开始使用

如需开始使用 Firebase Genkit，请安装 Genkit CLI 并运行 Node.js 项目中的 genkit init。本页面的其余部分将介绍如何执行此操作。

要求

Node.js 20 或更高版本。

建议：nvm 和 nvm-windows 工具是 安装 Node 的便捷方式。

安装 Genkit

运行以下命令来安装 Genkit CLI：

npm i -g genkit

此命令会将 Genkit CLI 安装到您的 Node 安装目录中，以便在 Node 项目外部使用。

创建和探索示例项目

  1. 创建新的 Node 项目：

    mkdir genkit-intro && cd genkit-intro
npm init -y

    查看 package.json 并确保将 main 字段设置为 lib/index.js。

  2. 初始化 Genkit 项目：

    genkit init

    1. 选择模型：

      Gemini (Google AI)

      最简单的入门方法是使用 Google AI Gemini API。请确保您所在的区域提供 Google AI Gemini API。

      使用 Google AI Studio 为 Gemini API 生成 API 密钥。然后，将 GOOGLE_GENAI_API_KEY 环境变量设置为您的密钥：

      export GOOGLE_GENAI_API_KEY=<your API key>

      Gemini (Vertex AI)

      如果您所在的区域不提供 Google AI Gemini API，请考虑使用 Vertex AI API，它还提供 Gemini 和其他模型。您需要有一个已启用结算功能的 Google Cloud 项目，启用 AI Platform API，并设置一些其他环境变量：

      gcloud services enable aiplatform.googleapis.com
export GCLOUD_PROJECT=<your project ID>
export GCLOUD_LOCATION=us-central1

      请参阅 https://cloud.google.com/vertex-ai/generative-ai/pricing 了解 Vertex AI 价格。

    2. 选择其余问题的默认答案，系统会使用一些示例代码初始化您的项目文件夹。

    genkit init 命令会创建一个示例源文件 index.ts， 定义了单个流 (menuSuggestionFlow)，用于提示 LLM 提出建议 为具有指定主题的餐馆创建商品。

    该文件类似于以下内容（如果您选择了 Vertex AI，插件配置步骤可能会有所不同）：

    import * as z from 'zod';

// Import the Genkit core libraries and plugins.
import { generate } from '@genkit-ai/ai';
import { configureGenkit } from '@genkit-ai/core';
import { defineFlow, startFlowsServer } from '@genkit-ai/flow';
import { googleAI } from '@genkit-ai/googleai';

// Import models from the Google AI plugin. The Google AI API provides access to
// several generative models. Here, we import Gemini 1.5 Flash.
import { gemini15Flash } from '@genkit-ai/googleai';

configureGenkit({
  plugins: [
    // Load the Google AI plugin. You can optionally specify your API key
    // by passing in a config object; if you don't, the Google AI plugin uses
    // the value from the GOOGLE_GENAI_API_KEY environment variable, which is
    // the recommended practice.
    googleAI(),
  ],
  // Log debug output to tbe console.
  logLevel: 'debug',
  // Perform OpenTelemetry instrumentation and enable trace collection.
  enableTracingAndMetrics: true,
});

// Define a simple flow that prompts an LLM to generate menu suggestions.
export const menuSuggestionFlow = defineFlow(
  {
    name: 'menuSuggestionFlow',
    inputSchema: z.string(),
    outputSchema: z.string(),
  },
  async (subject) => {
    // Construct a request and send it to the model API.
    const llmResponse = await generate({
      prompt: `Suggest an item for the menu of a ${subject} themed restaurant`,
      model: gemini15Flash,
      config: {
        temperature: 1,
      },
    });

    // Handle the response from the model API. In this sample, we just convert
    // it to a string, but more complicated flows might coerce the response into
    // structured output or chain the response into another LLM call, etc.
    return llmResponse.text();
  }
);

// Start a flow server, which exposes your flows as HTTP endpoints. This call
// must come last, after all of your plug-in configuration and flow definitions.
// You can optionally specify a subset of flows to serve, and configure some
// HTTP server options, but by default, the flow server serves all defined flows.
startFlowsServer();

    使用 Genkit 构建应用的 AI 功能时，您很可能会 创建包含多个步骤的流，例如输入预处理 复杂的提示构建、整合外部信息 检索增强生成来源 (RAG) 等。

  3. 现在，您可以在机器上本地运行和探索 Genkit 功能和示例项目。下载并启动 Genkit 开发者界面：

    genkit start

    欢迎使用 Genkit 开发者界面

    Genkit 开发者界面现已在您的机器上运行。当您在下一步中运行模型或 flow 时，您的机器将执行使 flow 的各个步骤协同工作所需的编排任务；对外部服务（例如 Gemini API）的调用将继续针对实时服务器进行。

    此外，由于您处于开发环境，因此 Genkit 会将跟踪记录和 fllow 状态存储在本地文件中。

  4. 当您运行 genkit start 命令时，Genkit 开发者界面会自动下载并打开。

    借助开发者界面，您可以查看已定义的 flow 和已配置的模型，运行这些 flow 和模型，并检查之前运行的跟踪记录。您可以尝试以下部分功能：

    • 在运行标签页上，您会看到一个包含您定义的所有 flow 以及已由插件配置的所有模型的列表。

      点击 menuSuggestionFlow，然后尝试使用一些输入文本（例如， "cat"）。如果一切进展顺利，您将获得针对猫咪的菜单建议 主题餐厅。

    • 在检查标签页中，您会看到 flow 执行历史记录。对于每个 您可以看到传递给流的参数和 每个步骤的运行轨迹

后续步骤

了解如何使用 Firebase 构建和部署 Genkit 应用。 Cloud Run 或任何 Node.js 平台。