python
pip install google-generativeai

# JavaScript/Node.js
npm install @google/generative-ai

第 3 步：发起您的第一次 API 调用

Python:

import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")

model = genai.GenerativeModel("gemini-2.5-flash")
response = model.generate_content("Write a Python function to validate email addresses using regex.")

print(response.text)

JavaScript:

import { GoogleGenerativeAI } from "@google/generative-ai";

const genAI = new GoogleGenerativeAI("YOUR_API_KEY");
const model = genAI.getGenerativeModel({ model: "gemini-2.5-flash" });

const result = await model.generateContent(
  "Write a Python function to validate email addresses using regex."
);
console.log(result.response.text());

第 4 步：使用高级功能

多轮对话 (Multi-turn Chat):

model = genai.GenerativeModel("gemini-2.5-flash")
chat = model.start_chat()

response1 = chat.send_message("What is a binary search tree?")
print(response1.text)

response2 = chat.send_message("Now show me how to implement insertion in Python.")
print(response2.text)

# 对话会自动维护上下文历史

多模态输入 (图片 + 文本):

import PIL.Image

model = genai.GenerativeModel("gemini-2.5-flash")

image = PIL.Image.open("screenshot.png")
response = model.generate_content([
    "What UI issues do you see in this screenshot? List them as bullet points.",
    image
])

print(response.text)

结构化输出 (JSON 模式):

import google.generativeai as genai
import json

model = genai.GenerativeModel(
    "gemini-2.5-flash",
    generation_config=genai.GenerationConfig(
        response_mime_type="application/json"
    )
)

response = model.generate_content(
    """Extract structured data from this text:
    "John Smith, age 34, works as a software engineer at Google in Mountain View, CA.
    He has 8 years of experience and specializes in distributed systems."

    Return JSON with fields: name, age, title, company, location, experience_years, specialization"""
)

data = json.loads(response.text)
print(json.dumps(data, indent=2))

免费层级 API 限制

模型	每分钟请求数 (RPM)	每分钟 Token 数 (TPM)	每天请求数 (RPD)
Gemini 2.5 Flash	15	1,000,000	1,500
Gemini 2.5 Pro	5	250,000	50
Gemini 2.0 Flash	15	1,000,000	1,500
Gemini Embedding	100	不适用	10,000

这些限制是按项目计算的。如果您需要更高的额度，可以创建多个 Google Cloud 项目，每个项目都有自己的 API key（但应在 Google 的服务条款允许范围内审慎操作）。

方法 3：Google Colab 集成

Google Colab 提供免费的 GPU/TPU 资源，并与 Gemini API 无缝集成。这非常适合数据科学工作流、ML 实验和长时间运行的任务。

第 1 步：打开 Google Colab

前往 colab.research.google.com 并创建一个新笔记本。

第 2 步：安全存储您的 API Key

Colab 内置了密钥管理器。请使用它而不是直接在代码中硬编码您的密钥：

# 在 Colab 中，点击左侧边栏的钥匙图标
# 添加一个名为 GOOGLE_API_KEY 的 secret，值为您的 API key

from google.colab import userdata
api_key = userdata.get("GOOGLE_API_KEY")

第 3 步：安装与配置

!pip install -q google-generativeai

import google.generativeai as genai

genai.configure(api_key=api_key)

第 4 步：构建完整的工流

这是一个实用的例子——批量内容分析器：

import google.generativeai as genai
import json
import time

genai.configure(api_key=api_key)
model = genai.GenerativeModel("gemini-2.5-flash")

# 示例数据集
articles = [
    "Apple announces new M4 chip with unprecedented AI capabilities...",
    "Federal Reserve holds interest rates steady amid inflation concerns...",
    "SpaceX successfully launches first crewed mission to Mars orbit...",
    "New study finds Mediterranean diet reduces heart disease risk by 30%...",
    "Tesla unveils fully autonomous taxi service in San Francisco..."
]

results = []

for i, article in enumerate(articles):
    prompt = f"""Analyze this article excerpt and return JSON:
    {{
        "category": "one of: tech, finance, science, health, business",
        "sentiment": "positive, negative, or neutral",
        "key_entities": ["list of mentioned organizations/people"],
        "summary": "one-sentence summary"
    }}

    Article: {article}"""

    response = model.generate_content(
        prompt,
        generation_config=genai.GenerationConfig(
            response_mime_type="application/json"
        )
    )

    result = json.loads(response.text)
    result["original_index"] = i
    results.append(result)

    # 遵守速率限制
    time.sleep(4)  # 15 RPM = 每 4 秒 1 个请求

# 显示结果
import pandas as pd
df = pd.DataFrame(results)
print(df.to_markdown(index=False))

第 5 步：使用 Gemini 的长上下文 (Long Context)

Gemini 模型支持超长上下文窗口，使 Colab 成为文档分析的理想选择：

# 在 Colab 中上传文件
from google.colab import files
uploaded = files.upload()

# 读取文件内容
filename = list(uploaded.keys())[0]
content = uploaded[filename].decode("utf-8")

# 使用 Gemini 分析
response = model.generate_content(f"""
Analyze this document and provide:
1. Executive summary (3 sentences)
2. Key findings (bullet points)
3. Action items (numbered list)
4. Potential risks or concerns

Document:
{content}
""")

print(response.text)

最大化免费使用的技巧

1. 大多数任务首选 Flash

Gemini 2.5 Flash 在 15 RPM 和 1,500 RPD 的限制下提供了极佳的质量。请将 Pro（5 RPM, 50 RPD）保留给真正需要高级推理能力的任务。

2. 实现响应缓存

import hashlib
import json
import os

CACHE_FILE = "gemini_cache.json"

def load_cache():
    if os.path.exists(CACHE_FILE):
        with open(CACHE_FILE) as f:
            return json.load(f)
    return {}

def save_cache(cache):
    with open(CACHE_FILE, "w") as f:
        json.dump(cache, f)

def cached_generate(prompt, model_name="gemini-2.5-flash"):
    cache = load_cache()
    key = hashlib.sha256(f"{model_name}:{prompt}".encode()).hexdigest()

    if key in cache:
        return cache[key]

    model = genai.GenerativeModel(model_name)
    response = model.generate_content(prompt)
    result = response.text

    cache[key] = result
    save_cache(cache)
    return result

3. 高效批量化请求

与其发送许多细小的请求，不如将工作合并：

# 与其进行 10 次单独调用：
# "Summarize article 1", "Summarize article 2", ...

# 进行 1 次合并调用：
combined_prompt = "Summarize each of the following articles separately:\n\n"
for i, article in enumerate(articles):
    combined_prompt += f"Article {i+1}: {article}\n\n"

response = model.generate_content(combined_prompt)

4. 设置配额监控

即使 API 是免费的，也建议设置监控来追踪您的使用情况：

# 简单的用量追踪器
import json
from datetime import datetime

USAGE_FILE = "api_usage.json"

def log_usage(model, input_tokens, output_tokens):
    try:
        with open(USAGE_FILE) as f:
            usage = json.load(f)
    except FileNotFoundError:
        usage = []

    usage.append({
        "timestamp": datetime.now().isoformat(),
        "model": model,
        "input_tokens": input_tokens,
        "output_tokens": output_tokens
    })

    with open(USAGE_FILE, "w") as f:
        json.dump(usage, f)

# 每次 API 调用后
response = model.generate_content(prompt)
log_usage(
    "gemini-2.5-flash",
    response.usage_metadata.prompt_token_count,
    response.usage_metadata.candidates_token_count
)

免费层级不支持的内容

功能	免费层级	付费层级
速率限制	15 RPM (Flash)	1,000+ RPM
服务等级协议 (SLA)	无	99.9% 上线率保证
数据处理协议	否	是
专属支持	否	是
微调模型 (Tuned models)	受限	完整支持
Google 搜索接地 (Grounding)	受限	完整支持

对于拥有真实用户的生产级应用，您最终可能需要转向付费定价模式。但对于开发、原型设计和学习，免费层级已经绰绰有余。

结论

Google AI Studio 为接触最先进的 AI 模型提供了一个门槛极低的入口。Web 界面（方法 1）非常适合快速实验，免费 API key（方法 2）让您可以构建真实的应用，而 Colab 集成（方法 3）则是数据科学和 ML 工作流的理想选择。这三种方法都不需要信用卡，并提供了真正实用的免费访问额度。

如果您的项目超出了文本生成范畴，需要 AI 驱动的多媒体能力——如图像生成、视频创作、声音克隆或数字人分身——Hypereal AI 提供了一个开发者友好的按需付费 API。与 Google AI Studio 类似，您可以从一个简单的 API key 开始，在几分钟内生成内容。