找回密码
立即注册
搜索
热搜: Java Python Linux Go
云栈社区»论坛 › 站务中心「 Forum Service 」 › 谷歌 Flutter AI 框架 Genkit 正式支持 Dart，全栈 Agent 开发迎 ...
发回帖 发新帖
小可爱

3599

积分

0

好友

479

主题

谷歌 Flutter AI 框架 Genkit 正式支持 Dart，全栈 Agent 开发迎来新纪元

发表于 昨天 21:46 | 查看: 4| 回复: 0

Flutter 和 Dart 团队又一次向 AI 领域迈出了坚实的一步。继 Flutter MCP、GenUI、Plugin Assets AI 和 Flutter Skills 之后，Genkit 现在也正式支持 Dart 了。这对 Flutter 开发者来说，最大的意义在于什么呢？

使用 Dart 语言的 Flutter 开发者，现在可以原生实现一整套 AI 编排框架了。它能够适配不同的模型和本地运行场景，并提供 Agent 工作流、工具调用以及 RAG 等核心能力。

一个成熟的 AI 应用，远不止发起一次 LLM 请求那么简单。它往往涉及 Prompt 管理、工具调用、RAG、工作流编排、调试、监控和部署等一系列复杂场景的组合。而 Genkit 提供的，正是解决这类生产级需求的能力。

genkit-dart 的核心目标，就是将组织大语言模型的能力工程化。

在常规的 AI 开发流程中，开发者通常需要自己从头实现：

  • Prompt 组织与版本管理
  • 多步骤 AI 工作流
  • 工具调用（function calling）
  • RAG（检索增强生成）
  • LLM provider 管理
  • 链路追踪与调试
  • 生产环境部署

Genkit 把这些分散的能力整合进了一个统一的框架里。说白了，它就是 AI 应用的运行时与编排框架：

Frontend (Web / Mobile / Flutter)
        ↓
Genkit Runtime
        ↓
LLM / Tools / Vector DB

genkit-dart 的整体架构可以用下面这张图来概括：

Genkit Dart 软件系统架构流程图，展示了应用代码、核心框架、集成层和插件层的分层依赖关系

以前，如果你想做一个能同时支持 OpenAI、Gemini 和 Claude 的 AI 应用，要么在本地为每种模型写不同的调用方式，要么在服务端搞一层独立的适配器。有了 Genkit，事情就简单多了：

import 'package:genkit/genkit.dart';
import 'package:genkit_google_genai/genkit_google_genai.dart';
import 'package:genkit_anthropic/genkit_anthropic.dart';

void main() async {
  // Initialize Genkit with plugins
  final ai = Genkit(plugins: [
    googleAI(),
    anthropic(),
  ]);

  // Call Google Gemini
  final geminiResponse = await ai.generate(
    model: googleAI.gemini('gemini-3.1-pro-preview'),
    prompt: 'Hello from Gemini',
  );

  // Call Anthropic Claude
  final claudeResponse = await ai.generate(
    model: anthropic.model('claude-opus-4.6'),
    prompt: 'Hello from Claude',
  );
}

在 Genkit 的世界里，整个 AI 流程就是一个 Flow，可以理解为一条现成的 AI 管线。你可以用 Genkit 将 AI 逻辑封装成能测试、能观察、还能独立部署的函数。比如下面这个感觉：

import 'package:genkit/genkit.dart';
import 'package:genkit_google_genai/genkit_google_genai.dart';
import 'package:schemantic/schemantic.dart';

part 'travel_flow.g.dart';

// Define flow input schema with schemantic
@Schema()
abstract class $TripRequest{
  String get destination;
  int get days;
}

// Define tool input schema
@Schema()
abstract class $WeatherRequest{
  @Field(description: 'The city name')
  String get city;
}

void main() async {
  // Initialize Genkit and register the Google AI plugin
  final ai = Genkit(plugins: [googleAI()]);

  // Define a tool the model can invoke to fetch live data
  ai.defineTool(
    name: 'fetchWeather',
    description: 'Retrieves the current weather forecast for a given city',
    inputSchema: WeatherRequest.$schema,
    fn: (request, _) async => request.city.toLowerCase() == 'seattle' ? 'Rainy' : 'Sunny', 
  );

  // Construct a strongly-typed, observable flow
  final tripPlannerFlow = ai.defineFlow(
    name: 'planTrip',
    inputSchema: TripRequest.$schema,
    outputSchema: .string(),
    fn: (request, _) async {
      // Generate content using the model and tool
      final response = await ai.generate(
        model: googleAI.gemini('gemini-3.1-pro-preview'),
        prompt: 'Build a ${request.days}-day travel itinerary for ${request.destination}. '
            'Make sure to check the weather forecast first to suggest appropriate activities.',
        toolNames: ['fetchWeather'],
      );

      return response.text;
    },
  );

  // Run the flow
  final itinerary = await tripPlannerFlow(
    TripRequest(destination: 'Seattle', days: 3)
  );
  print(itinerary);
}

Genkit 提供的核心能力主要有这么几个：

  • Prompt 管理：在 Genkit 中，Prompt 是被当作结构化资源来对待的。开发者可以把 prompt 定义在独立文件里，并支持参数化、类型校验和版本管理。
// 基本 Prompt 定义  
serverAi.definePrompt<PromptInput>(  
  name: 'echoPrompt',  
  description: 'Returns a simple prompt with one user message.',  
  inputSchema: PromptInput.$schema,  
  fn: (input, _) async {  
    return GenerateActionOptions(  
      messages: [  
        Message(  
          role: Role.user,  
          content: [TextPart(text: 'prompt says: ${input.input}')],  
        ),  
      ],  
    );  
  },  
);

// 获取远程 Prompt  
final prompts = await client.getActivePrompts(clientAi);  
final prompt = prompts.firstWhere(  
  (p) => p.name == 'example-client/echoPrompt',  
);  
final request = await prompt.call({'input': 'hello'});
  • 工具调用与 Agent 能力：Genkit 内置了对 LLM 工具调用的支持，本身就是个 Agent 开发框架。通过 Action 和 Tool 的抽象，你可以定义一系列函数，比如查数据库、发邮件或搜索网页，模型就能根据用户的意图，自主决定什么时候调用哪些工具。
@Schema()  
abstract class $WeatherInput{  
  String get location;  
}  

final weatherTool = ai.defineTool(  
  name: 'getWeather',  
  description: 'Gets the current weather for a location',  
  inputSchema: WeatherInput.$schema,  
  fn: (input, _) async {  
    // 调用天气 API  
    return 'Weather in ${input.location}: 72°F and sunny';  
  },  
);

genkit.defineTool(  
  name: 'transferFunds',  
  description: 'Transfers funds between accounts. Requires user approval.',  
  inputSchema: .map(.string(), .string()),  
  fn: (input, context) async {  
    final from = input['from'];  
    final to = input['to'];  
    return 'SUCCESS: Transferred funds from $from to $to';  
  },  
);
  • RAG 支持：Genkit 原生内置了 RAG 管线，涵盖向量嵌入、向量搜索和检索流水线的完整流程。
// 在 agentic_patterns 应用中定义 RAG 流程  
final agenticRagFlow = defineAgenticRagFlow(ai, geminiFlash);  

// 使用示例  
final result = await agenticRagFlow(AgenticRagInput(question: question));

final embeddings = await ai.embedMany(  
  documents: [  
    DocumentData(content: [TextPart(text: 'Hello world')]),  
  ],  
  embedder: googleAI.textEmbedding('text-embedding-004'),  
);  

print(embeddings.first.embedding);
  • 统一模型接口：它提供了连接不同模型 Provider 的抽象层，你不但能调用远程模型，也能很方便地适配本地模型场景。
  • 可观测性与调试：Genkit 提供了一个非常完整的 Dev UI，让你能一目了然地看到 Prompt、Flow 执行追踪、Token 消耗、延迟以及 LLM 的响应。

Genkit 开发平台深色主题界面截图，展示了名为 planTrip 的流程调试详情

  • 人机交互的中断机制：这个设计专门服务于需要人工介入的场景，它支持流程暂停并等待外部输入。
@Schema()  
abstract class $AskUserInput{  
  String get question;  
}  

// 在工具中触发中断  
fn: (input, context) async {  
  context.interrupt({'question': input.question});  
  // 等待外部输入后继续执行  
}

借助 Genkit，你可以完全定制自己的 Flow。一个 Flow 可以包含多步推理、多次工具调用以及复杂的逻辑分支，这其实就是构建 Agent 的基石。换句话说：

使用 Genkit + Flutter，你就能让 AI + Agent 在不同平台上一次性完成落地。

/// 编排 flow
ai.defineFlow(  
  name: 'weatherFlow',  
  inputSchema: .string(defaultValue: 'What is the weather like in Boston?'),  
  outputSchema: .string(),  
  fn: (prompt, context) async {  
    final response = await ai.generate(  
      model: googleAI.gemini('gemini-3-flash-preview'),  
      prompt: prompt,  
      toolNames: ['getWeather'],  
    );  
    return response.text;  
  },  
);

final streamStory = ai.defineFlow(  
  name: 'streamStory',  
  inputSchema: .string(),  
  outputSchema: .string(),  
  streamSchema: .string(),  
  fn: (topic, context) async {  
    final stream = ai.generateStream(  
      model: googleAI.gemini('gemini-2.5-flash'),  
      prompt: 'Write a story about $topic',  
    );  

    await for (final chunk in stream) {  
      context.sendChunk(chunk.text);  
    }  
    return 'Story complete';  
  },  
);

// Flow 是一种 Action  
final flow = Flow(name: 'myFlow', fn: ..., actionType: 'flow');  
registry.register(flow);  // 存储在 _actions['flow']['myFlow']  

// Tool 也是一种 Action  
final tool = Tool(name: 'myTool', fn: ..., actionType: 'tool');  
registry.register(tool);  // 存储在 _actions['tool']['myTool']

// 查找已注册的工具  
final tool = await genkit.registry.lookupAction('tool', 'testTool');  

// 查找已注册的流程  
final flow = await genkit.registry.lookupAction('flow', 'testFlow');

/// Action 调用
final remoteAction = defineRemoteAction(  
  url: 'http://localhost:3400/my-flow',  
  inputSchema: .string(),  
  outputSchema: .string(),  
);  

final response = await remoteAction(input: 'Hello from Dart!');

所以说，genkit-dart 正是通过可观察的 Flows 和统一的模型抽象层，让 AI 开发变得更像我们熟悉的传统软件工程。

我们来简单总结一下。在 Genkit 里，它主要定义了 AI 应用的几大基础构建块：

  • Actions & Flows：这是 Genkit 的核心抽象。Flow 是一个可追踪、能观测的工作流单元。通过 Flow 封装的 AI 逻辑，可以自动生成追踪数据，方便你在 Genkit 开发 UI 里调试。不管是 Flow 还是 Tool，本质上都是一种可被调用的 Action。
  • Registry：它通过单例模式，统一管理所有的模型、工具、索引器等资源。
  • Model 抽象层：它定义了统一的 GenerateRequest 和 GenerateResponse 接口，让你可以在不改动业务逻辑的情况下，通过配置轻松切换底层模型，比如从 Gemini 换到 OpenAI。
  • Tooling (工具调用)：它封装了函数调用，允许大模型直接调用你本地的 Dart 代码。

除此之外，Genkit 还自带了丰富的插件体系，方便用户进行第三方集成：

  • 模型支持：genkit_google_genai (Gemini), genkit_vertexai, genkit_openai, genkit_anthropic (Claude)
  • Web 服务：genkit_shelf 支持将 AI 流程直接挂载到 Dart 的标准 Web 服务器 shelf 上，作为 API 对外服务。
  • 生态适配：genkit_firebase_ai 提供了与 Firebase 生态的深度集成，这对移动端开发者尤其友好。

最值得一提的是，packages/genkit_mcp 同样实现了 MCP 协议。并且，packages/genkit_middleware 文件系统中间件还提供了诸如存储、审核或重试等支持：

final ai = Genkit(
  plugins: [
    googleAI(),
    RetryPlugin(), // Required for retry middleware
  ],
);

final response = await ai.generate(
  model: googleAI.gemini('gemini-2.5-flash'),
  prompt: 'Reliable request',
  use: [
    retry(
      maxRetries: 3,
      retryModel: true, // Retry model validation errors (default: true)
      retryTools: false, // Retry tool execution errors (default: false)
      statuses: [StatusCodes.UNAVAILABLE], // Retry only on specific errors
    ),
  ],
);

在 Demo 里的 agentic_patterns 还展示了如何构建 RAG 系统，实现更专业的智能体场景，比如迭代细化逻辑：让模型生成内容后，通过另一个 Action 进行自我纠错。

final iterativeRefinementFlow = defineIterativeRefinementFlow(
    ai,
    geminiFlash,
  );
final storyWriterFlow = defineStoryWriterFlow(ai, geminiFlash);
final marketingCopyFlow = defineMarketingCopyFlow(ai, geminiFlash);
final routerFlow = defineRouterFlow(ai, geminiFlash);
final toolCallingFlow = defineToolCallingFlow(ai, geminiFlash);
final researchAgent = defineResearchAgent(ai, geminiFlash);
final agenticRagFlow = defineAgenticRagFlow(ai, geminiFlash);
final statefulChatFlow = defineStatefulChatFlow(ai, geminiFlash);
final imageGeneratorFlow = defineImageGeneratorFlow(ai, geminiFlash);

Flow<IterativeRefinementInput, String, void, void>
defineIterativeRefinementFlow(Genkit ai, ModelRef geminiFlash) {
  return ai.defineFlow(
    name: 'iterativeRefinementFlow',
    inputSchema: IterativeRefinementInput.$schema,
    outputSchema: .string(),
    fn: (input, _) async {
      var content = '';
      var feedback = '';
      var attempts = 0;

      // Step 1: Generate the initial draft
      final draftResponse = await ai.generate(
        model: geminiFlash,
        prompt:
            'Write a short, single-paragraph blog post about: ${input.topic}.',
      );
      content = draftResponse.text;

      // Step 2: Iteratively refine the content
      while (attempts < 3) {
        attempts++;

        // The "Evaluator" provides feedback
        final evaluationResponse = await ai.generate(
          model: geminiFlash,
          prompt:
              'Critique the following blog post. Is it clear, concise, and engaging? Provide specific feedback for improvement. Post: "$content"',
          outputSchema: Evaluation.$schema,
        );

        final evaluation = evaluationResponse.output;
        if (evaluation == null) {
          throw Exception('Failed to evaluate content.');
        }

        if (evaluation.satisfied) {
          break; // Exit loop if content is good enough
        }

        feedback = evaluation.critique;

        // The "Optimizer" refines the content based on feedback
        final optimizationResponse = await ai.generate(
          model: geminiFlash,
          prompt:
              'Revise the following blog post based on the feedback provided.\nPost: "$content"\nFeedback: "$feedback"',
        );
        content = optimizationResponse.text;
      }

      return content;
    },
  );
}

更重要的是，虽然 Genkit 是 Google 开发的，并且与 Firebase 集成度很高（例如 genkit_firebase_ai），但它的设计是完全解耦的：

  • genkit_shelf 包允许你使用标准的 Dart Web 框架 shelf 来运行 AI 逻辑，完全不依赖 Firebase。
  • 你可以接入 genkit_openai、genkit_anthropic 等非 Google 的模型插件，把应用部署在任何支持 Dart 运行时的环境里。

更有趣的是，你可以在 Flutter App 中直接使用 Genkit 执行 AI 逻辑，调用本地模型；也可以把 Flutter App 作为客户端，去调用远端的 Genkit 服务。而远端的 Genkit 服务可以用 Python、TS、Go 甚至 Dart 来写：

Flutter 应用与 Genkit 服务端交互的三种架构模式流程图

最后别忘了，虽然 Genkit 仅直接提供了对 OpenAI、Claude、Gemini 等部分 Provider 的支持，但借助 OpenAI 协议兼容，你完全可以将 DeepSeek 、豆包、Qwen 等模型也纳入其中。例如：

final ai = Genkit(  
  plugins: [  
    // DeepSeek 集成  
    openAI(  
      name: 'deepseek',
      apiKey: Platform.environment['DEEPSEEK_API_KEY'],  
      baseUrl: 'https://api.deepseek.com',  
    ),  
    // 豆包集成
    openAI(  
      name: 'doubao',
      apiKey: Platform.environment['DOUBAO_API_KEY'],  
      baseUrl: 'https://ark.cn-beijing.volces.com/api/v3',  
    ),  
  ],  
);  

当然，对于那些没有兼容协议的模型，你就需要自己动手实现一个 GenkitPlugin 了。

总而言之，Genkit Dart 的发布对 Flutter 生态来说是 AI 时代一次极其重要的能力补强。它使得 Flutter 能够迅速在多平台上实现 Agent 能力，进一步放大了 Flutter 的跨平台优势。

那么，你觉得 GenKit 对你来说会有用吗？

相关链接：
https://blog.dart.dev/announcing-genkit-dart-build-full-stack-ai-apps-with-dart-and-flutter-2a5c90a27aab
https://github.com/genkit-ai/genkit-dart




上一篇：SWE-Bench Mobile首批数据：LLM智能体处理iOS任务成功率仅12%
下一篇：Flutter凉了？2026行程密集，Jaspr Web与丰田车机等新变化
Flutter, Dart, Genkit, AI代理, LLM

相关帖子
返回列表
高级模式
B Color Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

手机版|小黑屋|网站地图|云栈社区 ( 苏ICP备2022046150号-2 )

GMT+8, 2026-5-3 00:10 , Processed in 0.801451 second(s), 41 queries , Gzip On.

Powered by Discuz! X3.5

© 2025-2026 云栈社区.

快速回复 返回顶部 返回列表