Implementere en robust integration til Gemini-modellen baseret på strict JSON-schema. Adskille eksternt AI-output fra interne domæneobjekter ved hjælp af Ports & Adapters. Sikre stabil prompt-håndtering, skemaparsing og mapping til domænemodellen.

Jeg har arbejdet ud fra Ports & Adapters-arkitekturen, hvor applikationen kun kender til et interface (IMachineReasoningAnalyzer). Selve Gemini-implementeringen ligger isoleret i infrastruktur-laget og kan udskiftes uden at påvirke domænelogikken.

Arbejdet har fokuseret på tre centrale komponenter:

• GeminiMachineAnalyzer – ansvarlig for API-kald, prompt, JSON-schema og parsing.
• GeminiPromptLoader – indlæser templates og gør prompts vedligeholdelsesvenlige.
• GeminiToAggregateMapper – sikrer korrekt mapping til vores interne DTO.

GeminiMachineAnalyzer – kald til API, strict JSON og parsing

Analyzeren bygger en prompt ud fra runtime-data, loader JSON-schema fra fil, sender request til Gemini og parser det strict JSON-output, modellen returnerer. Den fungerer som en “Adapter”, som opfylder interfacet IMachineReasoningAnalyzer.

Kodesnippet (GeminiMachineAnalyzer):

Kald GeminiAPI og Parsing af strict JSON:

Denne klasse viser:

• generering af prompt med kontekst og værdier
• indlæsning af JSON-schema som kontrakt
• kald til Gemini 2.5 API
• parsing af strict JSON fra response
• mapping videre til intern dto

---

GeminiPromptLoader – template-baseret prompting

Prompten ligger i en ekstern .txt-fil, så den kan revideres uden at røre koden.
Se mere om promptdesign i denne post:
Uge 44 – Prompt engineering og strict outputs

Loaderen erstatter placeholders med værdier såsom brand, type og model.

Kodesnippet (PromptLoader):

Prompten bliver loadet fra en tekstfil:

Dette giver:

• vedligeholdelsesvenlige prompts
• klare testbarhedsfordele
• separation mellem tekstskrivning og logik

---

GeminiToAggregateMapper – stærkt typet mapping

Mapperen oversætter Gemini’s JSON direkte til vores interne MachineAggregateDto. Den håndterer også “refusal”-cases, hvor modellen afviser at give svar.

Kodesnippet (Mapper):

Mapperen sikrer:

• stærkt typet interne data (vha. MachineAggregateDto)
• korrekt håndtering af confidence, metadata og refusal-cases
• ensartede resultater på tværs af AI-modeller

Jeg har lært, hvordan man designer et AI-adapterlag, der både er robust, testbart og udskifteligt. Strict JSON-schema har givet mig en bedre forståelse af kontraktbaseret AI-output, og arbejdet har tydeliggjort, hvor vigtigt det er at isolere AI-afhængigheden i infrastrukturen.

Implementeringen har styrket mine kompetencer inden for:

• Ports & Adapters (Hexagonal Architecture)
• integration med LLM’er via prompt-templates
• mapping fra eksterne AI-modeller til interne dto’er
• forståelse af parsing, schema-validering og fejlscenarier