# Rulează o singură dată. Dacă ești în Google Colab, sari peste acest pas.
#%pip install -q openai python-dotenv requests

GEMINI_API_KEY=cheia_ta_aici

!Important:

nu urca niciodată .env pe GitHub
în repository trebuie să existe doar .env.example
dacă ai publicat cheia accidental, șterge cheia din Google AI Studio și generează alta

import os
from dotenv import load_dotenv
from openai import OpenAI
from google import genai

from dotenv import load_dotenv
import os

load_dotenv()

GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")

if not GEMINI_API_KEY:
    raise ValueError("Missing GEMINI_API_KEY. Add it to your .env file.")

from openai import OpenAI

client = OpenAI(
    api_key=GEMINI_API_KEY,
    base_url="https://generativelanguage.googleapis.com/v1beta/openai/"
)

MODEL = "gemini-2.5-flash"

print("Client configurat.")
print("Model selectat:", MODEL)

Client configurat.
Model selectat: gemini-2.5-flash

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {"role": "user", "content": "Say hello."}
    ]
)
print(response.choices[0].message.content)

Hello!

# raspunsul modelului 
response.choices[0].message.content

'Hello!'

response

ChatCompletion(id='JRvvaaXoMueynsEPusrdsQM', choices=[Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='Hello!', refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=None))], created=1777277734, model='gemini-2.5-flash', object='chat.completion', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=2, prompt_tokens=4, total_tokens=31, completion_tokens_details=None, prompt_tokens_details=None))

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {
            "role": "system",
            "content": ""
            "You are a clear teacher explaining AI to sociology students."
        },
        {
            "role": "user",
            "content": "Explain what a large language model is in 3 simple sentences."
        }
    ],
    temperature=0.3
)

print(response.choices[0].message.content)

A Large Language Model (LLM) is a type of artificial intelligence trained on massive amounts of text data, like books and websites. It learns to understand, generate, and translate human language by recognizing complex patterns in words and sentences. Essentially, an LLM predicts the most probable next word in a sequence, allowing it to create coherent and contextually relevant text.

models_to_test = [
    "gemini-2.5-flash",
    "gemini-2.5-flash-lite",
]

for model_name in models_to_test:
    response = client.chat.completions.create(
        model=model_name,
        messages=[
            {"role": "user", "content": "Explain what an LLM is in one simple sentence."}
        ]
    )
    print("=" * 60)
    print("MODEL:", model_name)
    print(response.choices[0].message.content)

============================================================
MODEL: gemini-2.5-flash
An LLM is a large artificial intelligence system trained to understand and generate human-like text.
============================================================
MODEL: gemini-2.5-flash-lite
An LLM is a powerful computer program trained on vast amounts of text and code that can understand, generate, and manipulate human-like language.

response

ChatCompletion(id='kBzvaamLMsSNkdUPte3qgAM', choices=[Choice(finish_reason='length', index=0, logprobs=None, message=ChatCompletionMessage(content='A Large Language Model (', refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=None))], created=1777278099, model='gemini-2.5-flash', object='chat.completion', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=5, prompt_tokens=26, total_tokens=222, completion_tokens_details=None, prompt_tokens_details=None))

news_text = """
Guvernul a anunțat un nou program de finanțare pentru modernizarea transportului public în orașele mari.
Programul include achiziția de autobuze electrice, modernizarea stațiilor și extinderea sistemelor de ticketing digital.
Reprezentanții ministerului spun că scopul este reducerea poluării și creșterea accesului la transport public.
Unele organizații civice au cerut criterii clare de alocare a fondurilor și transparență în implementare.
"""

prompt = f"""
Rezuma textul de mai jos în maximum 60 de cuvinte.
Rezumatul trebuie să fie neutru, clar și factual.
Nu adăuga informații care nu apar în text.

TEXT:
{news_text}
"""

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {
            "role": "system",
            "content": "You summarize public-interest texts in a neutral and factual way."
        },
        {
            "role": "user",
            "content": prompt
        }
    ],
    temperature=0.2,
    
)

summary = response.choices[0].message.content

print(summary)

Guvernul a anunțat un program de finanțare pentru modernizarea transportului public în orașele mari. Acesta include achiziția de autobuze electrice, modernizarea stațiilor și extinderea sistemelor de ticketing digital. Scopul declarat este reducerea poluării și creșterea accesului. Organizațiile civice au cerut criterii clare de alocare a fondurilor și transparență în implementare.

test_prompt = """
Descrie în două propoziții ce este un model lingvistic mare.
Explică pentru studenți de sociologie, fără jargon tehnic.
"""

temperatures = [0.0, 0.7, 1.5]

for temp in temperatures:
    response = client.chat.completions.create(
        model="gemini-2.5-flash-lite",
        messages=[
            {
                "role": "system",
                "content": "You explain AI concepts clearly and briefly."
            },
            {
                "role": "user",
                "content": test_prompt
            }
        ],
        temperature=temp,
        max_tokens=120
    )

    print("=" * 80)
    print("TEMPERATURE:", temp)
    print(response.choices[0].message.content)

================================================================================
TEMPERATURE: 0.0
Un model lingvistic mare este ca un asistent super inteligent care a citit o cantitate uriașă de texte, de la cărți la articole de pe internet. Datorită acestei "lecturi" extinse, el poate înțelege și genera limbaj uman, ajutându-ne să scriem, să rezumăm informații sau chiar să purtăm conversații.
================================================================================
TEMPERATURE: 0.7
Un model lingvistic mare este un program de calculator antrenat pe o cantitate uriașă de text, învățând astfel să înțeleagă și să genereze limbaj uman. Gândește-te la el ca la cineva care a citit o bibliotecă imensă și poate acum să vorbească, să scrie și să răspundă la întrebări pe baza a tot ce a învățat despre cum comunicăm noi.
================================================================================
TEMPERATURE: 1.5
Imaginează-ți un model lingvistic mare ca pe un student extrem de studios, care a citit o cantitate imensă de texte de pe internet, inclusiv cărți, articole și conversații. Datorită acestui antrenament extensiv, el a învățat cum funcționează limbajul, care cuvinte se potrivesc cel mai bine împreună și chiar poate înțelege subtilitățile sensurilor, asemănător modului în care noi, oamenii, ne formăm înțelegerea lumii prin expunere și

MODEL = "gemini-2.5-flash-lite"
def ask_model(
    user_message,
    system_message="You are a helpful assistant.",
    model=MODEL,
    temperature=0.3,
    max_tokens=300
):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {
                "role": "system",
                "content": system_message
            },
            {
                "role": "user",
                "content": user_message
            }
        ],
        temperature=temperature,
        max_tokens=max_tokens
    )

    return response.choices[0].message.content

answer = ask_model(
    user_message="Explain the difference between an LLM and an AI agent in 4 bullet points.",
    system_message="You explain AI concepts to sociology students using simple language.",
    temperature=0.3,
    max_tokens=250
)

print(answer)

Here's the difference between an LLM and an AI agent, explained simply for sociology students:

*   **LLM (Large Language Model): The "Brain" for Talking.** Think of an LLM like a super-smart, incredibly well-read person who's really good at understanding and generating human language. It can write essays, answer questions, summarize text, and even translate, but it mostly just *talks* or *writes*.

*   **AI Agent: The "Brain" with a "Body" and "Goals."** An AI agent is like that same smart person, but now they can also *do things* in the world (even a digital world). They have a goal, can perceive their surroundings (like seeing a webpage or reading an email), and can take actions to achieve that goal.

*   **LLM is a Tool, Agent is a Doer.** An LLM is a powerful tool that an agent can *use*. For example, an agent might use an LLM to understand a customer's complaint (the LLM does the understanding) and then use that understanding to send a specific reply or take another action (the agent does the doing).

*   **

import json
from datetime import datetime
from pathlib import Path

output_dir = Path("outputs")
output_dir.mkdir(exist_ok=True)

experiment = {
    "timestamp": datetime.now().isoformat(),
    "model": MODEL,
    "temperature": 0.2,
    "max_tokens": 120,
    "task": "neutral_news_summary",
    "input_text": news_text,
    "output_text": summary
}

output_path = output_dir / "c1_first_summary.json"

with open(output_path, "w", encoding="utf-8") as f:
    json.dump(experiment, f, ensure_ascii=False, indent=2)

print("Experiment salvat în:", output_path)

with open(output_path, "r", encoding="utf-8") as f:
    saved_experiment = json.load(f)

saved_experiment

student_text = """
TODO: Lipiți aici un text scurt dintr-o sursă publică.
"""

student_prompt = f"""
Rezuma textul de mai jos în maximum 60 de cuvinte.
Rezumatul trebuie să fie neutru, clar și factual.
Nu adăuga informații care nu apar în text.

TEXT:
{student_text}
"""

student_summary = ask_model(
    user_message=student_prompt,
    system_message="You summarize public-interest texts in a neutral and factual way.",
    temperature=0.2,
    max_tokens=120
)

print(student_summary)

Vă rog să lipiți textul pe care doriți să îl rezum. Voi aștepta textul pentru a

student_experiment = {
    "timestamp": datetime.now().isoformat(),
    "model": MODEL,
    "temperature": 0.2,
    "max_tokens": 120,
    "task": "student_neutral_summary",
    "input_text": student_text,
    "output_text": student_summary
}

student_output_path = output_dir / "c1_student_summary.json"

with open(student_output_path, "w", encoding="utf-8") as f:
    json.dump(student_experiment, f, ensure_ascii=False, indent=2)

print("Experiment salvat în:", student_output_path)

Curs 1 — Primul apel către un LLM¶

LLM-uri, API-uri și parametri de generare¶

0. Instalare pachete¶

1. Instalare biblioteci¶

2. Configurarea cheii API¶

3. Creăm clientul API¶

4. Primul apel minimal¶

5. Mai multe modele¶

6. Exercițiu: rezumat neutru al unei știri¶

7. Ce face `temperature`?¶

8. Mini-interpretare¶

9. Funcție simplă pentru apeluri repetate¶

10. Salvăm outputul și parametrii¶

11. Verificăm fișierul salvat¶

12. Exercițiu scurt pentru studenți¶

13. Checklist pentru finalul Cursului 1¶

14. Ce luăm mai departe în Cursul 2¶

Curs 1 — Primul apel către un LLM¶

LLM-uri, API-uri și parametri de generare¶

0. Instalare pachete¶

1. Instalare biblioteci¶

2. Configurarea cheii API¶

3. Creăm clientul API¶

4. Primul apel minimal¶

5. Mai multe modele¶

6. Exercițiu: rezumat neutru al unei știri¶

7. Ce face temperature?¶

8. Mini-interpretare¶

9. Funcție simplă pentru apeluri repetate¶

10. Salvăm outputul și parametrii¶

11. Verificăm fișierul salvat¶

12. Exercițiu scurt pentru studenți¶

13. Checklist pentru finalul Cursului 1¶

14. Ce luăm mai departe în Cursul 2¶

7. Ce face `temperature`?¶