Mit ML Kit unter Android intelligente Antworten generieren
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Mit ML Kit können kurze Antworten auf Nachrichten generiert werden. Dazu wird ein On-Device-Modell verwendet.
Um Smart Replies zu generieren, übergeben Sie ML Kit ein Log mit den letzten Nachrichten in einer Unterhaltung. Wenn ML Kit feststellt, dass die Unterhaltung auf Englisch stattfindet und keine potenziell sensiblen Themen behandelt werden, generiert ML Kit bis zu drei Antworten, die Sie dem Nutzer vorschlagen können.
Das Modell wird zur Build-Zeit statisch mit Ihrer App verknüpft.
Das Modell wird dynamisch über die Google Play-Dienste heruntergeladen.
Auswirkungen der App-Größe
Die Größe hat sich um etwa 5,7 MB erhöht.
Die Größe nimmt um etwa 200 KB zu.
Initialisierungszeit
Das Modell ist sofort verfügbar.
Möglicherweise müssen Sie warten, bis das Modell heruntergeladen wurde, bevor Sie es zum ersten Mal verwenden können.
Jetzt ausprobieren
Beispiel-App ausprobieren, um ein Beispiel für die Verwendung dieser API zu sehen.
Hinweis
In die Datei build.gradle auf Projektebene muss das Maven-Repository von Google in die Abschnitte buildscript und allprojects aufgenommen werden.
Fügen Sie die Abhängigkeiten für die ML Kit Android-Bibliotheken der Gradle-Datei auf App-Ebene Ihres Moduls hinzu. Diese Datei ist in der Regel app/build.gradle. Wählen Sie je nach Bedarf eine der folgenden Abhängigkeiten aus:
So bündeln Sie das Modell mit Ihrer App:
dependencies{// ...// Use this dependency to bundle the model with your appimplementation'com.google.mlkit:smart-reply:17.0.4'}
So verwenden Sie das Modell in den Google Play-Diensten:
Wenn Sie das Modell in Google Play-Diensten verwenden möchten, können Sie Ihre App so konfigurieren, dass das Modell automatisch auf das Gerät heruntergeladen wird, nachdem Ihre App aus dem Play Store installiert wurde. Fügen Sie der Datei AndroidManifest.xml Ihrer App die folgende Deklaration hinzu:
Sie können die Modellverfügbarkeit auch explizit prüfen und den Download über die ModuleInstallClient API der Google Play-Dienste anfordern.
Wenn Sie keine Modell-Downloads bei der Installation aktivieren oder keinen expliziten Download anfordern, wird das Modell beim ersten Ausführen des Generators für Smart Reply heruntergeladen.
Anfragen, die Sie vor Abschluss des Downloads stellen, liefern keine Ergebnisse.
1. Unterhaltungsverlaufsobjekt erstellen
Um Smart Replies zu generieren, übergeben Sie ML Kit ein chronologisch sortiertes List von TextMessage-Objekten, wobei der früheste Zeitstempel zuerst angegeben wird.
Wenn der Nutzer eine Nachricht sendet, fügen Sie die Nachricht und den zugehörigen Zeitstempel dem Unterhaltungsverlauf hinzu:
Kotlin
conversation.add(TextMessage.createForLocalUser("heading out now",System.currentTimeMillis()))
Java
conversation.add(TextMessage.createForLocalUser("heading out now",System.currentTimeMillis()));
Wenn der Nutzer eine Nachricht erhält, fügen Sie die Nachricht, ihren Zeitstempel und die Nutzer-ID des Absenders dem Unterhaltungsverlauf hinzu. Die Nutzer-ID kann ein beliebiger String sein, der den Absender innerhalb der Unterhaltung eindeutig identifiziert. Die Nutzer-ID muss nicht mit Nutzerdaten übereinstimmen und muss nicht zwischen Unterhaltungen oder Aufrufen des Generators für intelligente Antworten konsistent sein.
Kotlin
conversation.add(TextMessage.createForRemoteUser("Are you coming back soon?",System.currentTimeMillis(),userId))
Java
conversation.add(TextMessage.createForRemoteUser("Are you coming back soon?",System.currentTimeMillis(),userId));
Ein Objekt für den Unterhaltungsverlauf sieht so aus:
Zeitstempel
userID
isLocalUser
Nachricht
Do, 21. Februar 2019, 13:13:39 Uhr PST
wahr
Bist du auf dem Weg?
Do., 21. Februar 2019, 13:15:03 Uhr PST
FRIEND0
falsch
Ich bin spät dran, sorry!
ML Kit schlägt Antworten auf die letzte Nachricht in einem Unterhaltungsverlauf vor. Die letzte Nachricht sollte von einem nicht lokalen Nutzer stammen. Im Beispiel oben stammt die letzte Nachricht in der Unterhaltung vom nicht lokalen Nutzer FRIEND0. Wenn Sie diesen Log an ML Kit übergeben, werden Antworten auf die Nachricht von FRIENDO vorgeschlagen: „Running late, sorry!“ (Bin zu spät, sorry!).
2. Antworten auf Nachrichten erhalten
Wenn Sie intelligente Antworten auf eine Nachricht generieren möchten, rufen Sie eine Instanz von SmartReplyGenerator ab und übergeben Sie den Unterhaltungsverlauf an die Methode suggestReplies():
Kotlin
valsmartReplyGenerator=SmartReply.getClient()smartReply.suggestReplies(conversation).addOnSuccessListener{result->if(result.getStatus()==SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE){// The conversation's language isn't supported, so// the result doesn't contain any suggestions.}elseif(result.getStatus()==SmartReplySuggestionResult.STATUS_SUCCESS){// Task completed successfully// ...}}.addOnFailureListener{// Task failed with an exception// ...}
Java
SmartReplyGeneratorsmartReply=SmartReply.getClient();smartReply.suggestReplies(conversation).addOnSuccessListener(newOnSuccessListener(){@OverridepublicvoidonSuccess(SmartReplySuggestionResultresult){if(result.getStatus()==SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE){// The conversation's language isn't supported, so// the result doesn't contain any suggestions.}elseif(result.getStatus()==SmartReplySuggestionResult.STATUS_SUCCESS){// Task completed successfully// ...}}}).addOnFailureListener(newOnFailureListener(){@OverridepublicvoidonFailure(@NonNullExceptione){// Task failed with an exception// ...}});
Wenn der Vorgang erfolgreich ist, wird ein SmartReplySuggestionResult-Objekt an den Erfolgs-Handler übergeben. Dieses Objekt enthält eine Liste mit bis zu drei Antwortvorschlägen, die Sie Ihrem Nutzer präsentieren können:
Hinweis: ML Kit gibt möglicherweise keine Ergebnisse zurück, wenn das Modell nicht von der Relevanz der vorgeschlagenen Antworten überzeugt ist, die Eingabeunterhaltung nicht auf Englisch erfolgt oder das Modell sensible Themen erkennt.
[null,null,["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[[["\u003cp\u003eML Kit's Smart Reply API generates up to three relevant reply suggestions for English conversations using an on-device model.\u003c/p\u003e\n"],["\u003cp\u003eYou can integrate Smart Reply by either bundling the model with your app (larger size) or dynamically downloading it (smaller size, requires Google Play Services).\u003c/p\u003e\n"],["\u003cp\u003eTo use the API, provide a conversation history as input, and ML Kit will suggest replies to the last message if it's from a non-local user.\u003c/p\u003e\n"],["\u003cp\u003eThe suggested replies are returned only if the conversation is in English, does not contain sensitive content, and the model is confident in their relevance.\u003c/p\u003e\n"]]],["ML Kit generates up to three smart replies to messages in English conversations, excluding sensitive content. This is done by passing a chronologically ordered list of `TextMessage` objects to the `suggestReplies()` method. The API can use a bundled model (5.7 MB increase) or an unbundled model (200 KB increase) via Google Play Services. The unbundled model may have a delay before the first use, and may not include any results. Implementation requires adding the appropriate library dependency and building the conversation history.\n"],null,["ML Kit can generate short replies to messages using an on-device model.\n\nTo generate smart replies, you pass ML Kit a log of recent messages in a\nconversation. If ML Kit determines the conversation is in English, and that\nthe conversation doesn't have potentially sensitive subject matter, ML Kit\ngenerates up to three replies, which you can suggest to your user.\n\n\u003cbr /\u003e\n\n| This API is available using either an unbundled library that must be downloaded before use or a bundled library that increases your app size. See [this guide](/ml-kit/tips/installation-paths) for more information on the differences between the two installation options.\n\n| | Bundled | Unbundled |\n|-------------------------|-------------------------------------------------------|------------------------------------------------------------|\n| **Library name** | `com.google.mlkit:smart-reply` | `com.google.android.gms:play-services-mlkit-smart-reply` |\n| **Implementation** | Model is statically linked to your app at build time. | Model is dynamically downloaded via Google Play Services. |\n| **App size impact** | About 5.7 MB size increase. | About 200 KB size increase. |\n| **Initialization time** | Model is available immediately. | Might have to wait for model to download before first use. |\n\n| **Note:** The unbundled version of Smart Reply is currently offered in beta, which means it might be changed in backward-incompatible ways and is not subject to any SLA or deprecation policy.\n\nTry it out\n\n- Play around with [the sample app](https://github.com/googlesamples/mlkit/tree/master/android/smartreply) to see an example usage of this API.\n\nBefore you begin This API requires Android API level 21 or above. Make sure that your app's build file uses a `minSdkVersion` value of 21 or higher.\n\n1. In your project-level `build.gradle` file, make sure to include Google's\n Maven repository in both your `buildscript` and `allprojects` sections.\n\n2. Add the dependencies for the ML Kit Android libraries to your module's\n app-level gradle file, which is usually `app/build.gradle`. Choose one of\n the following dependencies based on your needs:\n\n - To bundle the model with your app:\n\n dependencies {\n // ...\n // Use this dependency to bundle the model with your app\n implementation 'com.google.mlkit:smart-reply:17.0.4'\n }\n\n - To use the model in Google Play Services:\n\n dependencies {\n // ...\n // Use this dependency to use the dynamically downloaded model in Google Play Services\n implementation 'com.google.android.gms:play-services-mlkit-smart-reply:16.0.0-beta1'\n }\n\n If you choose to use the model in Google Play Services, you can configure\n your app to automatically download the model to the device after your app is\n installed from the Play Store. By adding the following declaration to your\n app's `AndroidManifest.xml` file: \n\n \u003capplication ...\u003e\n ...\n \u003cmeta-data\n android:name=\"com.google.mlkit.vision.DEPENDENCIES\"\n android:value=\"smart_reply\" \u003e\n \u003c!-- To use multiple models: android:value=\"smart_reply,model2,model3\" --\u003e\n \u003c/application\u003e\n\n You can also explicitly check the model availability and request download through\n Google Play services [ModuleInstallClient API](https://developers.google.com/android/guides/module-install-apis).\n\n If you don't enable install-time model downloads or request explicit download,\n the model is downloaded the first time you run the smart reply generator.\n Requests you make before the download has completed produce no results.\n\n\n 1. Create a conversation history object\n\n To generate smart replies, you pass ML Kit a chronologically-ordered `List`\n of `TextMessage` objects, with the earliest timestamp first.\n\n Whenever the user sends a message, add the message and its timestamp to the\n conversation history: \n\n Kotlin \n\n ```kotlin\n conversation.add(TextMessage.createForLocalUser(\n \"heading out now\", System.currentTimeMillis()))\n ```\n\n Java \n\n ```java\n conversation.add(TextMessage.createForLocalUser(\n \"heading out now\", System.currentTimeMillis()));\n ```\n\n Whenever the user receives a message, add the message, its timestamp, and the\n sender's user ID to the conversation history. The user ID can be any string that\n uniquely identifies the sender within the conversation. The user ID doesn't need\n to correspond to any user data, and the user ID doesn't need to be consistent\n between conversation or invocations of the smart reply generator. \n\n Kotlin \n\n ```kotlin\n conversation.add(TextMessage.createForRemoteUser(\n \"Are you coming back soon?\", System.currentTimeMillis(), userId))\n ```\n\n Java \n\n ```java\n conversation.add(TextMessage.createForRemoteUser(\n \"Are you coming back soon?\", System.currentTimeMillis(), userId));\n ```\n\n A conversation history object looks like the following example:\n\n | Timestamp | userID | isLocalUser | Message |\n |------------------------------|---------|-------------|----------------------|\n | Thu Feb 21 13:13:39 PST 2019 | | true | are you on your way? |\n | Thu Feb 21 13:15:03 PST 2019 | FRIEND0 | false | Running late, sorry! |\n\n ML Kit suggests replies to the last message in a conversation history. The last message\n should be from a non-local user. In the example above, the last message in the conversation\n is from the non-local user FRIEND0. When you use pass ML Kit this log, it suggests\n replies to FRIENDO's message: \"Running late, sorry!\"\n\n 2. Get message replies\n\n To generate smart replies to a message, get an instance of `SmartReplyGenerator`\n and pass the conversation history to its `suggestReplies()` method: \n\n Kotlin \n\n ```kotlin\n val smartReplyGenerator = SmartReply.getClient()\n smartReply.suggestReplies(conversation)\n .addOnSuccessListener { result -\u003e\n if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {\n // The conversation's language isn't supported, so\n // the result doesn't contain any suggestions.\n } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {\n // Task completed successfully\n // ...\n }\n }\n .addOnFailureListener {\n // Task failed with an exception\n // ...\n }\n ```\n\n Java \n\n ```java\n SmartReplyGenerator smartReply = SmartReply.getClient();\n smartReply.suggestReplies(conversation)\n .addOnSuccessListener(new OnSuccessListener() {\n @Override\n public void onSuccess(SmartReplySuggestionResult result) {\n if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {\n // The conversation's language isn't supported, so\n // the result doesn't contain any suggestions.\n } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {\n // Task completed successfully\n // ...\n }\n }\n })\n .addOnFailureListener(new OnFailureListener() {\n @Override\n public void onFailure(@NonNull Exception e) {\n // Task failed with an exception\n // ...\n }\n });\n ```\n\n If the operation succeeds, a `SmartReplySuggestionResult` object is passed to\n the success handler. This object contains a list of up to three suggested replies,\n which you can present to your user: \n\n Kotlin \n\n ```kotlin\n for (suggestion in result.suggestions) {\n val replyText = suggestion.text\n }\n ```\n\n Java \n\n ```java\n for (SmartReplySuggestion suggestion : result.getSuggestions()) {\n String replyText = suggestion.getText();\n }\n ```\n\n Note that ML Kit might not return results if the model isn't confident in\n the relevance of the suggested replies, the input conversation isn't in\n English, or if the model detects sensitive subject matter."]]
