
در این مقاله
اگر برای هر پاسخ کوتاه پشتیبانی یا هر مرحله ساده ایجنت از سنگینترین مدل استفاده کنید، زمان و هزینهای میپردازید که شاید به کیفیت محصول اضافه نکند. Gemini 4 Hydrogen برای بررسی همین انتخاب جذاب است: آیا میتوان بخش پرتکرار کار را به مدلی با تمرکز بر اجرای سریع سپرد و مسئلههای دشوار را به مسیر دیگری فرستاد؟ جواب را باید روی کار واقعی سنجید؛ نام تازه مدل بهتنهایی معیار تصمیم نیست.
در این راهنما، اتصال Hydrogen به API پاستا، طراحی یک آزمون فارسی و تبدیل نمونه اولیه به سرویس قابل کنترل را مرور میکنیم. در بررسی ۱۷ نوامبر ۲۰۲۶، شناسه google/gemini-4-hydrogen در کاتالوگ پاستا با دسترسی API، قیمت تأییدشده و مسیر چت فعال بود. این بررسی کاتالوگ است؛ بنچمارک فارسی یا اجرای استنتاج پولی در این مقاله گزارش نمیشود.
Hydrogen چیست و چه جایگاهی در خانواده Gemini دارد؟
گوگل در معرفی رسمی Hydrogen بر سرعت و بهرهوری در کارهای روزمره کدنویسی و گردشکارهای ایجنتی تأکید میکند. Carbon و Argon در همان معرفی، جایگاه متفاوتی برای استدلال عمیق دارند. این تفکیک کمک میکند بهجای انتخاب یک مدل برای همه کارها، برای هر مرحله معیار مشخص داشته باشیم. ادعای سازنده درباره سرعت، نتیجه اندازهگیری روی شبکه، داده و برنامه شما نیست.
همچنین Hydrogen با Gemini Decision 1 یکی نیست. اولی در نمونه این مقاله پاسخ متنی چت تولید میکند؛ مسیر تصمیمگیری، قرارداد جداگانهای برای انتخاب گزینهها دارد. شناسه مدل و ساختار بدنه درخواست را میان این دو جابهجا نکنید.
قبل از اولین درخواست، چه چیزهایی آماده کنیم؟
یک کلید مستقل برای محیط آزمایش بسازید، قیمت ورودی و خروجی را در کاتالوگ API هوش مصنوعی پاستا مشاهده کنید و سقف قابل قبول آزمون را تعیین کنید. کلید را در متغیر محیطی سمت سرور نگه دارید. قرار دادن آن در کد مرورگر، مخزن Git، تصویر آموزشی یا پیام خطا باعث میشود کاربران دیگر بتوانند از اعتبار شما استفاده کنند.
ابتدا فهرست مدلهای قابل دسترس برای همان کلید را بخوانید. دیدهشدن یک مدل در صفحه عمومی، جای بررسی مجوز حساب و وضعیت لحظهای را نمیگیرد. اگر پاسخ این مرحله خطا بود، با ارسال درخواست تولید متن مشکل را دور نزنید؛ احراز هویت، نشانی پایه و دسترسی مدل را جداگانه بررسی کنید.
curl --fail-with-body --connect-timeout 10 --max-time 30 \
https://console.paasta.cloud/api/ai/v1/models \
-H "Authorization: Bearer $PAASTA_AI_KEY"
آموزش اتصال Hydrogen با OpenAI SDK
نمونه زیر سمت سرور اجرا میشود. وجود SDK به معنی استفاده از حساب OpenAI نیست؛ نشانی پایه و کلید مشخص میکنند درخواست به کدام سرویس میرود. در این مسیر فقط کلید پاستا لازم است. برای استفاده مستقیم از سرویس گوگل باید مسیر و کلید همان سرویس را جداگانه انتخاب کنید.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["PAASTA_AI_KEY"],
base_url="https://console.paasta.cloud/api/ai/v1",
timeout=60.0,
max_retries=0,
)
result = client.chat.completions.create(
model="google/gemini-4-hydrogen",
messages=[{"role": "user", "content": "برای تیکت «سفارش من نرسیده» سه سؤال روشنکننده کوتاه بنویس. اطلاعات تازه اختراع نکن."}],
max_tokens=512,
)
print(result.choices[0].message.content)
این نمونه عمداً یک درخواست، مهلت محدود و سقف خروجی دارد. در نخستین آزمایش، retry خودکار را خاموش نگه دارید تا تکرار ناخواسته پنهان نشود. برای اجرای مقدماتی، فایل بررسی مدل و درخواست محدود را دریافت کنید؛ حالت پیشفرض فقط فهرست مدلها را بررسی میکند و تولید متن به گزینه صریح اجرا نیاز دارد.
یک ایجنت پشتیبانی کوچک چگونه طراحی میشود؟
از ایجنتی شروع کنید که پیشنویس پاسخ میسازد. ورودی آن متن بینامشده تیکت و چند سند مجاز است؛ خروجی آن پاسخ پیشنهادی و دلیل ارجاع به انسان. دسترسی مستقیم به بازپرداخت، تغییر سفارش و ارسال پیام برای این نمونه لازم نیست. یک برنامه معمولی باید کنترل کند کاربر چه اسنادی را میتواند بازیابی کند و کدام عملیات مجاز است.
برای نمونه، اگر پاسخ وابسته به وضعیت واقعی مرسوله است و ابزار استعلام در دسترس نیست، پاسخ صحیح درخواست اطلاعات بیشتر یا ارجاع است. حدسزدن شماره پیگیری پاسخ مفید محسوب نمیشود. در مسیر RAG چندمستاجری نیز ابتدا اسناد بر اساس مجوز فیلتر میشوند؛ مدل نباید درباره دسترسی مشتری به داده تصمیم نهایی بگیرد.







نظرات کاربران (۰)
هنوز نظری ثبت نشده است. اولین نفر باشید.