Genkit

Genkit est un framework d'applications d'IA open source conçu et maintenu par l'équipe Firebase de Google. Lancé en préversion lors de la Google I/O en mai 2024 et ayant atteint sa version stable 1.0 en février 2025 pour Node.js et en septembre 2025 pour Go, il offre aux développeurs une API unique et cohérente pour créer des fonctionnalités basées sur l'IA : génération de texte, génération d'images, chat à tours multiples, appel d'outils, génération augmentée par la recherche (RAG) et workflows multi-agents. Il est sous licence Apache 2.0, son utilisation est gratuite et il se déploie sur Firebase, Cloud Run ou tout environnement Node.js, Go ou Python.

Les abstractions fondamentales du framework sont les flux (unités logiques d'IA typées et observables), les prompts (modèles Handlebars versionnés avec validation de schéma), les récupérateurs (connecteurs RAG pour la recherche vectorielle) et les évaluateurs (environnements de test pour mesurer la qualité des résultats). Il prend en charge un large éventail de fournisseurs de modèles, notamment Google Gemini, Vertex AI, OpenAI, Anthropic, xAI Grok, DeepSeek et Ollama pour l'inférence locale. Son interface utilisateur de développement locale (Developer UI), une interface interactive sur navigateur permettant d'exécuter des flux, d'inspecter des traces et d'itérer sur des prompts, est devenue la fonctionnalité la plus appréciée du framework par les développeurs ayant évalué plusieurs alternatives.

Ce que fait réellement Genkit en mai 2026

L'architecture de Genkit s'articule autour du concept de « flux » (flow) : une fonction TypeScript, Go ou Python qui enveloppe la logique de l'IA avec un typage fort des entrées/sorties, la prise en charge du streaming et une instrumentation automatique. Chaque appel de flux génère une trace qui enregistre les entrées, les sorties, la latence, l'utilisation des tokens et l'estimation des coûts de chaque étape. Ces traces sont consultables dans la Developer UI locale pendant le développement et dans les tableaux de bord de la Firebase Console en production.

Le framework fournit des abstractions intégrées pour quatre modèles d'IA courants. Pour les tâches de génération, une API generate() unifiée gère le texte, les images et les réponses multimodales sur n'importe quel fournisseur pris en charge. Pour les fonctionnalités conversationnelles, une API de chat gère l'état des sessions à tours multiples. Pour la récupération de connaissances, l'interface de récupération de Genkit se connecte aux bases de données vectorielles, notamment Firestore, Pinecone et pgvector. Pour le comportement agentique, l'appel d'outils permet aux flux d'invoquer des fonctions externes, et la coordination multi-agents (encore en version bêta à la mi-2026) permet aux flux de déléguer des tâches à des sous-agents spécialisés.

Le SDK Go a atteint la version 1.0 GA le 10 septembre 2025, avec une promesse formelle de compatibilité : les programmes écrits pour Genkit 1.x se compileront et s'exécuteront correctement sur toutes les futures versions 1.x. Le SDK TypeScript est passé à la version 1.0 le 12 février 2025. Python a atteint la version v1.0 début 2026 avec une réécriture complète axée sur l'asynchrone. La prise en charge de Dart est en préversion pour les développeurs Flutter. En avril 2026, le SDK Go en est à la version 1.7.0.

La connexion avec Google AI Studio mérite d'être soulignée : Genkit utilise les mêmes API de modèles Gemini sous-jacentes qu'AI Studio, mais les enveloppe dans une structure de niveau production. La version de septembre 2025 a également introduit genkit init:ai-tools, une commande qui configure automatiquement le serveur MCP de Genkit pour fonctionner avec Firebase Studio, Claude Code, Gemini CLI et Cursor. Cela permet aux assistants de codage IA d'interroger les définitions de flux, d'exécuter des flux et de récupérer des traces d'exécution directement depuis leurs fenêtres de contexte.

Où se situe Genkit par rapport à LangChain et Vercel AI SDK

LangChain est le point de comparaison dominant. La bibliothèque Python compte plus de 90 000 étoiles GitHub contre 5 900 pour Genkit. Le package npm de LangChain enregistre environ 1,6 million de téléchargements par semaine ; le plugin Firebase de Genkit en compte environ 218 000. La différence d'écosystème est réelle : LangChain dispose de plus de 200 intégrations, d'une plateforme d'observabilité commerciale (LangSmith) et d'une couche d'orchestration de graphes avec LangGraph. Mécaniquement, LangChain utilise un modèle de tableau de messages orienté objet (OOP) où vous composez des objets SystemMessage et HumanMessage ; Genkit utilise des flux typés avec une validation de schéma Zod intégrée. Le bundle JavaScript de LangChain pèse 101,2 ko compressé et bloque le déploiement sur les environnements d'exécution edge ; Genkit est plus léger. Pour les équipes Python en dehors de l'écosystème Google Cloud, l'avantage communautaire de LangChain est décisif. Pour les équipes TypeScript qui souhaitent des flux et des agents sans la verbosité de la POO, Genkit est très compétitif.

Le Vercel AI SDK cible une niche différente : les développeurs React et Next.js qui créent des interfaces utilisateur en streaming. Il s'agit d'une bibliothèque de plus bas niveau : elle vous fournit des primitives de génération et une abstraction des fournisseurs, mais aucun concept de flux ou de pipeline, aucun traçage intégré et aucune Developer UI. Vercel AI SDK dispose d'une intégration native des React Server Components et d'une prise en charge de l'exécution edge que Genkit ne propose pas. Selon les termes d'une comparaison de frameworks d'avril 2026 : « Comparé à Genkit, le Vercel AI SDK fonctionne à un niveau d'abstraction inférieur. » Les deux outils résolvent des problèmes adjacents mais distincts. Les équipes qui créent des interfaces de chat Next.js préfèrent généralement Vercel AI SDK pour sa conception axée sur le streaming. Les équipes qui créent des fonctionnalités d'IA côté serveur avec une logique complexe, des besoins d'évaluation et d'observabilité penchent plutôt pour Genkit.

Pour les équipes intéressées par l'orchestration d'agents basée sur des graphes, LangGraph et DSPy couvrent un terrain que la prise en charge multi-agents de Genkit (encore en bêta) n'égale pas encore. Genkit est un framework généraliste ; il ne se spécialise pas dans les boucles d'agents autonomes comme le font ces outils.

« La Developer UI de Genkit est, franchement, la fonctionnalité phare. Aucun autre framework de cette comparaison ne s'en approche. » Xavier Portilla Edo, xavidop.me, avril 2026

À quoi ressemble réellement la boucle de développement

Vous commencez par définir un flux. En TypeScript, cela signifie appeler ai.defineFlow() avec des schémas d'entrée et de sortie utilisant Zod, puis écrire le corps de la fonction qui appelle ai.generate() avec un modèle, un prompt et une liste d'outils optionnelle. L'exécution de genkit start lance la Developer UI locale sur localhost:4000. À partir de là, vous pouvez exécuter le flux, inspecter la trace de chaque étape, ajuster le texte du prompt et relancer l'exécution sans redémarrer le serveur. Cette boucle d'itération (modifier le prompt, exécuter, inspecter la trace, répéter) est le flux de travail principal qui distingue Genkit des frameworks dépourvus d'interface utilisateur intégrée.

Pour les cas d'usage RAG, vous définissez un récupérateur qui enveloppe une recherche vectorielle (Firestore vector, Pinecone, pgvector) et vous l'intégrez à votre flux. L'API d'évaluation vous permet de définir un jeu de données de test et de l'exécuter sur plusieurs variantes de prompts, en comparant les scores de qualité des résultats. Pour le déploiement en production, les flux Genkit sont des gestionnaires standard Firebase Cloud Functions ou Cloud Run ; l'intégration de la surveillance signale la latence, l'utilisation des tokens et les taux d'échec à la Firebase Console.

Les développeurs Go bénéficient de la même Developer UI via un binaire CLI autonome. L'aspect sécurité du typage en Go est particulièrement solide : les entrées et sorties de flux sont des structures Go avec validation de schéma JSON, ce qui permet de détecter les incohérences de schéma lors de l'invocation du flux plutôt qu'au moment de la réponse du modèle.

À qui s'adresse Genkit

Genkit est particulièrement adapté à trois scénarios. Premièrement, les développeurs Firebase qui ajoutent des fonctionnalités d'IA à des applications existantes : l'intégration de Firestore, le chemin de déploiement Cloud Functions et la surveillance de la Firebase Console rendent la stack cohérente sans outillage supplémentaire. Deuxièmement, les équipes TypeScript qui souhaitent plus qu'une bibliothèque de génération mais moins qu'une plateforme d'agents complète : les trois niveaux d'abstraction de Genkit (génération brute, flux typés, coordination multi-agents) couvrent la plupart des exigences des fonctionnalités d'IA en production. Troisièmement, les équipes backend Go, pour lesquelles Genkit est le seul framework d'IA mature soutenu par Google offrant la stabilité de Go 1.0 et une promesse de compatibilité.

Le framework convient également aux équipes qui ont besoin de portabilité des modèles. Passer de Gemini à OpenAI ou à un modèle Ollama auto-hébergé nécessite de modifier une seule ligne de configuration, et non de réécrire la logique de l'application. L'architecture des plugins standardise le comportement des fournisseurs afin que la sortie structurée, l'appel d'outils et le streaming fonctionnent de la même manière, quel que soit le modèle utilisé.

Ce que Genkit n'est pas

Genkit n'est pas le bon choix pour les interfaces de streaming React/Next.js. L'intégration native des RSC (React Server Components) du Vercel AI SDK, la prise en charge de l'exécution edge et les hooks de streaming sont spécialement conçus pour ce cas d'usage d'une manière que Genkit ne peut égaler.

Il ne s'agit pas d'un remplacement de LangChain pour les équipes fortement axées sur Python en dehors de Google Cloud. Avec une communauté Python qui rattrape encore son retard depuis sa période alpha, et avec l'écosystème de plus de 90 000 étoiles de LangChain qui a déjà résolu les modèles RAG et d'agents Python, les développeurs Python qui ne créent pas pour Firebase ou Vertex AI trouveront les ressources communautaires de LangChain considérablement plus riches.

Genkit ne fournit pas d'orchestration de graphes multi-agents structurée au niveau de LangGraph. Sa prise en charge multi-agents est en version bêta et s'appuie sur le propre modèle de délégation de flux de Genkit plutôt que sur un graphe explicite avec des cycles, des branchements conditionnels et des points de contrôle impliquant une validation humaine (human-in-the-loop).

Enfin, l'adaptateur Anthropic (modèles Claude) est un plugin tiers maintenu par la communauté, et non une intégration officielle de Google. Cela crée un risque de décalage réel : lorsqu'Anthropic publie une nouvelle version de modèle, la prise en charge dans Genkit peut accuser un retard de plusieurs semaines ou mois. Les équipes qui utilisent Claude comme modèle principal doivent en tenir compte.

« Genkit ne semble pas totalement agnostique vis-à-vis des fournisseurs, l'adaptateur Claude est tiers et accuse un retard. » Konstantin Komelin, komelin.com, 2025

Là où Genkit gagne sa place, c'est dans le juste milieu : les applications TypeScript et Go en production qui nécessitent une logique d'IA structurée et observable sans la lourdeur des abstractions POO de LangChain ni le coût de la création d'une observabilité à partir de zéro. La licence Apache 2.0, la Developer UI et l'adéquation avec l'écosystème Firebase en font une option solide pour les équipes déjà dans l'orbite de Google ou à la recherche d'un framework d'IA incluant le traçage par défaut.