Google Genkit：Firebase 出品的全栈 AI 应用开发框架

一个框架、多种语言、统一接口，零门槛构建生产级 AI 应用。

2024 年，Google Firebase 团队开源了一个 AI 应用开发框架——Genkit。当时正值 LangChain、LlamaIndex 等框架打得火热，Genkit 的出现并没有引起太多关注。但一年多过去了，这个框架悄然成熟，于 2026 年 4 月 15 日发布了 v0.5.0 稳定版，GitHub 上积累了大量生产级用例，Discord 社区活跃度持续攀升。

作为一个写过 LangChain 也踩过坑的开发者，我认真体验了 Genkit，想把它的真实感受写出来。

Genkit 是什么

Genkit 是一个全栈 AI 应用开发框架，由 Google Firebase 团队构建并开源，Apache 2.0 协议。

核心定位：让你用熟悉的代码方式构建 AI 功能，而不是被 Prompt 工程和 API 调用细节淹没。

官方文档开篇就说得很直白：

Genkit simplifies AI integration with an open-source SDK and unified APIs that work across various model providers and programming languages.

支持三种编程语言，成熟度不同：

快速上手：几行代码跑起来

Genkit 的设计哲学是极简 API，看看这段代码有多干净：

import { genkit } from 'genkit';
import { googleAI } from '@genkit-ai/google-genai';

const ai = genkit({ plugins: [googleAI()] });

const { text } = await ai.generate({
  model: googleAI.model('gemini-2.5-flash'),
  prompt: 'Why is Firebase awesome?'
});

这就是调用 Gemini 的全部代码。不需要手动处理 API 封装，不需要管理会话，没有额外的复杂度。

核心能力拆解

1. 多模型统一接口

Genkit 提供了模型抽象层，一个接口兼容多个模型提供商：

// 切换模型只需要换一行配置
const { text } = await ai.generate({
  model: googleAI.model('gemini-2.5-flash'),
  prompt: '...'
});

// 换成 OpenAI？
import { openAIAI } from '@genkit-ai/openai';
const ai = genkit({ plugins: [openAIAI()] });

支持的模型提供商：

• Google: Gemini 系列（内置，最新支持 Gemini 2.5）
• OpenAI: GPT-4o、GPT-4o-mini
• Anthropic: Claude 3.5
• Ollama: 本地模型（Llama、Mistral 等）
• 以及更多通过插件接入的模型

这个设计解决了 AI 开发中的最大痛点——锁定提供商就意味着失去议价能力和灵活性。用 Genkit，你可以随时切换模型，而不需要重写业务逻辑。

2. Flows：带类型的 AI 工作流

这是 Genkit 最核心的概念。

AI 工作流通常不只是调用一次模型，而是包含：检索上下文、格式化输入、验证输出、处理多步对话等。Flow 就是用来封装这些逻辑的。

import { genkit, z } from 'genkit';
import { googleAI } from '@genkit-ai/google-genai';

const ai = genkit({
  plugins: [googleAI()],
});

export const menuSuggestionFlow = ai.defineFlow(
  {
    name: 'menuSuggestionFlow',
    inputSchema: z.object({ theme: z.string() }),
    outputSchema: z.object({
      dishname: z.string(),
      description: z.string(),
    }),
  },
  async ({ theme }) => {
    const { output } = await ai.generate({
      model: googleAI.model('gemini-2.5-flash'),
      prompt: `Invent a menu item for a ${theme} themed restaurant.`,
      output: { schema: MenuItemSchema },
    });

    if (output == null) {
      throw new Error("Response doesn't satisfy schema.");
    }
    return output;
  }
);

Flow 的设计有几个关键优势：

类型安全：输入输出用 Zod 定义，编译期校验 + 运行时校验。TypeScript 会在编译阶段就发现类型不匹配。

零抽象：Flow 就是普通的 TypeScript 函数，没有任何魔法。你可以像写普通代码一样调试、测试、打日志。

一键部署：定义好的 Flow 可以直接部署到 Cloud Functions for Firebase 或 Cloud Run，不需要额外的适配代码。

流式输出支持：

export const streamingFlow = ai.defineFlow(
  {
    name: 'streamingFlow',
    inputSchema: z.object({ theme: z.string() }),
    streamSchema: z.string(),
    outputSchema: z.object({ result: z.string() }),
  },
  async ({ theme }, { sendChunk }) => {
    const { stream, response } = ai.generateStream({
      model: googleAI.model('gemini-2.5-flash'),
      prompt: `Tell me a story about ${theme}`,
    });

    for await (const chunk of stream) {
      sendChunk(chunk.text);  // 实时发送流式内容
    }

    const { text } = await response;
    return { result: text };
  }
);

3. Dotprompt：Prompt 即代码

Genkit 引入了一个叫 Dotprompt 的提示词管理格式。它的核心理念是：Prompt 也是代码，应该纳入版本控制，而不是散落在各处的字符串。

Dotprompt 文件以 .prompt 为扩展名，放在项目的 prompts/ 目录下：

---
model: googleai/gemini-2.5-flash
config:
  temperature: 0.9
input:
  schema:
    location: string
    style?: string
    name?: string
  default:
    location: a restaurant
---
You are the world's most welcoming AI assistant and are currently working at {{location}}.
Greet a guest{{#if name}} named {{name}}{{/if}}{{#if style}} in the style of {{style}}{{/if}}.

前端是 YAML 元数据（模型选择、参数配置、输入 schema），后端是 Handlebars 模板语法。

这样设计的好处：

• Prompt 迭代更快：可以在 Developer UI 中直接调试，看到实时效果
• 版本可控：所有 Prompt 都在 Git 里，可以 Code Review
• 多模型适配：同一个 Prompt 可以配置不同的模型，测试哪个效果更好

4. RAG：开箱即用的检索增强

RAG（Retrieval-Augmented Generation）是企业级 AI 应用的核心需求。Genkit 提供了完整的 RAG 抽象层：

• Indexer：将文档索引到向量数据库
• Embedder：将文本转换为向量表示
• Retriever：根据查询检索相关文档

import {
  devLocalIndexerRef,
  devLocalVectorstore,
} from '@genkit-ai/dev-local-vectorstore';
import { googleAI } from '@genkit-ai/google-genai';
import { z, genkit } from 'genkit';

const ai = genkit({
  plugins: [
    googleAI(),
    devLocalVectorstore([
      {
        indexName: 'menuQA',
        embedder: googleAI.embedder('gemini-embedding-001'),
      },
    ]),
  ],
});

// 索引 PDF 文档
export const menuPdfIndexer = devLocalIndexerRef('menuQA');

支持的向量数据库：

• 本地测试：dev-local-vectorstore
• 云服务：Pinecone、Vertex AI Vector Search、Chroma DB、Astra DB
• 图数据库：Neo4j（支持向量检索）
• SQL：Cloud SQL PostgreSQL (pgvector)、PostgreSQL (pgvector)

Genkit 对 RAG 的理解很务实：它不绑定具体实现，只定义抽象接口，你可以选择任何满足需求的向量数据库。

5. Tool Calling：让 AI 调用你的代码

Tool Calling（函数调用）是让 LLM 和你的应用系统交互的标准方式。Genkit 提供了统一的 Tool 定义接口：

const getWeather = ai.defineTool(
  {
    name: 'getWeather',
    description: 'Gets the current weather in a given location',
    inputSchema: z.object({
      location: z.string().describe('The location to get the current weather for'),
    }),
    outputSchema: z.string(),
  },
  async (input) => {
    // 这里调用真实的天气 API
    return `The current weather in ${input.location} is 63°F and sunny.`;
  }
);

使用 Tool 的场景：

• 实时信息查询：股票价格、天气、新闻
• 业务系统集成：查订单、查库存、用户信息
• 确定性操作：绕过 LLM 的"幻觉"，直接返回准确数据
• 执行动作：订餐、控制智能家居、发送通知

Genkit 的 Tool Calling 会自动处理循环调用——LLM 决定何时调用 Tool，应用执行后返回结果，整个过程对开发者是透明的。

6. 开发者工具链

Genkit 提供了一套本地开发工具，能显著提升调试效率：

# 安装 CLI
npm install -g genkit-cli

# 启动开发 UI
genkit start -- tsx --watch src/index.ts

启动后会自动打开本地 Web UI，包含三个核心功能：

Run：在 Playground 中测试 Flow、Prompt、Tool，实时看到输出结果。

Inspect：查看历史执行的完整追踪记录，包括每个步骤的输入输出、时间消耗、Token 用量。对于调试复杂的多步 Flow 非常有用。

Evaluate：对 Flow 运行评估测试，对比不同模型或 Prompt 版本的效果差异。

这套工具的体验和 LangSmith 类似，但原生集成在框架里，不需要额外的注册和配置。

7. 生产级可观测性

部署到生产环境后，Genkit 提供开箱即用的监控能力：

• 模型性能追踪：延迟、错误率、Token 用量
• 请求量监控：按 Flow、模型、时间段聚合
• 自定义指标：集成到 Firebase Console 或其他监控平台

8. 跨端 SDK

Genkit 不只是后端框架，还提供了客户端 SDK：

• Firebase Client SDK：与 Firebase 深度集成，适合移动和 Web 应用
• 支持 Next.js、React：服务端组件和客户端组件都有对应支持
• 移动端：iOS、Android 客户端库正在完善中

技术架构

Genkit 的整体架构分为几层：

┌─────────────────────────────────────┐
│  Developer Tools                     │
│  CLI + Developer UI                 │
└─────────────────────────────────────┘
              ↓
┌─────────────────────────────────────┐
│  Core SDK (Flows, Tools, RAG, etc.) │
│  TypeScript / Go / Python            │
└─────────────────────────────────────┘
              ↓
┌─────────────────────────────────────┐
│  Model Plugins                       │
│  Google Gemini / OpenAI / Ollama ... │
└─────────────────────────────────────┘
              ↓
┌─────────────────────────────────────┐
│  Deploy Targets                      │
│  Firebase / Cloud Run / Any Node.js  │
└─────────────────────────────────────┘

仓库结构也很清晰：

genkit-ai/genkit
├── js/          # TypeScript SDK
├── go/          # Go SDK
├── docs/        # 文档
├── docs-go/     # Go 文档
├── genkit-tools/# CLI 工具
├── samples/     # 示例代码
└── plugins/     # 插件生态

与竞品对比

LangChain 的优势在于生态更成熟、文档更丰富、社区更大。Genkit 的优势在于：Google 原厂维护、与 Firebase 生态无缝集成、开发者工具开箱即用。

对于已经在用 Firebase 或 Google Cloud 的团队，Genkit 是更自然的选择。

适用场景

Genkit 非常适合：

• 需要快速原型到生产的 AI 功能
• 使用 Firebase/Google Cloud 的团队
• 对类型安全有要求的工程团队
• 需要 RAG + Tool Calling 的复杂 AI 应用
• 想要统一管理多个 AI 模型的项目

Genkit 不太适合：

• 只需要简单调用 LLM 的场景（直接用 SDK 更轻量）
• 极度依赖 Python 生态的场景（Python 版还在 Alpha）
• 追求最大社区和文档的场景（LangChain 生态更成熟）

快速开始

安装：

npm install genkit @genkit-ai/google-genai

配置 API Key：

export GEMINI_API_KEY=your_api_key

运行：

npx genkit start

浏览器会自动打开 http://localhost:4000，进入 Developer UI。

总结

Genkit v0.5.0 的发布标志着这个框架进入了成熟期。它的设计哲学很务实：不追求最全的功能覆盖，而是把核心场景做到极致好用。

Flows 的类型安全、Dotprompt 的提示词工程化、开发者工具的原生集成、Firebase 的深度绑定——这些组合在一起，形成了一个端到端覆盖 AI 应用开发全流程的框架。

如果你在寻找一个结构清晰、工具完善、生产可用的 AI 开发框架，Genkit 值得认真考虑。尤其是如果你的技术栈和 Firebase/Google Cloud 有交集，它的集成体验会让你满意。

项目地址: https://github.com/genkit-ai/genkit

官方文档: https://genkit.dev

相关链接:

• Genkit Examples — 交互式示例
• Firebase 官方博客 — Firebase 团队博客
• dotprompt 仓库 — Dotprompt 规范实现