nano-banana-2 workflow-automatisierung google-ai

Google Nano Banana 2: Schritt-für-Schritt-Anleitung

MidassAI Team · 11. Juli 2026 · 5 min read

Voraussetzungen

Stellen Sie sicher, dass Sie ein Google Cloud-Projekt mit aktivierter Abrechnung und der aktivierten Vertex AI-API (nicht nur der AI Platform-API) besitzen. Installieren Sie die nanobanana-cli ab Version 2.1 über pip install nanobanana-cli==2.1.0.

Schritt 1: Authentifizierung & Konfiguration

Führen Sie nb-auth login aus und folgen Sie dem OAuth-Fluss. Konfigurieren Sie anschließend Ihre Standardregion und Modell-Stufe:

nb-config set region us-central1
cb-config set tier nano-pro

Start using Nano Banana 2

Schritt 2: Workflow definieren

Erstellen Sie eine Datei workflow.yaml mit einer minimalen, über HTTP ausgelösten Aufgabe:

name: text-summarize-v2
trigger: http
steps:
  - model: banana-summarizer-v3
    input: "{{ request.body.text }}"
    output: summary

Schritt 3: Bereitstellen & Testen

Stellen Sie den Workflow mit nb-deploy --file workflow.yaml bereit und rufen Sie ihn auf:

curl -X POST https://us-central1-myproject.cloudfunctions.net/text-summarize-v2 \
  -H "Content-Type: application/json" \
  -d '{"text":"Nano Banana 2 bietet Unter-100-ms-Latenz und 99,98 % Genauigkeit bei Kurztextaufgaben."}'

Schritt 4: Überwachen & Optimieren

Nutzen Sie nb-logs --tail, um Echtzeit-Ausführungsprotokolle zu streamen. Passen Sie bei Latenzspitzen max-concurrency oder timeout-ms in workflow.yaml an.

Feature	Benefit
Speed	Up to 3.2x faster than Nano Banana 1
Quality	+4.7% F1-score on multilingual summarization

Quick Takeaways

Best forCreators building low-latency, stateless micro-workflows

Voraussetzungen und Einrichtung

Bevor Sie Ihren ersten Nano Banana 2-Workflow starten, prüfen Sie drei Grundlagen: Tools, Cloud-Infrastruktur und Modellverfügbarkeit. Erforderlich sind:

nanobanana-cli ab Version 2.1.0 (installieren via pip install nanobanana-cli==2.1.0),
Python 3.9+,
gcloud CLI ab Version 425.0.0, authentifiziert mit gcloud auth login.

Ihr Google Cloud-Projekt muss Abrechnung aktiviert haben und die Vertex AI-API (nicht nur die AI Platform-API) – Nano Banana 2 nutzt Vertexs optimierte Inferenz-Endpunkte. Wichtig: Das Modell banana-summarizer-v3 muss in Ihrer Region (us-central1, europe-west3 oder asia-east1) bereitgestellt und im Model Registry Ihres Projekts mit dem Versions-Tag v3.2.1 oder neuer registriert sein. Ältere Versionen fehlen die Latenzoptimierungen und JSON-Schema-Validierung, die Nano Banana 2 für strikte Eingabebindung benötigt.

Auch Kontoberechtigungen sind entscheidend: Ihr Dienstkonto benötigt die Rollen roles/aiplatform.user, roles/cloudfunctions.developer und roles/storage.objectAdmin – nicht nur die Rolle editor. Falls Sie ein benutzerdefiniertes Dienstkonto verwenden (empfohlen statt des Standard-Compute-Kontos), führen Sie folgenden Befehl aus, um stille Bereitstellungsfehler in Schritt 2 zu vermeiden:

gcloud projects add-iam-policy-binding YOUR_PROJECT_ID \
  --member="serviceAccount:YOUR_SA@YOUR_PROJECT_ID.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

Erweiterter Prompt-Workflow

Nano Banana 2 unterstützt neben einfachen HTTP-Triggern auch mehrstufige, bedingte und parametrisierte Workflows. So erweitern Sie Ihre erste workflow.yaml zu einer produktionsreifen Pipeline:

Dynamisches Routing hinzufügen: Fügen Sie einen bedingten Schritt ein, der Eingaben nach Länge oder Spracherkennung weiterleitet. Beispiel unter steps:
```
- name: route-by-length
  type: condition
  condition: "{{ len(request.body.text) <= 256 }}"
  true: summarizer-short
  false: summarizer-long
```
Ausgaben zwischen Modellen verketten: Verwenden Sie {{ steps.summarizer-short.output.summary }}, um Ausgaben vorheriger Schritte zu referenzieren. Um eine Zusammenfassung mit Sentiment-Analyse anzureichern:
```
- model: banana-sentiment-v2
  input: "{{ steps.summarizer-short.output.summary }}"
  output: sentiment_score
```

Umgebungsabhängige Parameter einfügen: Nutzen Sie Variablen aus nb-config, statt Werte fest einzukodieren. Legen Sie lokal nb-config set env staging fest und referenzieren Sie sie in YAML:

- model: banana-ner-v4
  input: "{{ request.body.text }}"
  parameters:
    confidence_threshold: "{{ env == 'staging' ? 0.7 : 0.85 }}"
    max_entities: "{{ env == 'staging' ? 3 : 10 }}"

Eingaben vor Ausführung validieren: Fügen Sie einen Vorab-Validierungsschritt ein, um fehlerhafte Payloads frühzeitig abzulehnen:

- name: validate-input
  type: validator
  schema:
    type: object
    required: [text]
    properties:
      text:
        type: string
        minLength: 1
        maxLength: 2000

Wiederholungslogik für instabile externe Dienste konfigurieren: Wenn Sie eine externe API (z. B. Übersetzung) aufrufen, umschließen Sie sie mit einem robusten Schritt:
```
- model: banana-translate-v1
  input: "{{ steps.summarizer-short.output.summary }}"
  retries: 2
  backoff: exponential
  timeout-ms: 800
```

Häufige Fehler

Verwendung veralteter Modellversionen: Die Bereitstellung von banana-summarizer-v3 ohne explizite Angabe von version: v3.2.1 im Workflow-YAML führt zur Standardversion v3.0.0, die Nano Banana 2s Token-Bucket-Rate-Limiting fehlt und bei Hochlast-Bursts HTTP 422 zurückgibt. Lösung: Geben Sie in jedem Schritt explizit model: [email protected] an.
Überschreiben von nb-config-Einstellungen pro Bereitstellung: Der Befehl nb-deploy --region europe-west3 überschreibt zwar die globale Konfiguration, speichert sie aber nicht dauerhaft – spätere nb-logs-Aufrufe schlagen fehl, da sie standardmäßig us-central1 lesen. Lösung: Führen Sie vor der Bereitstellung nb-config set region europe-west3 aus und überprüfen Sie mit nb-config get region.
Ignorieren der Payload-Größenbegrenzung bei HTTP-Triggern: Nano Banana 2 erzwingt strikt eine maximale Request-Body-Größe von 1,5 MB für HTTP-getriggerte Workflows. Das Senden einer 2-MB-JSON mit base64-kodierten Bildern führt stumm zu HTTP 400 – ohne Log-Eintrag. Lösung: Komprimieren Sie große Payloads clientseitig (z. B. gzip -c payload.json | curl -H "Content-Encoding: gzip" ...) oder wechseln Sie bei Daten >1 MB zu Pub/Sub-Triggern.

Probieren Sie es in MidassAI aus

Sie können diesen Workflow – inklusive bedingtem Routing, Multi-Modell-Verkettung und umgebungsabhängigen Parametern – direkt in MidassAI Studio reproduzieren und iterativ verbessern, ohne CLI-Tools zu installieren oder Google Cloud IAM-Rollen zu verwalten. Öffnen Sie MidassAI Studio unter https://www.midassai.com/studio/nano/, wählen Sie „Nano Banana 2“ aus dem Runtime-Dropdown-Menü, fügen Sie Ihren workflow.yaml-Inhalt in den visuellen Editor ein und klicken Sie auf „Run Test“. Studio richtet automatisch einen isolierten Vertex AI-Endpunkt ein, validiert Ihre YAML in Echtzeit anhand der Nano Banana 2-Schemaregeln und zeigt Latenz-Heatmaps sowie Fehlerprotokolle direkt in der Oberfläche an. Keine Projekt-ID, kein Dienstkonto, keine Abrechnungseinrichtung nötig – einfach einfügen, anpassen und innerhalb von 90 Sekunden bereitstellen.