Genkit

Genkit 是由 Google 的 Firebase 团队构建和维护的开源 AI 应用框架。它于 2024 年 5 月的 Google I/O 大会上发布预览版，并分别于 2025 年 2 月（Node.js）和 2025 年 9 月（Go）达到稳定的 1.0 版本。它为开发者提供了一个单一、一致的 API，用于构建 AI 驱动的功能：文本生成、图像生成、多轮对话、工具调用、检索增强生成（RAG）以及多智能体工作流。它基于 Apache 2.0 协议授权，完全免费使用，并可部署到 Firebase、Cloud Run 或任何 Node.js、Go 或 Python 环境中。

该框架的核心抽象概念包括流程（flows，类型化、可观测的 AI 逻辑单元）、提示词（prompts，带有架构验证的版本化 Handlebars 模板）、检索器（retrievers，用于向量搜索的 RAG 连接器）和评估器（evaluators，用于衡量输出质量的测试工具）。它支持广泛的模型提供商，包括 Google Gemini、Vertex AI、OpenAI、Anthropic、xAI Grok、DeepSeek，以及用于本地推理的 Ollama。其本地开发者 UI（Developer UI）是一个基于浏览器的交互式界面，用于运行流程、检查追踪记录和迭代提示词，已成为评估过多种替代方案的开发者中最受赞誉的功能。

截至 2026 年 5 月 Genkit 的实际功能

Genkit 的架构以“流程（flow）”概念为中心：这是一个 TypeScript、Go 或 Python 函数，它将 AI 逻辑与强大的输入/输出类型、流式传输支持和自动检测封装在一起。每次流程调用都会生成一个追踪记录，记录每个步骤的输入、输出、延迟、Token 使用量和成本估算。在开发期间，可以在本地开发者 UI 中查看这些追踪记录；在生产环境中，则可以在 Firebase Console 仪表板中查看。

该框架为四种常见的 AI 模式提供了内置抽象。对于生成任务，统一的 generate() API 可处理跨任何受支持提供商的文本、图像和多模态响应。对于对话功能，Chat API 负责管理多轮会话状态。对于知识检索，Genkit 的检索器接口可连接到包括 Firestore、Pinecone 和 pgvector 在内的向量数据库。对于智能体行为，工具调用允许流程调用外部函数，而多智能体协调（截至 2026 年中仍处于测试阶段）则允许流程将任务委托给专门的子智能体。

Go SDK 于 2025 年 9 月 10 日达到 1.0 GA 版本，并做出了正式的兼容性承诺：针对 Genkit 1.x 编写的程序将在所有未来的 1.x 版本中正确编译和运行。TypeScript SDK 于 2025 年 2 月 12 日升级至 1.0。Python 在 2026 年初达到了 v1.0，并进行了完全的异步优先重写。Dart 支持目前面向 Flutter 开发者提供预览版。截至 2026 年 4 月，Go SDK 的版本为 1.7.0。

值得注意的是与 Google AI Studio 的连接：Genkit 使用与 AI Studio 相同的底层 Gemini 模型 API，但将它们封装在生产级脚手架中。2025 年 9 月的版本还引入了 genkit init:ai-tools，该命令可自动配置 Genkit 的 MCP 服务器，使其与 Firebase Studio、Claude Code、Gemini CLI 和 Cursor 配合使用。这使得 AI 编程助手可以直接从其上下文窗口查询流程定义、运行流程并获取执行追踪记录。

Genkit 与 LangChain 和 Vercel AI SDK 的定位对比

LangChain 是最主要的比较对象。其 Python 库拥有超过 90,000 个 GitHub Star，而 Genkit 为 5,900 个。LangChain 的 npm 包每周下载量约为 160 万次；Genkit 的 Firebase 插件约为 21.8 万次。生态系统的差异是真实存在的：LangChain 拥有 200 多个集成、一个商业可观测性平台（LangSmith），以及 LangGraph 中的图编排层。在机制上，LangChain 使用 OOP 消息数组模式，你需要组合 SystemMessage 和 HumanMessage 对象；而 Genkit 使用内置 Zod 架构验证的类型化流程。LangChain 的 JavaScript 包压缩后为 101.2 kB，且阻碍了边缘运行时（edge runtime）部署；Genkit 则更轻量。对于 Google Cloud 生态系统之外的 Python 团队来说，LangChain 的社区优势是决定性的。对于希望使用流程和智能体而又不想陷入 OOP 繁琐代码的 TypeScript 团队来说，Genkit 具有很强的竞争力。

Vercel AI SDK 针对的是不同的细分市场：构建流式 UI 的 React 和 Next.js 开发者。它是一个更底层的库：它为你提供了生成原语和提供商抽象，但没有流程或管道概念，没有内置追踪，也没有开发者 UI。Vercel AI SDK 具有 Genkit 不提供的原生 React Server Components 集成和边缘运行时支持。用 2026 年 4 月的一篇框架比较文章的话来说：“与 Genkit 相比，Vercel AI SDK 在更底层的抽象级别上运行。”这两个工具解决的是相邻但不同的问题。构建 Next.js 聊天界面的团队通常更喜欢 Vercel AI SDK，因为其流式优先的设计。而构建具有复杂逻辑、评估和可观测性需求的服务器端 AI 功能的团队则倾向于 Genkit。

对于对基于图的智能体编排感兴趣的团队，LangGraph 和 DSPy 涵盖了 Genkit 的多智能体支持（仍处于测试阶段）尚未达到的领域。Genkit 是一个通用框架；它不像那些工具那样专注于自主智能体循环。

“坦白说，Genkit 开发者 UI 是杀手级功能。在这次比较中，没有任何其他框架能与之媲美。”—— Xavier Portilla Edo，xavidop.me，2026 年 4 月

实际的开发循环是什么样的

你首先需要定义一个流程。在 TypeScript 中，这意味着使用 Zod 调用带有输入和输出架构的 ai.defineFlow()，然后编写调用 ai.generate() 的函数体，并传入模型、提示词和可选的工具列表。运行 genkit start 会在 localhost:4000 启动本地开发者 UI。从那里，你可以运行流程、检查每个步骤的追踪记录、调整提示词文本，并在不重启服务器的情况下重新运行。这种迭代循环（更改提示词、运行、检查追踪记录、重复）是将 Genkit 与缺乏内置 UI 的框架区分开来的主要工作流。

对于 RAG 用例，你可以定义一个封装了向量搜索（Firestore vector、Pinecone、pgvector）的检索器，并将其链接到你的流程中。评估器 API 允许你定义一个测试数据集，并针对多个提示词变体运行它，比较输出质量得分。对于生产部署，Genkit 流程是标准的 Firebase Cloud Functions 或 Cloud Run 处理程序；监控集成会将延迟、Token 使用量和故障率报告给 Firebase Console。

Go 开发者可以通过独立的 CLI 二进制文件获得相同的开发者 UI。Go 中的类型安全特性尤为强大：流程的输入和输出是带有 JSON 架构验证的 Go 结构体，在流程调用时就能捕获架构不匹配的问题，而不是等到模型响应时。

Genkit 是为谁构建的

Genkit 最适合三种场景。首先，为现有应用添加 AI 功能的 Firebase 开发者：Firestore 集成、Cloud Functions 部署路径和 Firebase Console 监控使技术栈保持一致，无需额外工具。其次，希望获得比生成库更多功能，但又不需要完整智能体平台的 TypeScript 团队：Genkit 的三个抽象级别（原始生成、类型化流程、多智能体协调）涵盖了大多数生产环境 AI 功能需求。第三，Go 后端团队，在这一领域，Genkit 是唯一成熟的、由 Google 支持的 AI 框架，具有 Go 1.0 的稳定性和兼容性承诺。

该框架也适合需要模型可移植性的团队。从 Gemini 切换到 OpenAI，再到自托管的 Ollama 模型，只需更改一行配置，而无需重写应用逻辑。插件架构标准化了提供商的行为，因此无论使用哪种模型，结构化输出、工具调用和流式传输的工作方式都保持一致。

Genkit 不是什么

Genkit 不是 React/Next.js 流式界面的正确选择。Vercel AI SDK 的原生 RSC（React Server Components）集成、边缘运行时支持和流式 Hooks 是专为该用例构建的，这是 Genkit 无法比拟的。

对于 Google Cloud 之外重度使用 Python 的团队来说，它不是 LangChain 的替代品。由于其 Python 社区仍处于从 Alpha 阶段追赶的状态，而且 LangChain 拥有 90,000+ Star 的生态系统已经解决了 Python RAG 和智能体模式，不为 Firebase 或 Vertex AI 进行构建的 Python 开发者会发现 LangChain 的社区资源要丰富得多。

Genkit 不提供 LangGraph 级别的主观多智能体图编排。它的多智能体支持处于测试阶段，依赖于 Genkit 自己的流程委托模型，而不是具有循环、条件分支和人在回路（human-in-the-loop）检查点的显式图。

最后，Anthropic 适配器（Claude 模型）是社区维护的第三方插件，而不是 Google 的官方集成。这带来了真正的滞后风险：当 Anthropic 发布新的模型版本时，Genkit 中的支持可能会滞后数周或数月。将 Claude 作为主要模型的团队应考虑到这一点。

“Genkit 感觉并不完全是提供商无关的，Claude 适配器是第三方的，而且更新滞后。”—— Konstantin Komelin，komelin.com，2025 年

Genkit 的立足之地在于中间地带：需要结构化、可观测的 AI 逻辑的生产级 TypeScript 和 Go 应用，同时又不想承受 LangChain OOP 抽象的负担，也不想承担从零开始构建可观测性的成本。Apache 2.0 许可证、开发者 UI 以及与 Firebase 生态系统的契合度，使其成为已经处于 Google 生态圈中，或正在寻找自带追踪功能的 AI 框架的团队的强有力选择。