小狮博客原标题：只需5分钟，水灵灵地实现网站复刻！
作为前端开发者，我们的日常工作中总是有各种各样的 UI 布局任务。从设计稿到代码实现，往往需要花费大量时间去调整布局、优化细节，这种重复性的工作不仅浪费时间资源，还无形中加重了我们的工作负荷，让人感到疲惫。
前段时间，我在 GitHub 上偶然发现了一个热门的开源项目 Screenshot-to-Code，它能够通过 AI 自动生成前端代码，并且支持生成多种不同技术栈的代码，如 HTML + Tailwind、React + Tailwind 等等。
想到可以借助 AI 来帮助我开发复杂的页面，我立刻决定尝试一下。
环境搭建
首先，我们可以将项目 Clone 到本地并用 IDE 打开，准备本地部署启动。然而，面对冗长的项目 Readme 文档，直接阅读可能会带来很重的视觉负担。
这个时候我想到，我刚好有安装豆包MarsCode 编程助手插件，决定尝试下能否让 AI 告诉我该如何进行部署。在向 AI 助手提问之后，它立刻按照步骤指引我，需要先进入后端目录执行哪些命令，再进入前端目录执行哪些命令。
按照它给到的命令执行后，我成功地启动了项目：
但项目只支持 GPT 和 Claude 的 API，这些 API 都要收费，我只想用免费的 Gemini 模型，要怎么修改呢？
使用编程助手增加 Gemini 模型
首先，我找到模型配置的代码 model.ts，当我在注释上写了需要增加 Gemini 模型后，编程助手立刻就帮我生成了代码，我只需要按下 TAB 键采纳即可。
接着在 backend/.env、backend/config.py 增加 Gemini 的 API KEY：
#.env增加
keyGEMINI_API_KEY=xxxxxx
#config.py增加获取key
GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY", None) 然后可以在Llm.py 中增加 Gemini 模型以及调用 Gemini 的代码。这时我发现有一个 stream_claude_response_native 方法，看起来是在调用 Claude，我们让豆包MarsCode 编程助手解释一下：
通过豆包MarsCode 编程助手的解释，确认是在调用 Claude。那我们需要增加调用 Gemini 的代码。编写代码过程中，通过编程助手提供的代码补全功能，效率获得了显著的提升。
class Llm(Enum):
GPT_4_VISION = "gpt-4-vision-preview"
GPT_4_TURBO_2024_04_09 = "gpt-4-turbo-2024-04-09"
GPT_4O_2024_05_13 = "gpt-4o-2024-05-13"
CLAUDE_3_SONNET = "claude-3-sonnet-20240229"
CLAUDE_3_OPUS = "claude-3-opus-20240229"
CLAUDE_3_HAIKU = "claude-3-haiku-20240307"
CLAUDE_3_5_SONNET_2024_06_20 = "claude-3-5-sonnet-20240620"
//新增gemini
GEMINI_1_5_PRO_LATEST = "gemini-1.5-pro-latest"
async def stream_gemini_response(
messages: List[ChatCompletionMessageParam],
api_key: str,
callback: Callable[[str], Awaitable[None]],
) -> str:
genai.configure(api_key=api_key)
generation_config = genai.GenerationConfig(
temperature = 0.0
)
model = genai.GenerativeModel(
model_name = "gemini-1.5-pro-latest",
generation_config = generation_config
)
contents = parse_openai_to_gemini_prompt(messages);
response = model.generate_content(
contents = contents,
#Support streaming
stream = True,
)
for chunk in response:
content = chunk.text or ""
await callback(content)
if not response:
raise Exception("No HTML response found in AI response")
else:
return response.text;
def parse_openai_to_gemini_prompt(prompts):
messages = []
for prompt in prompts:
message = {}
message['role'] = prompt['role']
if prompt['role'] == 'system':
message['role'] = 'user'
if prompt['role'] == 'assistant':
message['role'] = 'model'
message['parts'] = []
content = prompt['content']
if isinstance(content, list):
for content in prompt['content']:
part = {}
if content['type'] == 'image_url':
base64 = content['image_url']['url']
part['inline_data'] = {
'data': base64.split(",")[1],
'mime_type': base64.split(";")[0].split(":")[1]
}
elif content['type'] == 'text':
part['text'] = content['text']
message['parts'].append(part)
else:
message['parts'] = [content]
messages.append(message)
return messages写完代码之后，我们可以使用【注释代码】功能给代码加上注释，让代码更加规范：
之后，我们还需要在 generate_code 增加调用前面写的 Gemini 方法：
if validated_input_mode == "video":
if not anthropic_api_key:
await throw_error(
"Video only works with Anthropic models. No Anthropic API key found. Please add the environment variable ANTHROPIC_API_KEY to backend/.env or in the settings dialog"
)
raise Exception("No Anthropic key")
completion = await stream_claude_response_native(
system_prompt=VIDEO_PROMPT,
messages=prompt_messages, # type: ignore
api_key=anthropic_api_key,
callback=lambda x: process_chunk(x),
model=Llm.CLAUDE_3_OPUS,
include_thinking=True,
)
exact_llm_version = Llm.CLAUDE_3_OPUS
elif (
code_generation_model == Llm.CLAUDE_3_SONNET
or code_generation_model == Llm.CLAUDE_3_5_SONNET_2024_06_20
):
if not anthropic_api_key:
await throw_error(
"No Anthropic API key found. Please add the environment variable ANTHROPIC_API_KEY to backend/.env or in the settings dialog"
)
raise Exception("No Anthropic key")
completion = await stream_claude_response(
prompt_messages, # type: ignore
api_key=anthropic_api_key,
callback=lambda x: process_chunk(x),
model=code_generation_model,
)
exact_llm_version = code_generation_model
# 增加调用gemini
elif (
code_generation_model == Llm.GEMINI_1_5_PRO_LATEST
):
if not GEMINI_API_KEY:
await throw_error(
"No GEMINI API key found. Please add the environment variable ANTHROPIC_API_KEY to backend/.env or in the settings dialog"
)
raise Exception("No GEMINI key")
completion = await stream_gemini_response(
prompt_messages, # type: ignore
api_key=GEMINI_API_KEY,
callback=lambda x: process_chunk(x),
)
exact_llm_version = code_generation_model
else:
completion = await stream_openai_response(
prompt_messages, # type: ignore
api_key=openai_api_key,
base_url=openai_base_url,
callback=lambda x: process_chunk(x),
model=code_generation_model,
)
exact_llm_version = code_generation_model最后安装 Gemini SDK：
cd backend
poetry add google-generativeai效果呈现
改完所有代码再启动项目后，就可以看到已经有 Gemini 模型啦，让我们来试试效果：
我们上传豆包MarsCode 官网截图，点击生成后，右侧即为 AI 生成的效果，可以看到还原度还不错。
由于自动生成的字体没有渐变色的效果，我们可以通过给 AI 提要求，增加渐变色效果，可以明显看到，在渐变色字体的设计下页面的视觉效果更加高级了！
在豆包MarsCode 编程助手的帮助下，我们在项目上增加了免费了 Gemini 模型。有了它，项目开发更加高效便捷了，官网复刻，轻松拿下！
大家赶快来尝试一下吧！
- 免费体验地址 豆包MarsCode 编程助手
免费调用额度
添加API Key
必学：核⼼知识点，经常⽤到。 
建议学：重要知识点，专业⼈⼠的基⽯。 
⾯试重点：经常出现的⾯试知识点。 
可有可⽆：边缘区域，不是必须探索的地⽅。 
知识描绘：知识点描述，快速理解。 
学习资源：关联的学习资源。 
学习⽬标：阶段性⽬标。 
目标：开发一个简单的在线商城，包括商品展示、购物车、订单管理等功能，使用Django的ORM进行数据库操作。
资源：
描述：Django提供了一个抽象的模型层，用于结构化和操作网页应用程序的数据。
资源：
描述：ORM代表“对象关系映射”，是一种编程技术，用于在关系型数据库和面向对象编程语言之间建立映射关系。
描述：超文本标记语言，用于构建网页的结构。
资源：
描述：层叠样式表，用于设置网页的布局和样式。
资源：
描述：一种脚本编程语言，用于实现网页的交互性。
资源：
必学：核⼼知识点，经常⽤到。
建议学：重要知识点，专业⼈⼠的基⽯。
⾯试重点：经常出现的⾯试知识点。
可有可⽆：边缘区域，不是必须探索的地⽅。
知识描绘：知识点描述，快速理解。
学习资源：关联的学习资源。
学习⽬标：阶段性⽬标。
描述: 自动化程序，用于从网页提取信息和数据。
目标: 新闻聚合器 (利用 Scrapy 爬取不同新闻网站的新闻，整合到一个平台)。
学习资源:
爬虫合法性: (
必须学习，避免法律风险)
Requests 模块: (流行的第三方库，易于使用)
描述: 提供易于使用的 API 发送 HTTP 请求和处理响应 (GET、POST 等)。
学习资源:
urllib 模块: (Python 标准库，功能相对简单)
描述: 提供基本的 HTTP 请求功能，无需额外安装。
BeautifulSoup: Python 库，解析 HTML 和 XML，提供易于使用的 API 遍历文档树和提取数据。
正则表达式: 强大的文本模式匹配工具，适用于简单的数据提取任务。
XPath: 在 XML 文档中定位和提取数据的语言，Python 中可使用 lxml 库处理。
Excel: 使用 openpyxl 或 pandas 库导出到 Excel 文件。
CSV: 使用 Python 内置库 csv 保存为 CSV 格式。
MySQL: 关系型数据库，使用 mysql-connector 或其他 MySQL 连接库。
