Google Search Grounding: поиск в интернете для Gemini

Чему вы научитесь

Включать Google Search для моделей Gemini, чтобы AI мог искать актуальную информацию в интернете
Регулировать порог срабатывания поиска для контроля частоты запросов
Понимать принципы работы Google Search Grounding и сценарии использования
Выбирать оптимальные настройки в зависимости от задачи

Ваша текущая проблема

Что такое Google Search Grounding?

Google Search Grounding — это функция Gemini, которая позволяет модели автоматически выполнять поиск в Google для получения актуальной информации (новости, статистика, цены на товары и т.д.) вместо использования только обучающих данных.

Когда вы спрашиваете Gemini "Какая сегодня погода?" или "Какая последняя версия VS Code?", модель может не знать ответ, потому что её обучающие данные устарели. С включённым Google Search Grounding модель сама может искать ответы в интернете, как вы делаете это в браузере.

Когда использовать эту функцию

Сценарий	Нужен ли поиск	Причина
Генерация кода, вопросы по программированию	❌ Нет	Знания программирования относительно стабильны, обучающих данных достаточно
Получение актуальных новостей (новости, цены, версии)	✅ Настоятельно рекомендуется	Нужны данные в реальном времени
Проверка фактов (конкретные даты, статистика)	✅ Рекомендуется	Предотвращает "галлюцинации" модели
Творческое письмо, мозговой штурм	❌ Нет	Точность фактов не требуется
Поиск технической документации	✅ Рекомендуется	Поиск актуальной документации API

Основная концепция

Ядро Google Search Grounding — это возможность модели при необходимости автоматически выполнять поиск, а не искать каждый раз. Плагин внедряет инструмент googleSearchRetrieval, позволяя Gemini вызывать Google Search API.

Ключевые понятия

Режим Auto: модель сама решает, когда искать (на основе порога)
Порог (grounding_threshold): контролирует "порог" для поиска. Чем меньше значение, тем чаще выполняется поиск

🎒 Подготовка к работе

Предварительная проверка

Перед началом убедитесь, что:

[ ] Завершена быстрая установка
[ ] Добавлен хотя бы один аккаунт Google
[ ] Успешно выполнен первый запрос (см. первый запрос)

Пошаговая инструкция

Шаг 1: Проверка расположения конфигурационного файла

Конфигурационный файл плагина находится по пути:

macOS/Linux: ~/.config/opencode/antigravity.json
Windows: %APPDATA%\opencode\antigravity.json

Если файл не существует, создайте его:

bash

# macOS/Linux
cat > ~/.config/opencode/antigravity.json << 'EOF'
{
  "$schema": "https://raw.githubusercontent.com/NoeFabris/opencode-antigravity-auth/main/assets/antigravity.schema.json"
}
EOF

powershell

# Windows
@"
{
  "$schema": "https://raw.githubusercontent.com/NoeFabris/opencode-antigravity-auth/main/assets/antigravity.schema.json"
}
"@ | Out-File -FilePath "$env:APPDATA\opencode\antigravity.json" -Encoding utf8

Ожидаемый результат: конфигурационный файл создан, содержит поле $schema

Шаг 2: Включение Google Search

Добавьте конфигурацию web_search в файл конфигурации:

json

{
  "$schema": "https://raw.githubusercontent.com/NoeFabris/opencode-antigravity-auth/main/assets/antigravity.schema.json",
  "web_search": {
    "default_mode": "auto",
    "grounding_threshold": 0.3
  }
}

Описание конфигурации:

Поле	Значение	Описание
`web_search.default_mode`	`"auto"` или `"off"`	Включение или отключение Google Search, по умолчанию `"off"`
`web_search.grounding_threshold`	`0.0` - `1.0`	Порог поиска, по умолчанию `0.3`, работает только в режиме `auto`

Ожидаемый результат: конфигурационный файл обновлён, содержит конфигурацию web_search

Шаг 3: Настройка порога поиска (опционально)

grounding_threshold контролирует частоту поиска модели:

Порог	Поведение	Сценарий использования
`0.0 - 0.2`	Частый поиск, почти при каждом сомнении	Требуется высокая точность актуальных данных
`0.3` (по умолчанию)	Умеренный, модель ищет при достаточной уверенности	Повседневное использование, баланс точности и скорости
`0.7 - 1.0`	Редкий поиск, только при высокой уверенности	Уменьшение количества поисков, повышение скорости

Практический совет

Начните со значения по умолчанию 0.3. Если заметите:

Модель не ищет → снизьте порог (например, 0.2)
Поиск слишком частый, медленный ответ → повысьте порог (например, 0.5)

Ожидаемый результат: порог настроен, можно оптимизировать на основе реального опыта использования

Шаг 4: Проверка конфигурации

Перезапустите OpenCode или перезагрузите конфигурацию (если поддерживается), затем отправьте запрос, требующий актуальной информации:

Ввод пользователя:
Какая последняя версия VS Code?

Ответ системы (с включённым Google Search):
Последняя стабильная версия VS Code — 1.96.4 (по состоянию на январь 2026)...

[citation:1] ← метка источника

Ожидаемый результат:

Ответ модели содержит источники ([citation:1] и т.д.)
Содержимое ответа актуально, не устаревшие данные из обучающей выборки

Шаг 5: Тестирование разных порогов

Попробуйте настроить grounding_threshold и наблюдайте за изменением поведения модели:

json

// Низкий порог (частый поиск)
"grounding_threshold": 0.1

// Высокий порог (редкий поиск)
"grounding_threshold": 0.7

После каждой настройки тестируйте с одинаковыми вопросами, наблюдая за:

Выполняется ли поиск (проверьте наличие ссылок)
Количество поисков (несколько citation)
Скорость ответа

Ожидаемый результат:

Низкий порог: поиск чаще, но ответ немного медленнее
Высокий порог: поиск реже, но возможно менее точный ответ

Контрольный пункт ✅

Нажмите, чтобы развернуть контрольный список

Выполните следующие проверки, чтобы убедиться в правильности конфигурации:

[ ] Конфигурационный файл содержит настройку web_search
[ ] default_mode установлен в "auto"
[ ] grounding_threshold находится в диапазоне от 0.0 до 1.0
[ ] При отправке запроса, требующего актуальной информации, модель возвращает ответ со ссылками
[ ] При изменении порога поведение поиска модели изменяется

Если все пункты пройдены, Google Search Grounding успешно включён!

Возможные проблемы

Проблема 1: модель не выполняет поиск

Симптом: после включения режима auto модель всё равно не выполняет поиск и не предоставляет источники.

Причины:

Порог слишком высокий (например, 0.9), модель требует очень высокую уверенность для поиска
Вопрос сам по себе не требует поиска (например, вопрос по программированию)

Решение:

Снизьте grounding_threshold до 0.2 или ниже
Используйте вопросы, явно требующие актуальной информации (например, "Какая сегодня погода?", "Последние новости")

Проблема 2: поиск слишком частый, медленный ответ

Симптом: модель выполняет поиск на каждый вопрос, время ответа значительно увеличивается.

Причины:

Порог слишком низкий (например, 0.1), модель слишком часто инициирует поиск
Тип вопроса сам по себе требует актуальной информации (например, цены акций, новости)

Решение:

Повысьте grounding_threshold до 0.5 или выше
Если задача не требует актуальной информации, измените default_mode на "off"

Проблема 3: ошибка формата конфигурационного файла

Симптом: плагин сообщает об ошибке, не может загрузить конфигурацию.

Причина: ошибка формата JSON (например, лишняя запятая, несоответствие кавычек).

Решение: используйте инструмент проверки JSON для проверки конфигурационного файла, убедитесь в правильности формата.

bash

# Проверка формата JSON
cat ~/.config/opencode/antigravity.json | python3 -m json.tool

Резюме урока

Google Search Grounding позволяет моделям Gemini выполнять поиск актуальной информации в интернете
Через web_search.default_mode: "auto" включается, "off" отключается
grounding_threshold контролирует частоту поиска: чем меньше значение, тем чаще выполняется поиск
Порог по умолчанию 0.3 подходит для большинства сценариев, можно настраивать по опыту использования
Модель будет указывать источники в ответе, помеченные как [citation:1] и т.д.

Следующий урок

В следующем уроке мы изучим двойную систему квот.
Вы узнаете:
Как работают два независимых пула квот Antigravity и Gemini CLI
Как переключаться между пулами квот для максимальной эффективности
Лучшие практики пулинга квот

Приложение: справочник по исходному коду

Нажмите, чтобы развернуть расположение исходного кода

Обновлено: 2026-01-23

Функция	Путь к файлу	Номер строки
Схема конфигурации Google Search	`src/plugin/config/schema.ts`	303-319
Определение типов Google Search	`src/plugin/transform/types.ts`	85-88
Логика внедрения Google Search	`src/plugin/transform/gemini.ts`	402-419
Загрузка конфигурации Google Search	`src/plugin/config/loader.ts`	173-184
Применение конфигурации Google Search	`src/plugin.ts`	1194-1196

Ключевые параметры конфигурации:

web_search.default_mode: "auto" или "off", по умолчанию "off"
web_search.grounding_threshold: 0.0 - 1.0, по умолчанию 0.3

Ключевые функции:

applyGeminiTransforms(): применяет все преобразования Gemini, включая внедрение Google Search
normalizeGeminiTools(): нормализует формат инструментов, сохраняя инструмент googleSearchRetrieval
wrapToolsAsFunctionDeclarations(): оборачивает инструменты в формат functionDeclarations

Принцип работы:

Плагин считывает web_search.default_mode и web_search.grounding_threshold из конфигурационного файла

Когда mode === "auto", в массив tools запроса внедряется инструмент googleSearchRetrieval:

json

{
  "googleSearchRetrieval": {
    "dynamicRetrievalConfig": {
      "mode": "MODE_DYNAMIC",
      "dynamicThreshold": 0.3  // grounding_threshold
    }
  }
}

Модель Gemini на основе порога принимает решение о вызове инструмента поиска
Результаты поиска включаются в ответ и помечаются источниками ([citation:1] и т.д.)

Google Search Grounding: поиск в интернете для Gemini ​

Чему вы научитесь ​

Ваша текущая проблема ​

Когда использовать эту функцию ​

Основная концепция ​

🎒 Подготовка к работе ​

Пошаговая инструкция ​

Шаг 1: Проверка расположения конфигурационного файла ​

Шаг 2: Включение Google Search ​

Шаг 3: Настройка порога поиска (опционально) ​

Шаг 4: Проверка конфигурации ​

Шаг 5: Тестирование разных порогов ​

Контрольный пункт ✅ ​

Возможные проблемы ​

Проблема 1: модель не выполняет поиск ​

Проблема 2: поиск слишком частый, медленный ответ ​

Проблема 3: ошибка формата конфигурационного файла ​

Резюме урока ​

Следующий урок ​

Приложение: справочник по исходному коду ​

Google Search Grounding: поиск в интернете для Gemini

Чему вы научитесь

Ваша текущая проблема

Когда использовать эту функцию

Основная концепция

🎒 Подготовка к работе

Пошаговая инструкция

Шаг 1: Проверка расположения конфигурационного файла

Шаг 2: Включение Google Search

Шаг 3: Настройка порога поиска (опционально)

Шаг 4: Проверка конфигурации

Шаг 5: Тестирование разных порогов

Контрольный пункт ✅

Возможные проблемы

Проблема 1: модель не выполняет поиск

Проблема 2: поиск слишком частый, медленный ответ

Проблема 3: ошибка формата конфигурационного файла

Резюме урока

Следующий урок

Приложение: справочник по исходному коду