Genkit：Google推出的开源全栈AI应用开发框架，支持多语言与多模型集成

一、Genkit是什么？

Genkit是由Google Firebase团队开发并在生产环境中验证的开源全栈AI应用开发框架，其核心定位是“降低AI应用开发门槛，连接多模型能力与实际业务场景”。根据Genkit官方仓库文档定义，它并非单一AI模型或工具，而是一套覆盖“模型集成-功能开发-测试调试-部署监控”全生命周期的解决方案，旨在让开发者无需深入研究AI模型底层细节，即可快速构建稳定、可扩展的全栈AI应用。

Genkit的核心背景源于Firebase对企业级AI应用开发痛点的洞察：传统AI开发中，开发者需针对不同模型提供商（如Google、OpenAI）编写差异化接口，处理多模态数据（文本、图像）时需手动封装逻辑，且生产环境中的监控与调试难度较高。为此，Genkit通过“统一接口+跨语言SDK+工具链”的组合，解决了上述痛点——例如，开发者只需通过同一套API，即可调用Gemini或GPT模型，无需修改核心代码；同时，框架内置结构化输出、工具调用等能力，避免重复开发底层逻辑。

从技术定位来看，Genkit具有三个关键属性：

1. 生产级开源框架：Genkit由Firebase团队主导开发，且已在Google内部生产环境中使用，代码开源（Apache-2.0协议），支持开发者贡献功能或修复问题；

2. 多语言兼容：提供JavaScript/TypeScript（Stable，生产就绪）、Go（Beta，功能完整）、Python（Alpha，核心功能）三种SDK，API风格保持一致，适配不同技术栈需求；

3. 无绑定部署：不强制依赖Google服务，可部署到任何支持对应编程语言的环境（如Firebase云函数、AWS Lambda、自建服务器等），兼顾灵活性与企业级需求。

二、Genkit的核心功能特色

Genkit的功能设计围绕“简化AI开发全流程”展开，涵盖模型集成、开发效率、跨平台适配、部署灵活性、质量保障等多个维度。下表梳理了其核心功能模块、优势及适用场景，帮助开发者快速理解其价值：

三、Genkit的技术细节

3.1 整体架构设计

Genkit采用“核心SDK+插件生态+工具链”的三层架构，确保灵活性与可扩展性，具体结构如下：

• 核心SDK层：提供统一的AI能力接口（如ai.generate()生成文本、ai.runFlow()执行AI工作流），负责请求分发、参数校验、结果处理等基础逻辑，屏蔽不同模型的底层差异；

• 插件生态层：分为“模型插件”和“工具插件”两类：

• 模型插件：对接具体模型提供商（如@genkit-ai/googleai对接Google AI，@genkit-ai/openai对接OpenAI），开发者只需导入对应插件即可调用该厂商模型；

• 工具插件：提供辅助功能（如向量数据库插件@genkit-ai/weaviate用于RAG，日志插件@genkit-ai/logging用于日志收集）；

• 工具链层：包含CLI和Developer UI，负责开发阶段的测试、调试与评估，以及生产阶段的监控数据采集。

这种架构的优势在于：新增模型或工具时，无需修改核心SDK代码，仅需开发对应插件即可，降低框架扩展成本（例如，若未来新增“字节跳动AI”模型，只需开发@genkit-ai/bytedance插件）。

3.2 SDK语言支持与功能对比

Genkit针对不同编程语言的SDK进行了差异化设计，以适配不同场景需求。下表详细对比了各语言SDK的核心信息：

// 初始化Genkit，导入Google AI插件 const ai = genkit({ plugins: [googleAI({ apiKey: process.env.GOOGLE_AI_KEY })] });

// 调用Gemini模型生成文本 async function generateText() { const { text } = await ai.generate({ model: googleAI.model('gemini-2.0-flash'), prompt: '解释Firebase Genkit的核心价值' }); console.log('模型输出：', text); }

generateText();

| Go       | 测试（Beta） | 1. 多模型调用（Google/OpenAI/Anthropic）；<br>2. 结构化输出；<br>3. 工具调用；<br>4. 基础RAG；<br>5. 监控与traces；<br>6. 无多模态支持（暂） | Go 1.21+                 | 后端AI服务（如API接口、高并发请求处理）、企业内部工作流自动化 | ```go
// 1. 安装依赖：go get github.com/firebase/genkit/go/genkit github.com/firebase/genkit/go/plugins/googleai
// 2. 代码示例
package main

import (
 "context"
 "fmt"
 "os"

 "github.com/firebase/genkit/go/genkit"
 "github.com/firebase/genkit/go/plugins/googleai"
)

func main() {
 // 初始化Genkit
 ai, err := genkit.New(
  genkit.WithPlugins(googleai.Plugin(googleai.WithAPIKey(os.Getenv("GOOGLE_AI_KEY")))),
 )
 if err != nil {
  fmt.Printf("初始化失败：%v\n", err)
  return
 }

 // 调用Gemini模型
 resp, err := ai.Generate(context.Background(), &genkit.GenerateRequest{
  Model: googleai.Model("gemini-2.0-flash"),
  Prompt: genkit.NewPrompt("解释Firebase Genkit的核心价值"),
 })
 if err != nil {
  fmt.Printf("生成失败：%v\n", err)
  return
 }

 fmt.Printf("模型输出：%s\n", resp.Text)
}
``` |
| Python     | 早期（Alpha） | 1. 基础模型调用（Google/OpenAI）；<br>2. 简单结构化输出；<br>3. 无多模态、RAG、工具调用（暂）；<br>4. 基础日志记录 | Python 3.10+、pip             | 数据相关AI原型（如CSV数据分析+AI总结）、简单文本生成工具 | ```python
# 1. 安装依赖：pip install genkit-py google-api-python-client
# 2. 代码示例
from genkit import genkit
from genkit.plugins import googleai
import os

# 初始化Genkit
ai = genkit(
 plugins=[googleai(api_key=os.getenv("GOOGLE_AI_KEY"))]
)

# 调用Gemini模型
def generate_text():
 result = ai.generate(
  model=googleai.model("gemini-2.0-flash"),
  prompt="解释Firebase Genkit的核心价值"
 )
 print("模型输出：", result["text"])

generate_text()
``` |


### 3.3 核心技术特性解析
#### （1）统一模型调用接口
Genkit的核心技术亮点之一是“接口归一化”，无论调用哪个厂商的模型，开发者只需修改“模型标识”，无需调整请求参数结构。例如：
- 调用Google Gemini：`googleAI.model('gemini-2.0-flash')`
- 调用OpenAI GPT-4：`openAI.model('gpt-4-turbo')`
- 调用Anthropic Claude：`anthropicAI.model('claude-3-sonnet-20240229')`

这种设计的底层逻辑是：Genkit通过插件将不同厂商的API参数（如“prompt”在OpenAI中是`messages`，在Google AI中是`contents`）统一映射为框架内部的“Prompt”对象，开发者无需关注底层差异。

#### （2）结构化输出保障
传统AI模型输出多为非结构化文本，开发者需手动解析（如正则提取），易出错且效率低。Genkit通过“JSON Schema约束”解决这一问题，示例如下（JavaScript/TS）：
```javascript
// 定义结构化输出的Schema（提取用户信息：姓名、年龄、职业）
const userSchema = {
 type: "object",
 properties: {
  name: { type: "string", description: "用户姓名" },
  age: { type: "number", description: "用户年龄" },
  job: { type: "string", description: "用户职业" }
 },
 required: ["name", "age", "job"]
};

// 调用模型，指定输出格式为该Schema
const { data } = await ai.generate({
 model: googleAI.model('gemini-2.0-flash'),
 prompt: '从句子"用户张三今年30岁，是一名软件工程师"中提取用户信息',
 output: { schema: userSchema } // 关键：指定输出Schema
});

// 直接获取结构化数据，无需解析
console.log(data.name); // 输出：张三
console.log(data.age); // 输出：30
console.log(data.job); // 输出：软件工程师

Genkit会自动将Schema转换为模型可理解的指令（如在prompt中添加“请按以下JSON格式输出...”），并验证模型输出是否符合Schema，若不符合则自动重试（可选配置）。

（3）工具调用与工作流

Genkit支持定义“工具”并让模型自动判断是否调用，适用于智能体类应用。例如，开发一个“天气查询AI”，步骤如下（JavaScript/TS）：

1. 定义工具（调用公开天气API）：

// 定义“查天气”工具
const getWeatherTool = {
 name: "getWeather",
 description: "根据城市名查询当前天气",
 parameters: {
  type: "object",
  properties: {
   city: { type: "string", description: "城市名称，如北京、上海" }
  },
  required: ["city"]
 },
 // 工具执行逻辑（调用天气API）
 handler: async (params) => {
  const res = await fetch(`https://api.weatherapi.com/v1/current.json?key=${process.env.WEATHER_KEY}&q=${params.city}`);
  const data = await res.json();
  return `当前${params.city}天气：${data.current.condition.text}，温度${data.current.temp_c}℃`;
 }
};

2. 让模型决定是否调用工具：

// 初始化Genkit时导入工具
const ai = genkit({
 plugins: [googleAI({ apiKey: process.env.GOOGLE_AI_KEY })],
 tools: [getWeatherTool] // 注册工具
});

// 调用模型，允许工具调用
const { text } = await ai.generate({
 model: googleAI.model('gemini-2.0-flash'),
 prompt: '今天北京的天气怎么样？',
 tools: { allowed: ["getWeather"] } // 允许调用“查天气”工具
});

console.log(text); // 输出：当前北京天气：晴，温度25℃（模型自动调用工具后返回结果）

若用户提问无需工具（如“什么是天气？”），模型则直接回答，不调用工具；若需要工具（如“北京天气”），则自动触发工具调用并整合结果。

四、Genkit的典型应用场景

Genkit的功能特性决定了其适用范围广泛，从个人开发者的小型工具到企业级的复杂AI应用均可覆盖。以下是五大典型应用场景及具体实现思路：

4.1 智能聊天机器人

场景描述：开发支持多轮对话、多模型切换、工具调用的聊天机器人，适用于客服、智能助手等场景（如电商客服机器人、企业内部助手）。
Genkit优势：

• 多模型支持：可根据对话场景切换模型（如简单问答用Gemini Flash，复杂问题用GPT-4）；

• 上下文管理：内置对话历史存储，无需手动维护上下文；

• 工具调用：可对接企业内部系统（如查询订单、修改用户信息）；

• 跨平台部署：Web端用React组件，移动端用iOS/Android助手，统一后端逻辑。
  实现步骤：

1. 用JavaScript/TS SDK开发后端对话逻辑，注册“查询订单”“修改密码”等工具；

2. 前端用React开发聊天界面，通过Genkit客户端SDK调用后端接口；

3. 用Developer UI测试对话流程（如“我要查订单”→AI调用订单工具→返回结果）；

4. 部署到Firebase云函数，通过Firebase监控对话成功率。

4.2 企业文档问答系统（RAG）

场景描述：基于企业内部文档（如产品手册、员工手册、合同模板）构建AI问答系统，让员工或客户快速获取信息（如“产品A的退款政策是什么？”）。
Genkit优势：

• 内置RAG支持：无缝对接Weaviate、Pinecone等向量数据库；

• 多模态文档处理：支持文本文档（PDF、Word）和图像文档（如带文字的产品图）；

• 结构化输出：可提取文档中的关键信息（如“退款期限”“申请条件”）。
  实现步骤：

1. 用Python SDK（Alpha）处理文档：将文档拆分为片段，转换为向量并存储到Weaviate；

2. 用Go SDK开发后端服务：注册RAG插件，实现“查询向量库→获取相关文档→调用模型生成回答”的流程；

3. 用Developer UI测试问答准确性（如“产品A的退款期限是多久？”→AI检索文档后回答）；

4. 部署到Google Cloud Run，通过监控跟踪问答准确率（关联用户反馈）。

4.3 多模态内容生成工具

场景描述：开发支持“文本+图像”输入、文本输出的工具，适用于电商、设计等场景（如“根据商品图片生成宣传文案”“分析海报设计是否符合品牌风格”）。
Genkit优势：

• 多模态处理：无需手动封装图像数据，直接传入图片URL或Base64编码；

• 多模型适配：可调用Gemini（擅长多模态）、GPT-4V（需对应插件）等模型；

• 跨平台适配：支持Web端上传图片、移动端拍照上传。
  实现步骤：

1. 用JavaScript/TS SDK开发后端：导入Google AI插件，支持接收图片URL和文本提示；

2. 前端用Next.js开发界面：提供图片上传入口和文案需求输入框（如“生成手机产品宣传文案”）；

3. 调用模型：ai.generate({ model: googleAI.model('gemini-2.0-flash'), prompt: [{ text: "生成宣传文案" }, { image: { url: 图片URL } }] })；

4. 部署到Firebase云函数，监控生成耗时（避免用户等待过久）。

4.4 企业工作流自动化工具

场景描述：开发自动化工具，替代人工完成重复性工作（如“自动分类客服工单”“根据会议录音文本生成待办事项”）。
Genkit优势：

• 结构化输出：可将非结构化数据（如工单文本、录音转写）转换为结构化格式（如“工单类型：退款，优先级：高”）；

• 工具调用：可对接企业CRM、OA系统（如自动将待办事项同步到飞书/钉钉）；

• 高稳定性：Go SDK支持高并发，适合处理大量工单或录音文本。
  实现步骤：

1. 用Go SDK开发后端：定义“工单分类”工具（结构化输出）和“同步待办”工具（调用OA接口）；

2. 对接数据源：接收客服系统的工单推送或录音转写文本；

3. 自动执行流程：工单接收→AI分类→同步到对应部门OA；

4. 部署到自建服务器（Docker容器），监控自动化成功率（如“分类准确率”“同步成功率”）。

4.5 个性化推荐系统

场景描述：开发基于用户行为和内容的推荐系统，适用于电商、内容平台（如“根据用户浏览历史推荐商品”“根据阅读偏好推荐文章”）。
Genkit优势：

• RAG集成：可检索商品/内容库，结合用户行为生成个性化推荐理由；

• 结构化输出：推荐结果直接返回“商品ID、名称、推荐理由”等结构化数据，便于前端展示；

• 灵活部署：可部署到Serverless环境（如AWS Lambda），降低资源成本。
  实现步骤：

1. 用Python SDK处理用户行为数据：分析浏览历史，生成用户偏好描述（如“喜欢性价比高的手机”）；

2. 用JavaScript/TS SDK开发推荐逻辑：调用RAG检索商品库，结合用户偏好生成推荐列表；

3. 前端用React展示推荐结果（调用后端接口）；

4. 部署到AWS Lambda，通过监控跟踪推荐点击率（优化模型或检索策略）。

五、Genkit的使用方法

Genkit的使用流程遵循“选择语言→安装配置→开发测试→部署监控”四步，以下以最稳定的JavaScript/TypeScript为例，详细说明使用步骤（其他语言流程类似，可参考官方quickstart）：

5.1 步骤1：环境准备

（1）安装基础工具

• 安装Node.js：要求Node.js 18+（推荐18.17+），可通过Node.js官网下载；

• 安装包管理器：npm（Node.js自带）或pnpm（推荐，速度更快）；

• 安装Genkit CLI：全局安装CLI工具，用于开发测试和部署，命令如下：

  npm install -g genkit-cli

（2）获取模型API Key

以Google AI为例（调用Gemini模型）：

1. 访问Google AI Studio，登录Google账号；

2. 在“API Keys”页面创建API Key，记录该Key（后续配置使用）；

3. 若使用其他模型（如OpenAI），需到对应平台获取API Key（如OpenAI官网的“API Keys”页面）。

5.2 步骤2：创建项目并初始化

（1）创建项目目录

mkdir genkit-demo && cd genkit-demo
npm init -y # 初始化package.json

（2）安装依赖

安装Genkit核心SDK和Google AI插件（根据模型选择对应插件）：

npm install genkit @genkit-ai/googleai

（3）配置环境变量

创建.env文件，存储API Key（避免硬编码）：

# .env文件内容
GOOGLE_AI_KEY=你的Google AI API Key

5.3 步骤3：开发第一个AI功能（文本生成）

创建index.js文件，编写基础文本生成代码：

// index.js
import { genkit } from 'genkit';
import { googleAI } from '@genkit-ai/googleai';
import dotenv from 'dotenv';

// 加载环境变量
dotenv.config();

// 初始化Genkit：导入Google AI插件，传入API Key
const ai = genkit({
 plugins: [
  googleAI({
   apiKey: process.env.GOOGLE_AI_KEY, // 从环境变量获取API Key
  }),
 ],
 // 可选：启用日志（开发阶段便于调试）
 logLevel: 'debug',
});

// 定义文本生成函数
async function generateHelloWorld() {
 try {
  // 调用Gemini模型生成文本
  const result = await ai.generate({
   model: googleAI.model('gemini-2.0-flash'), // 指定模型（Gemini Flash，低 latency）
   prompt: '用3句话介绍Firebase Genkit，语言简洁易懂', // 输入提示
  });

  // 输出结果
  console.log('=== 模型输出 ===');
  console.log(result.text);
 } catch (error) {
  console.error('生成失败：', error.message);
 }
}

// 执行函数
generateHelloWorld();

5.4 步骤4：测试AI功能（使用Genkit工具链）

（1）通过CLI启动开发服务

Genkit CLI提供genkit start命令，可启动本地服务并开启Developer UI，命令如下：

genkit start -- node index.js

执行命令后，CLI会输出以下信息（关键内容）：

✅ Genkit dev server started
ℹ️ Developer UI available at http://localhost:4000
ℹ️ Running command: node index.js

（2）查看模型输出

• 命令行终端会直接输出模型生成结果（如“Firebase Genkit是开源全栈AI框架...”）；

• 同时，打开浏览器访问http://localhost:4000（Developer UI），在“Inspect”页面可查看本次执行的traces（如模型调用耗时、请求参数等）。

（3）用Developer UI手动测试

1. 访问http://localhost:4000，点击顶部“Run”标签；

2. 在“Model”下拉框选择“googleai/gemini-2.0-flash”；

3. 在“Prompt”输入框中输入自定义内容（如“如何用Genkit开发RAG应用？”）；

4. 点击“Run”按钮，实时查看模型输出，支持对比不同模型的结果（如切换到“openai/gpt-3.5-turbo”再测试）。

5.5 步骤5：部署到生产环境（以Firebase云函数为例）

（1）安装Firebase CLI

npm install -g firebase-tools

（2）初始化Firebase项目

1. 登录Firebase账号：

   firebase login

2. 初始化Firebase项目（选择“Functions”功能）：

   firebase init functions

• 选择“Create a new project”或“Use an existing project”（需提前在Firebase控制台创建项目）；

• 选择“JavaScript”作为语言；

• 取消“ESLint”（可选），同意安装依赖。

（3）修改Firebase函数代码

进入functions目录，修改index.js（Firebase函数入口文件）：

// functions/index.js
const functions = require("firebase-functions");
const { genkit } = require('genkit');
const { googleAI } = require('@genkit-ai/googleai');

// 初始化Genkit（生产环境配置，关闭debug日志）
const ai = genkit({
 plugins: [
  googleAI({
   apiKey: process.env.GOOGLE_AI_KEY, // 后续在Firebase控制台配置环境变量
  }),
 ],
 logLevel: 'info',
});

// 定义HTTP函数：接收POST请求，返回模型生成结果
exports.generateText = functions.https.onRequest(async (req, res) => {
 // 允许跨域（生产环境需限制域名）
 res.set('Access-Control-Allow-Origin', '*');
 if (req.method === 'OPTIONS') {
  res.set('Access-Control-Allow-Methods', 'POST');
  res.set('Access-Control-Allow-Headers', 'Content-Type');
  return res.status(204).send('');
 }

 try {
  const { prompt } = req.body; // 从请求体获取prompt
  if (!prompt) {
   return res.status(400).json({ error: '请提供prompt参数' });
  }

  // 调用模型
  const result = await ai.generate({
   model: googleAI.model('gemini-2.0-flash'),
   prompt: prompt,
  });

  // 返回结果
  return res.status(200).json({ text: result.text });
 } catch (error) {
  functions.logger.error('生成失败：', error);
  return res.status(500).json({ error: '服务器内部错误' });
 }
});

（4）配置Firebase环境变量

在Firebase控制台为函数配置API Key：

1. 访问Firebase控制台，进入对应项目；

2. 点击左侧“Functions”→“环境变量”→“添加环境变量”；

3. 输入“GOOGLE_AI_KEY”作为键，你的Google AI API Key作为值，保存。

（5）部署Firebase函数

firebase deploy --only functions

部署成功后，Firebase CLI会输出函数的HTTP地址（如https://us-central1-xxx.cloudfunctions.net/generateText），可通过POST请求测试该接口（如用Postman发送{ "prompt": "Hello" }）。

5.6 步骤6：生产监控

1. 访问Firebase控制台，进入“Functions”→“监控”，查看函数的请求量、成功/错误率、平均 latency；

2. 点击“日志”，查看详细日志（如错误原因、模型调用耗时）；

3. 若需更详细的AI执行traces，可在Genkit初始化时配置“监控插件”（如对接Google Cloud Monitoring），实现更精细的指标跟踪。

六、常见问题解答（FAQ）

Q1：Genkit支持哪些AI模型提供商？是否需要单独适配每个提供商的API？

A1：根据Genkit官方文档，目前支持的模型提供商包括Google（Gemini系列、Vertex AI模型）、OpenAI（GPT-3.5/4系列）、Anthropic（Claude 2/3系列）、Ollama（本地部署模型，如Llama 3、Mistral）。无需单独适配——Genkit通过“插件”封装不同提供商的API差异，开发者只需导入对应插件（如@genkit-ai/openai），即可用统一接口调用该厂商模型，例如调用OpenAI GPT-4的代码与调用Google Gemini的代码结构完全一致。

Q2：Genkit的Python SDK处于Alpha阶段，是否适合用于生产环境？

A2：不适合。Alpha阶段的Python SDK仅提供“基础模型调用”和“简单结构化输出”功能，缺少多模态处理、RAG、工具调用等核心能力，且可能存在未修复的bug或突破性更新（后续版本可能修改API）。若需开发生产级Python AI应用，建议等待Python SDK升级到Beta或Stable阶段；当前Python SDK仅推荐用于原型验证、数据科学实验等非生产场景。

Q3：使用Genkit开发的AI应用，是否必须依赖Firebase的其他服务（如Firestore、Auth）？

A3：不需要。Genkit是独立的AI框架，与Firebase其他服务（如数据库、认证）无强制绑定。开发者可根据需求选择是否集成——例如，可将Genkit部署到AWS Lambda，同时对接AWS DynamoDB数据库；也可仅用Genkit开发本地AI工具（如命令行文本生成工具），无需任何云服务。Firebase仅作为Genkit的开发与部署选项之一，而非必需依赖。

Q4：如何在Genkit中实现RAG（检索增强生成）？是否需要手动处理向量数据库？

A4：Genkit内置RAG支持，无需手动处理向量数据库的底层逻辑，步骤如下：1. 安装对应向量数据库插件（如@genkit-ai/weaviate）；2. 定义“检索器”（Retriever），配置向量数据库连接信息（如Weaviate的URL、API Key）；3. 调用模型时启用RAG，Genkit会自动完成“查询向量库→获取相关文档→将文档作为上下文传入模型”的流程。例如，JavaScript/TS中启用RAG的代码如下：

// 1. 安装Weaviate插件：npm install @genkit-ai/weaviate
import { weaviate } from '@genkit-ai/weaviate';

// 2. 初始化Genkit时导入RAG插件
const ai = genkit({
 plugins: [
  googleAI({ apiKey: process.env.GOOGLE_AI_KEY }),
  weaviate({
   url: process.env.WEAVIATE_URL,
   apiKey: process.env.WEAVIATE_API_KEY,
   indexName: "product_docs" // 向量数据库中的索引名
  })
 ]
});

// 3. 调用模型时启用RAG
const { text } = await ai.generate({
 model: googleAI.model('gemini-2.0-flash'),
 prompt: '产品A的退款政策是什么？',
 rag: { retriever: weaviate.retriever() } // 启用RAG
});

Genkit会自动检索“product_docs”索引中的相关文档，并将文档内容作为上下文传入模型，确保回答基于知识库。

Q5：Genkit的Developer UI支持哪些测试功能？如何批量测试AI输出质量？

A5：Genkit的Developer UI提供三大核心测试功能：

• 1. Run（单次运行）：输入单个prompt，实时查看模型输出，支持切换模型对比结果；

• 2. Inspect（执行检查）：查看每一次请求的完整traces，包括步骤拆解（如“调用模型→返回结果”）、耗时、参数与响应数据，便于排查bug；

• 3. Evaluate（批量评估）：导入测试数据集（JSON格式，含“prompt”和“预期输出”），批量运行AI功能后，生成评估报告（如准确率、相关性、 latency分布），支持导出报告用于迭代优化。批量测试的具体操作：在Developer UI的“Evaluate”页面，点击“Import Dataset”导入JSON文件（格式为[{ "prompt": "xxx", "expectedOutput": "xxx" }]），选择模型后点击“Run Evaluation”，等待完成后查看报告。

Q6：生产环境中，如何保障Genkit调用AI模型的安全性（如防止API Key泄露、避免恶意请求）？

A6：可通过以下措施保障安全性：

• 1. API Key保护：将API Key存储在环境变量中（如Firebase环境变量、AWS Secrets Manager），避免硬编码到代码或前端；

• 2. 客户端-服务端分离：前端仅负责用户交互，AI逻辑（含模型调用）全部放在服务端（如Firebase云函数、AWS Lambda），客户端通过API调用服务端，不直接接触模型API Key；

• 3. 请求校验：在服务端添加请求校验（如API密钥认证、用户身份验证），防止恶意请求（如未授权用户调用AI接口）；

• 4. 请求限流：配置服务端限流（如Firebase函数的并发限制、API网关限流），避免因恶意请求导致模型API费用超标；

• 5. 日志审计：启用Genkit的日志功能，记录所有AI请求（含用户ID、prompt、调用时间），便于后续审计与异常排查。

七、相关链接

• Genkit GitHub仓库：https://github.com/firebase/genkit

• Genkit官方网站：https://genkit.dev

八、总结

Firebase Genkit是Google Firebase团队推出的开源全栈AI应用框架，其核心价值在于通过“统一接口+跨语言SDK+全流程工具链”，打破AI应用开发中的“模型集成复杂、技术栈适配难、生产监控缺失”三大痛点。该框架支持JavaScript/TypeScript（稳定）、Go（Beta）、Python（Alpha）三种语言，可无缝集成Google Gemini、OpenAI、Anthropic等主流模型，封装了结构化输出、工具调用、RAG、多模态处理等核心AI能力，同时提供CLI+Developer UI的本地开发工具链与生产级监控能力，支持灵活部署到Google云服务或第三方平台。无论是个人开发者构建简单文本生成工具，还是企业团队开发复杂的智能客服、文档问答系统，Genkit都能通过简化底层复杂度、统一技术栈，帮助开发者快速交付稳定、可扩展的生产级AI应用。作为开源框架，Genkit还允许开发者贡献代码与插件，持续丰富其生态，成为连接AI模型能力与实际业务场景的高效桥梁。