此页面由 Cloud Translation API 翻译。

使用 Firebase Genkit 构建基于您的数据的生成式 AI 功能

1. 准备工作

在此 Codelab 中，您将学习如何使用 Firebase Genkit 将生成式 AI 集成到您的应用中。Firebase Genkit 是一个开源框架，可帮助您构建、部署和监控可正式投入使用的 AI 赋能应用。

Genkit 专为应用开发者而设计，可帮助您以熟悉的模式和范式轻松将强大的 AI 功能集成到您的应用中。该工具由 Firebase 团队打造，依托我们在打造全球数百万开发者所用工具方面的经验。

前提条件

熟悉 Firestore、Node.js 和 TypeScript。

学习内容

如何使用 Firestore 的高级矢量相似度搜索功能构建更智能的应用。
如何使用 Firebase Genkit 在应用中实际实现生成式 AI。
准备好您的解决方案以进行部署和集成。

您需要满足的条件

您所选的浏览器（例如 Google Chrome）
包含代码编辑器和终端的开发环境
一个用于创建和管理 Firebase 项目的 Google 账号

2. 查看所使用的 Web 应用和云服务

在本部分中，您将了解在此 Codelab 中构建的 Web 应用，以及您将使用的云服务。

Web 应用

在此 Codelab 中，您将在名为 Compass 的应用代码库中进行操作。Compass 是一款休假规划应用，用户可以选择目的地、查看目的地活动，以及为行程创建行程。

在此 Codelab 中，您将实现两个新功能，旨在提高用户与应用首页的互动度。这两项功能均由生成式 AI 提供支持：

该应用目前显示的是静态目的地列表。您可以将其更改为动态模式！
您将实现自动填充的行程，以期提高黏度。

d54f2043af908fb

使用的服务

在此 Codelab 中，您将使用许多 Firebase 和 Cloud 服务和功能，并且我们已为您提供了这些服务的大部分起始代码。下表列出了您将使用的服务以及使用这些服务的原因。

服务	使用原因
Firebase Genkit	您使用 Genkit 将生成式 AI 引入 Node.js / Next.js 应用中。
Cloud Firestore	您将数据存储在 Cloud Firestore 中，然后用于向量相似度搜索。
Google Cloud 的 Vertex AI	您将使用 Vertex AI 的基础模型（例如 Gemini）来支持您的 AI 功能。
Firebase App Hosting	您可以选择使用经过简化的全新 Firebase App Hosting 来提供您的动态 Next.js Web 应用（与 GitHub 代码库关联）。

3. 设置您的开发环境

验证您的 Node.js 版本

在终端中，验证是否已安装 Node.js 20.0.0 或更高版本：
```
node -v
```
如果您没有 Node.js 20.0.0 或更高版本，请下载并安装最新的 LTS 版本。

获取 Codelab 的源代码

如果您有 GitHub 账号：

使用 github.com/FirebaseExtended/codelab-ai-genkit-rag 中的模板创建一个新代码库

创建您刚刚创建的 Codelab 的 GitHub 代码库的本地克隆：

git clone https://github.com/<your-github-handle>/codelab-ai-genkit-rag

如果您未安装 git 或不想创建新的代码库，请执行以下操作：

以 ZIP 文件的形式下载 GitHub 代码库。

查看文件夹结构

在本地机器上，找到克隆的代码库并查看文件夹结构：

文件夹	说明
`genkit-functions`	后端 Genkit 代码
`load-firestore-data`	用于快速预先填充 Firestore 集合的辅助命令行工具
*其他	Next.js Web 应用代码

根文件夹包含一个 README.md 文件，可让您按照精简的说明快速开始运行 Web 应用。不过，如果您是第一次学习，则应完成此 Codelab（而不是快速入门），因为此 Codelab 包含最全面的说明。

如果您不确定自己是否按照此 Codelab 中的说明正确应用了代码，可以在 end git 分支中找到解决方案代码。

安装 Firebase CLI

验证是否已安装 Firebase CLI 且版本为 13.6 或更高版本：
```
firebase --version
```
如果您已安装 Firebase CLI，但其版本不是 13.6 或更高版本，请进行更新：
```
npm update -g firebase-tools
```
如果您尚未安装 Firebase CLI，请先安装：
```
npm install -g firebase-tools
```

如果您因权限错误而无法更新或安装 Firebase CLI，请参阅 npm 文档或使用其他安装选项。

登录 Firebase

在终端中，登录 Firebase：
```
firebase login
```
如果终端显示您已登录 Firebase，您可以跳至此 Codelab 的设置 Firebase 项目部分。
在终端中，根据您是否希望 Firebase 收集数据，输入 Y 或 N。（这两个选项都适用于此 Codelab）
在浏览器中，选择您的 Google 账号，然后点击允许。

安装 Google Cloud 的 gcloud CLI

安装 gcloud CLI。
在您的终端登录 Google Cloud：
```
gcloud auth login
```

4. 设置您的 Firebase 项目

在本部分中，您将设置一个 Firebase 项目，并在其中注册一个 Firebase Web 应用。稍后，您还将在此 Codelab 中启用示例 Web 应用使用的几项服务。

本部分中的所有步骤均在 Firebase 控制台中执行。

创建 Firebase 项目

使用您在上一步中使用的 Google 账号登录 Firebase 控制台。
点击创建项目，然后输入项目名称（例如 Compass Codelab）。
请记住为您的 Firebase 项目自动分配的项目 ID（也可以点击修改图标设置自己偏好的项目 ID）。您稍后需要使用此 ID 在 Firebase CLI 中标识您的 Firebase 项目。如果您忘记了 ID，可以随时在项目设置中查找。
点击继续。
如果看到相关提示，请查看并接受 Firebase 条款，然后点击继续。
对于此 Codelab，您不需要使用 Google Analytics，因此请关闭 Google Analytics 选项。
点击创建项目，等待项目预配完成，然后点击继续。

向 Firebase 项目添加 Web 应用

前往 Firebase 项目中的 Project Overview 屏幕，然后点击 Web。
在应用别名文本框中，输入一个容易记住的应用别名，例如 My Compass Codelab App。您可以不选中用于设置 Firebase Hosting 的复选框，因为您可以在本 Codelab 的最后一步中选择是否设置托管服务。
依次点击注册应用 > 前往控制台。

太棒了！现在，您已在新 Firebase 项目中注册了一个 Web 应用。

升级您的 Firebase 定价方案

如需使用 Firebase Genkit 和 Vertex AI（及其底层云服务），您的 Firebase 项目必须采用按需付费 (Blaze) 定价方案，这意味着该项目需要与一个 Cloud Billing 账号相关联。

Cloud Billing 账号要求提供付款方式，例如信用卡。
如果您刚开始接触 Firebase 和 Google Cloud，请确认您是否有资格获得 $300 赠金和 Cloud Billing 免费试用账号。
如果您是在活动中进行此 Codelab，请询问您的组织者，看看是否有可用的 Cloud 赠金。

详细了解 Vertex AI 的价格。

如需将项目升级到 Blaze 方案，请按以下步骤操作：

在 Firebase 控制台中，选择升级您的方案。
选择 Blaze 方案。按照屏幕上的说明将 Cloud Billing 账号与您的项目相关联。
如果您需要在此升级过程中创建 Cloud Billing 账号，则可能需要返回 Firebase 控制台中的升级流程以完成升级。

设置 Cloud Firestore

在 Firebase 控制台的左侧面板中，展开构建，然后选择 Firestore 数据库。
点击创建数据库。
将数据库 ID 设置为 (default)。
为数据库选择一个位置，然后点击下一步。
对于真实应用，您需要选择靠近用户的位置。
点击以测试模式启动。阅读有关安全规则的免责声明。
请勿在未为数据库添加安全规则的情况下公开发布或公开应用。
点击创建。

启用 Vertex AI

使用 gcloud CLI 设置 Vertex AI。对于本页面上的所有命令，请务必将 YOUR_PROJECT_ID 替换为您的 Firebase 项目的 ID。

在您的终端中，为 Google Cloud SDK 设置默认项目：
```
gcloud config set project YOUR_PROJECT_ID
```
如果您看到一条警告消息，内容为“WARNING: Your active project does not match the quota project in your local Application Default Credentials file. 这可能会导致意外的配额问题。”，然后运行以下命令设置配额项目：
```
gcloud auth application-default set-quota-project YOUR_PROJECT_ID
```

在项目中启用 Vertex AI 服务：

gcloud services enable aiplatform.googleapis.com

5. 设置 Web 应用

如需运行 Web 应用，您需要在终端中运行命令，并在代码编辑器中添加代码。对于本页中的所有命令，请务必将 YOUR_PROJECT_ID 替换为您的 Firebase 项目 ID。

配置 Firebase CLI 以定位到您的项目

在终端中，进入 Codelab 项目的根目录。
如需让 Firebase CLI 针对您的 Firebase 项目执行所有命令，请运行以下命令：
```
firebase use YOUR_PROJECT_ID
```

将示例数据导入 Firestore

为帮助您快速入门，此 Codelab 为您提供了预先为 Firestore 生成的示例数据。

如需允许本地代码库运行通常使用服务账号的代码，请在终端中运行以下命令：
```
gcloud auth application-default login
```
系统随即会在浏览器中打开一个新标签页。使用您在之前步骤中使用的同一 Google 账号登录。

如需导入 Firestore 示例数据，请运行以下命令：

cd load-firestore-data
npm ci
node index.js YOUR_PROJECT_ID
cd ..

在 Firebase 控制台中前往 Firebase 项目的 Firestore 部分，验证数据是否已成功添加到数据库。您应该会看到导入的数据架构及其内容。

将您的 Web 应用关联到 Firebase 项目

您的 Web 应用的代码库需要与正确的 Firebase 项目相关联，才能使用其服务（例如数据库）。为此，您需要将 Firebase 配置添加到应用的代码库中。此配置包含项目 ID、应用的 API 密钥和应用 ID 等基本值，以及让应用能够与 Firebase 交互的其他值。

获取应用的 Firebase 配置：
1. 在 Firebase 控制台中，前往您的 Firebase 项目。
2. 在左侧面板中，点击 Project Overview（项目概览）旁边的齿轮图标，然后选择 Project settings（项目设置）。
3. 在“您的应用”卡片中，选择您的 Web 应用。
4. 在“SDK 设置和配置”部分下，选择配置选项。
5. 复制代码段。以 const firebaseConfig ... 开头。
将您的 Firebase 配置添加到 Web 应用的代码库中：
1. 在代码编辑器中，打开 src/lib/genkit/genkit.config.ts 文件。
2. 将相关部分替换为您复制的代码。
3. 保存文件。

在浏览器中预览 Web 应用

在您的终端中，安装依赖项，然后运行 Web 应用：
```
npm install
npm run dev
```
在浏览器中，前往本地托管的 Hosting 网址以查看 Web 应用。例如，在大多数情况下，网址为 http://localhost:3000/ 或类似网址。

罗盘应用主屏幕

Compass 是一个使用 React 服务器组件的 Next.js 应用，这是其首页。

点击找到我梦寐以求的行程。您可以看到，它目前会显示一些固定目的地的硬编码数据：

找到“寻找我的理想行程”界面

欢迎随意探索。准备好继续后，点击主屏幕按钮（位于右上角）。

6. 通过 Genkit 深入了解生成式 AI

现在，您已准备好在应用中利用生成式 AI 的强大功能了！此 Codelab 的此部分将引导您实现一项功能，该功能可根据用户提供的灵感建议目的地。您将使用 Firebase Genkit 和 Google Cloud 的 Vertex AI 作为生成式模型（您将使用 Gemini）的提供程序。

Genkit 可以存储跟踪记录和流状态，以便您检查 Genkit 流的执行结果。在此 Codelab 中，您将使用 Firestore 存储这些轨迹。

作为此 Codelab 的最后一步，您需要将 Genkit 应用部署到 Firebase App Hosting。

将您的 Genkit 应用关联到您的 Firebase 项目

在启动 Genkit 之前，您的代码库需要与正确的 Firebase 项目相关联，才能使用其服务（例如数据库）。为此，您需要将 Firebase 配置添加到 Genkit 应用的代码库中。此配置包括项目 ID、应用的 API 密钥和应用 ID 等基本值，以及可让应用与 Firebase 进行交互的其他值。

获取应用的 Firebase 配置：
1. 在 Firebase 控制台中，前往您的 Firebase 项目。
2. 在左侧面板中，点击项目概览旁边的齿轮图标，然后选择项目设置。
3. 在“您的应用”卡片中，选择您的 Web 应用。
4. 在“SDK 设置和配置”部分下，选择配置选项。
5. 复制代码段。以 const firebaseConfig ... 开头。
将应用的 Firebase 配置添加到 Genkit 应用的代码库中：
1. 在代码编辑器中，打开 genkit-functions/src/lib/genkit.config.ts 文件。
2. 将相关部分替换为您复制的代码。
3. 保存文件。

启动 Genkit 开发者界面

Genkit 具有基于 Web 的界面，您可以通过该界面与 LLM、Genkit 流程、检索器和其他 AI 组件进行交互。

启动 Genkit 开发者界面：
1. 打开一个新的终端窗口。
2. 进入 genkit-functions 目录的根目录。
3. 运行以下命令以启动 Genkit 开发者界面：
```
cd genkit-functions
npx genkit start
```
在浏览器中，前往本地托管的 Genkit 网址。大多数情况下是 http://localhost:4000/。

与 Gemini 互动

现在，您可以使用 Genkit 的开发者界面与任何受支持的模型或任何其他 AI 组件（例如提示、检索器和 Genkit 流程）进行交互。

例如，您可以尝试让 Gemini 提供度假建议。请注意如何使用系统指令，根据您的具体需求掌控模型的行为。这也适用于本身不支持系统指令的模型。

在 Genkit 开发者界面中与 Gemini 模型互动

管理提示

Firebase Genkit 引入了 Dotprompt，这是一种插件兼文本格式，旨在简化生成式 AI 提示的创建和管理过程。Dotprompt 的核心理念是将提示视为代码，让您可以编写、维护提示和对应用代码进行版本控制。

如需使用 Dotprompt，请先创建一个 Hello World 程序：

在代码编辑器中，打开 genkit-functions/prompts/1-hello-world.prompt 文件。
在 Genkit 开发者界面中，打开 dotprompt/1-hello-world。
使用您熟悉的任何语言名称或代码，或将其留空。
点击运行。
请尝试输入几个不同的值。大语言模型擅长理解类似这样的简单查询中的缩写、拼写错误或不完整的提示。

使用结构化数据丰富输出

除了生成纯文本之外，Genkit 还能帮您构建输出的结构，以便增强演示文稿的显示效果并使其集成到您的应用界面中。通过定义架构，您可以指示 LLM 生成符合您所需格式的结构化数据。

探索输出架构

您还可以指定 LLM 调用的输出架构。

在代码编辑器中，检查提示文件：
1. 打开 dotprompt/2-simple-itinerary 文件。
2. 检查定义的输入和输出架构。
与界面交互：
1. 在 Genkit 开发者界面中，前往 dotprompt/2-simple-itinerary 部分。
2. 通过使用示例数据填充 place 和 interests 字段来提供输入：
```
{
    "interests": [
        "Museums"
    ],
    "place": "Paris"
}
```
3. 点击运行。

使用 Dotprompt 指定输出架构

了解架构驱动型输出

请注意，生成的输出如何符合定义的架构。通过指定所需的结构，您已指示 LLM 生成易于解析并集成到应用中的数据。Genkit 会根据架构自动验证输出，确保数据完整性。

此外，您可以将 Genkit 配置为在输出与架构不匹配时重试或尝试修复输出。

输出架构的主要优势

简化的集成：轻松地将结构化数据整合到应用的界面元素中。
数据验证：确保所生成输出的准确性和一致性。
错误处理：实现可解决架构不匹配问题的机制。

利用输出架构可提升 Genkit 体验，让您能够创建量身定制的结构化数据，从而获得更丰富、更动态的用户体验。

利用多模态输入

假设您的应用可以根据用户认为富有启发性的图片，推荐个性化的度假目的地。Genkit 与多模态生成模型相结合，可让您将这一愿景变为现实。

在代码编辑器中，检查提示文件：
1. 打开 genkit-functions/prompts/imgDescription.prompt 文件。
2. 请注意它包含 {{media url=this}}，它是一个 Handlebars 语法元素，它有助于将图片合并到提示中。

与界面交互：

在 Genkit 开发者界面中，打开 dotprompt/imgDescription 提示符。

通过粘贴图片的网址，在 imageUrls 字段中输入一个图片网址。例如，您可以使用维基百科中展示埃菲尔铁塔的缩略图：

{
    "imageUrls": [
        "https://upload.wikimedia.org/wikipedia/commons/thumb/4/4b/La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg/556px-La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg"
    ]
}

点击运行。

7. 使用矢量相似度搜索实现检索

虽然使用 AI 模型生成创意内容的效果令人印象深刻，但实际应用通常需要将输出结果放在特定背景下。

在此 Codelab 中，您将拥有一个目的地数据库（地点和活动），并且旨在确保 Gemini 模型生成的建议仅引用此数据库中的条目。

为了弥合非结构化查询与相关内容之间的差距，您将利用生成的嵌入对向量相似度搜索的强大功能。

了解嵌入和向量相似度

矢量：矢量是数据点的数值表示形式，通常用于为文本或图片等复杂信息建模。矢量中的每个维度都对应于数据的特定特征。
嵌入模型：这些专用 AI 模型会将输入数据（如文本）转换为高维向量。令人着迷的是，类似的输入会映射到此高维空间中彼此靠近的向量。
向量相似度搜索：此技术利用嵌入向量的邻近性来识别相关数据点。给定输入查询后，该模型会在数据库中查找具有类似嵌入矢量的条目，以指示语义相关性。

了解检索过程的工作原理

嵌入查询：用户的输入（例如“在巴黎浪漫晚餐”）会传递到嵌入模型，从而生成查询向量。
数据库嵌入：理想情况下，您已预处理目的地数据库，为每个条目创建嵌入向量。
相似度计算：系统会使用相似度指标（例如余弦相似度）将查询向量与数据库中的每个嵌入向量进行比较。
检索：根据它们与查询向量的接近度，检索数据库中最相似的条目作为相关建议。

通过将此检索机制纳入您的应用，您可以利用 Gemini 模型生成不仅富有创意，而且与您的特定数据集密切相关的建议。这种方法可确保生成的输出在上下文中保持相关性，并与数据库中提供的信息保持一致。

在 Firestore 中启用向量相似度搜索

在此 Codelab 的上一步中，您使用示例地点和活动填充了 Firestore 数据库。每个地点条目都包含一个 knownFor 文本字段，用于描述其显著属性，以及一个相应的 embedding 字段，用于包含此说明的矢量表示法。

如需对这些嵌入使用强大的向量相似度搜索功能，您需要创建 Firestore 索引。借助此索引，系统可以根据地点嵌入矢量与给定查询的相似度高效地检索地点。

在终端中，运行以下命令以安装最新的 alpha 版组件。您需要 2024.05.03 或更高版本：
```
gcloud components install alpha
```

创建索引，确保将 YOUR_PROJECT_ID 替换为您的项目 ID。

gcloud alpha firestore indexes composite create --project=YOUR_PROJECT_ID --collection-group=places --query-scope=COLLECTION --field-config=vector-config='{"dimension":"768","flat": "{}"}',field-path=embedding

在 Genkit 开发者界面中，打开 placesRetriever。
点击运行。使用占位符文本观察 Scaffold 对象，这些文本指示您将实现检索器逻辑的位置。
在代码编辑器中，打开 genkit-functions/src/lib/placesRetriever.ts 文件。

滚动到底部，然后将占位符 placesRetriever 替换为以下内容：

export const placesRetriever = defineFirestoreRetriever({
  name: 'placesRetriever',
  firestore,
  collection: 'places',
  contentField: 'knownFor',
  vectorField: 'embedding',
  embedder: textEmbeddingGecko,
  distanceMeasure: 'COSINE',
});

测试检索器

在 Genkit 开发者界面中，打开 placesRetriever 检索器。

提供以下 Query：

{
    "content": [
        {
            "text": "UNESCO"
        }
    ]
}

您还可以提供选项。例如，以下代码展示了如何指定检索器应返回的文档数量：
```
{
    "limit": 4
}
```
点击运行。

除了相似性之外，您还可以通过向选项添加 where 子句，对数据进行进一步过滤。

8. 使用 Genkit 的检索增强生成 (RAG)

在前面的部分中，您已经构建了能够处理文本、JSON 和图片、为用户生成度假目的地和其他有吸引力的内容的各个提示。您还实现了一个提示，用于从 Firestore 数据库中检索相关目的地。现在，是时候将这些组件编排成一个统一的检索增强生成 (RAG) 流程。

本部分介绍了一个重要的 Genkit 概念，称为数据流。Flow 是强类型、可流式传输的函数，可在本地和远程调用，并且具有完全可观测性。您可以通过 Genkit 的 CLI 和 Genkit 开发者界面管理和调用流程。

在代码编辑器中，检查行程提示：
1. 打开 genkit-functions/prompts/itineraryGen.prompt 文件。
2. 请注意如何扩展提示以接受其他输入，特别是来自检索器的 activities 数据。
在 Genkit 开发者界面中，查看 genkit-functions/src/lib/itineraryFlow.ts 文件中的 Genkit 流程。
提示：为了简化调试流程，不妨考虑将冗长的流程拆分为更小、更易于管理的步骤。
通过集成“图片说明”步骤来改进流程：
1. 找到 TODO: 2 注释（大约第 70 行）。这标志着您要改进的流程位置。
2. 将空的 imgDescription 占位符替换为 imgDescription 提示调用生成的输出。

测试流程：

前往 itineraryFlow。

使用以下输入来测试是否能使用新添加的步骤成功执行 itineraryFlow：

{
    "request": "Sightseeing in Paris",
    "imageUrls": [
        "https://upload.wikimedia.org/wikipedia/commons/thumb/4/4b/La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg/556px-La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg"
    ]
}

点击运行。
观察生成的输出，其中应该会将图片说明纳入行程建议中。

如果您遇到任何错误或意外行为，请查看检查标签页了解详情。您还可以使用此标签页查看 Trace 存储区中的执行记录。

适用于 Web 应用的 RAG

通过在浏览器中访问 http://localhost:3000/，确保 Web 应用仍在运行。
如果该 Web 应用已停止运行，请在终端中运行以下命令：
```
npm install
npm run dev
```
查看 Dream Your Vacation Web 应用页面 (http://localhost:3000/gemini)。
如需查看 Next.js 集成示例，请查看其源代码 (src/app/gemini/page.tsx)。

1e626124e09e04e9 e31f6acf87a98cb2

9. 使用 Firebase App Hosting 部署应用

本教程的最后一步是部署 Web 应用。您将使用 Firebase App Hosting，这是一种框架感知型托管解决方案，旨在简化将 Next.js 和 Angular 应用部署到无服务器后端的流程。

将更改提交到本地 Git 代码库，然后推送到 GitHub。
在 Firebase 控制台中，前往 Firebase 项目内的应用托管。
点击开始使用 > 连接到 GitHub。
选择您的 GitHub 账号和代码库。点击下一步。
在部署设置 > 根目录中，保留默认值。
对于活动分支，请选择 GitHub 代码库的主分支。点击下一步。
为您的后端输入 ID（例如 compass）。
当系统询问您是否要创建或关联 Firebase Web 应用时，请选择选择现有的 Firebase Web 应用，然后选择您在此 Codelab 的早期步骤中创建的应用。
点击完成并部署。

监控部署状态

部署过程将需要几分钟。您可以在 Firebase 控制台的“App Hosting”部分中跟踪进度。

向您的服务账号授予权限

为了让 Node.js 后端访问 Vertex AI 资源，您需要为应用的服务账号分配 aiplatform.user 角色：

gcloud projects add-iam-policy-binding YOUR_PROJECT_ID \
--member "serviceAccount:firebase-app-hosting-compute@YOUR_PROJECT_ID.iam.gserviceaccount.com" \
--role "roles/aiplatform.user"

完成后，用户即可访问您的 Web 应用。

自动重新部署

Firebase App Hosting 可简化未来的更新。每当您将更改推送到 GitHub 仓库的主分支时，Firebase App Hosting 都会自动重建并重新部署您的应用，确保您的用户始终体验最新版本。

10. 总结

恭喜您完成这门全面的 Codelab！

您已成功利用 Firebase Genkit、Firestore 和 Vertex AI 的强大功能创建了复杂的“流程”，该流程可根据用户偏好和灵感生成个性化度假推荐，同时以应用数据为依据提供建议。

在整个过程中，您已掌握基本软件工程模式方面的实操经验，这些模式对于构建强大的生成式 AI 应用至关重要。这些模式包括：

提示管理：以代码形式整理和维护提示，以实现更好的协作和版本控制。
多模态内容：集成图片和文本等多种数据类型，以增强 AI 互动。
输入/输出架构：对数据进行结构化处理，以便在应用中无缝集成和验证。
向量存储区：利用矢量嵌入高效地搜索相似项并检索相关信息。
数据检索：实现机制，用于提取数据库中的数据并将其纳入 AI 生成的内容中。
检索增强生成 (RAG)：将检索技术与生成式 AI 相结合，以生成与上下文相关且准确的输出。
流插桩：构建和编排复杂的 AI 工作流，以实现无缝且可观测的执行。

掌握这些概念并将其运用到 Firebase 生态系统中后，您就有能力踏上自己的生成式 AI 之旅了。探索无限可能、打造创新应用，并不断突破生成式 AI 可以达到的极限。

探索替代部署选项

Genkit 提供多种部署选项，可满足您的具体需求，包括：

Cloud Functions for Firebase
Cloud Run
Next.js
任何 Node.js 环境
Genkit 还支持 Go

只需在 (package.json) 节点文件夹中运行以下命令，选择最适合您的那个文件：

npx genkit init

后续步骤

在 Google AI Studio 或 Vertex AI Studio 中使用提示进行实验，并充分利用大型上下文窗口。
详细了解 AI 检索增强生成 (RAG) 搜索。
请参阅 Firebase Genkit 的官方文档。
详细了解 Firestore 中的相似搜索功能和 Cloud SQL for PostgreSQL。
通过函数调用深入了解生成式 AI 流程。