Google Genkit Dart 正式釋出：現在可使用 Dart 和 Flutter 建構全端 AI 應用

=======================================================

Flutter 與 Dart 團隊再次展現了他們在 AI 場景的決心。繼 Flutter MCP、GenUI、Plugin Assets AI 與 Flutter Skills 之後，現在 Genkit 也正式支援 Dart。它最重要的意義在於：

Flutter 使用 Dart 可以直接原生實作 AI 編排框架，支援不同模型與本地場景，提供 agent workflow / tool calling / RAG 等能力。

因為 AI 應用並不只是單一的 LLM 請求這類簡單場景，它還會涉及到 提示詞管理、工具呼叫、檢索增強生成 (RAG)、工作流編排、除錯、監控與部署 等複合場景，而 Genkit 提供了在生產環境下解決這類問題的能力。

genkit-dart 的核心目標就是將 LLM 的組織能力工程化。

簡單來說，在一般的 AI 應用開發場景，開發者通常需要自行實作：

提示詞（Prompt）組織與版本管理
多步驟 AI 工作流程
工具呼叫（function calling）
檢索增強生成（RAG）
LLM 供應商管理
追蹤與除錯
生產部署

而 Genkit 就是把這些能力整合成一個統一框架，本質上就是 AI 應用的 runtime + 編排 framework：

<div><div><div></div><span>markdown</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span>Frontend (Web / Mobile / Flutter)</span>
<span><span>        ↓</span></span>
<span>Genkit Runtime</span>
<span>        ↓</span>
<span>LLM / Tools / Vector DB</span>
<span></span>


對應 `genkit-dart` 的整體結構就是：

![](https://i.imgur.com/5hAKpQV.jpeg)

簡單來說，以前你做 AI App 需要適配不同模型廠商，例如同時支援 OpenAI、Gemini 與 Claude，你就需要在本地寫不同的呼叫方式，或是在後端做一層獨立的 adapter 層去轉換；而如果透過 Genkit，現在你只需要：

<div><div><div></div>ts</div><div><div> 體驗AI程式助理</div><div> 程式碼解讀</div><div>複製程式碼</div></div></div>```
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 裡整個 AI 流程都是一個 Flow，類似一個現成的 AI pipeline，使用 Genkit 可以將 AI 邏輯封裝成可測試、可觀察、並支援獨立部署的函式，感覺如下：

<div><div><div></div><span>dart</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span><span>import</span> <span>'package:genkit/genkit.dart'</span>;</span>
<span><span>import</span> <span>'package:genkit_google_genai/genkit_google_genai.dart'</span>;</span>
<span><span>import</span> <span>'package:schemantic/schemantic.dart'</span>;</span>
<span></span>
<span><span>part</span> <span>'travel_flow.g.dart'</span>;</span>
<span></span>
<span><span>// Define flow input schema with schemantic</span></span>
<span><span>@Schema</span>()</span>
<span><span>abstract</span> <span><span>class</span> $<span>TripRequest</span> </span>{</span>
<span>  <span>String</span> <span>get</span> destination;</span>
<span>  <span>int</span> <span>get</span> days;</span>
<span>}</span>
<span></span>
<span><span>// Define tool input schema</span></span>
<span><span>@Schema</span>()</span>
<span><span>abstract</span> <span><span>class</span> $<span>WeatherRequest</span> </span>{</span>
<span>  <span>@Field</span>(description: <span>'The city name'</span>)</span>
<span>  <span>String</span> <span>get</span> city;</span>
<span>}</span>
<span></span>
<span><span>void</span> main() <span>async</span> {</span>
<span>  <span>// Initialize Genkit and register the Google AI plugin</span></span>
<span>  <span>final</span> ai = Genkit(plugins: [googleAI()]);</span>
<span></span>
<span>  <span>// Define a tool the model can invoke to fetch live data</span></span>
<span>  ai.defineTool(</span>
<span>    name: <span>'fetchWeather'</span>,</span>
<span>    description: <span>'Retrieves the current weather forecast for a given city'</span>,</span>
<span>    inputSchema: WeatherRequest.$schema,</span>
<span>    fn: (request, _) <span>async</span> => request.city.toLowerCase() == <span>'seattle'</span> ? <span>'Rainy'</span> : <span>'Sunny'</span>, </span>
<span>  );</span>
<span></span>
<span>  <span>// Construct a strongly-typed, observable flow</span></span>
<span>  <span>final</span> tripPlannerFlow = ai.defineFlow(</span>
<span>    name: <span>'planTrip'</span>,</span>
<span>    inputSchema: TripRequest.$schema,</span>
<span>    outputSchema: .string(),</span>
<span>    fn: (request, _) <span>async</span> {</span>
<span>      <span>// Generate content using the model and tool</span></span>
<span>      <span>final</span> response = <span>await</span> ai.generate(</span>
<span>        model: googleAI.gemini(<span>'gemini-3.1-pro-preview'</span>),</span>
<span>        prompt: <span>'Build a <span>${request.days}</span>-day travel itinerary for <span>${request.destination}</span>. '</span></span>
<span>                <span>'Make sure to check the weather forecast first to suggest appropriate activities.'</span>,</span>
<span>        toolNames: [<span>'fetchWeather'</span>],</span>
<span>      );</span>
<span>      </span>
<span>      <span>return</span> response.text;</span>
<span>    },</span>
<span>  );</span>
<span></span>
<span>  <span>// Run the flow</span></span>
<span>  <span>final</span> itinerary = <span>await</span> tripPlannerFlow(</span>
<span>    TripRequest(destination: <span>'Seattle'</span>, days: <span>3</span>)</span>
<span>  );</span>
<span>  <span>print</span>(itinerary);</span>
<span>}</span>


而對於 Genkit，它提供的核心能力主要有：

- 提示詞管理：從 Genkit 整體能力設計來看，提示詞在 Genkit 中是結構化資源，開發者可以將提示詞定義為獨立檔案，並支援：
    - 參數化
    - 類型驗證
    - 版本管理

<div><div><div></div>dart</div><div><div> 體驗AI程式助理</div><div> 程式碼解讀</div><div>複製程式碼</div></div></div>```
// 基本 Prompt 定義 
serverAi.definePrompt<promptinput>( </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}')], 
 ), 
 ], 
 ); 
 }, 
);

// 取得遠端 Prompt 
final prompts = await client.getActivePrompts(clientAi); 
final prompt = prompts.firstWhere( 
 (p) => p.name == 'example-client/echoPrompt', 
); 
final request = await prompt.call({'input': 'hello'});

Genkit 內建支援 LLM 工具呼叫，自帶了 Agent 能力的適配場景，也是以一個 Agent 開發框架實作，透過 Action 與 Tool 的抽象，你可以定義一系列函式（例如查詢資料庫、發送郵件、搜尋網頁），模型可以根據使用者意圖自主決定要呼叫哪些工具

<div><div><div></div><span>dart</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span><span>@Schema</span>()  </span>
<span><span>abstract</span> <span><span>class</span> $<span>WeatherInput</span> </span>{  </span>
<span>  <span>String</span> <span>get</span> location;  </span>
<span>}  </span>
<span>  </span>
<span><span>final</span> weatherTool = ai.defineTool(  </span>
<span>  name: <span>'getWeather'</span>,  </span>
<span>  description: <span>'Gets the current weather for a location'</span>,  </span>
<span>  inputSchema: WeatherInput.$schema,  </span>
<span>  fn: (input, _) <span>async</span> {  </span>
<span>    <span>// 呼叫天氣 API  </span></span>
<span>    <span>return</span> <span>'Weather in <span>${input.location}</span>: 72°F and sunny'</span>;  </span>
<span>  },  </span>
<span>);</span>
<span></span>
<span>genkit.defineTool(  </span>
<span>  name: <span>'transferFunds'</span>,  </span>
<span>  description: <span>'Transfers funds between accounts. Requires user approval.'</span>,  </span>
<span>  inputSchema: .map(.string(), .string()),  </span>
<span>  fn: (input, context) <span>async</span> {  </span>
<span>    <span>final</span> from = input[<span>'from'</span>];  </span>
<span>    <span>final</span> to = input[<span>'to'</span>];  </span>
<span>    <span>return</span> <span>'SUCCESS: Transferred funds from <span>$from</span> to <span>$to</span>'</span>;  </span>
<span>  },  </span>
<span>);</span>


- Genkit 內建支援 RAG 流程，包括向量嵌入（Embedding）、向量搜尋（Vector Search）、檢索流水線（Retrieval Pipeline）

<div><div><div></div>dart</div><div><div> 體驗AI程式助理</div><div> 程式碼解讀</div><div>複製程式碼</div></div></div>```
// 在 agentic_patterns 應用中定義 RAG 流程 
final agenticRagFlow = defineAgenticRagFlow(ai, geminiFlash); 
 
// 使用範例 
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);

Genkit 提供統一的模型介面，可以連接不同模型供應商的抽象層，你可以呼叫遠端模型，也能適配本地模型場景
可觀察性與除錯：Genkit 提供完整的開發者 UI，使用者可以看到：
- 提示詞
- 流程執行追蹤（Flow execution trace）
- token 使用量
- 延遲（latency）
- LLM 回應

中斷機制支援人機互動場景，支援流程暫停並等待外部輸入

<div><div><div></div><span>dart</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span><span>@Schema</span>()  </span>
<span><span>abstract</span> <span><span>class</span> $<span>AskUserInput</span> </span>{  </span>
<span>  <span>String</span> <span>get</span> question;  </span>
<span>}  </span>
<span>  </span>
<span><span>// 在工具中觸發中斷  </span></span>
<span>fn: (input, context) <span>async</span> {  </span>
<span>  context.interrupt({<span>'question'</span>: input.question});  </span>
<span>  <span>// 等待外部輸入後繼續執行  </span></span>
<span>}</span>


因此，使用 Genkit 你可以完全自訂你的 Flow，一個 Flow 可以包含多步推理、多次工具呼叫以及複雜的邏輯分支，這也是構建智能代理（Agent）的基石。實際上就是：

> **使用 Genkit + Flutter，你可以讓 AI + Agent 在不同平台一次完成。**

<div><div><div></div>dart</div><div><div> 體驗AI程式助理</div><div> 程式碼解讀</div><div>複製程式碼</div></div></div>```
/// 編排 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 是一種 Action 
final flow = Flow(name: 'myFlow', fn: ..., actionType: 'flow'); 
registry.register(flow); // 存放在 _actions['flow']['myFlow'] 
 
// Tool 也是一種 Action 
final tool = Tool(name: 'myTool', fn: ..., actionType: 'tool'); 
registry.register(tool); // 存放在 _actions['tool']['myTool']


// 查找已註冊的工具 
final tool = await genkit.registry.lookupAction('tool', 'testTool'); 
 
// 查找已註冊的流程 
final flow = await genkit.registry.lookupAction('flow', 'testFlow');


/// Action 呼叫
final remoteAction = defineRemoteAction( 
 url: 'http://localhost:3400/my-flow', 
 inputSchema: .string(), 
 outputSchema: .string(), 
); 
 
final response = await remoteAction(input: 'Hello from Dart!');

所以可以看到，genkit-dart 正是透過可觀察的 Flows 與統一的模型抽象層，讓 AI 開發變得更像傳統軟體工程一樣簡單。

我們可以簡單總結，Genkit 在裡面主要定義了 AI 應用的基礎構建模組：

Actions & Flows：Genkit 的核心抽象，Flow 是一個可追蹤、可觀測的工作流單元。透過 Flow 封裝的 AI 邏輯會自動產生追蹤資料，方便在 Genkit 開發 UI 中除錯。不論是 Flow 或是 Tool，本質上都是可被呼叫的 Action。
Registry：透過單例模式管理所有模型、工具、索引器等資源。
模型抽象層：定義了統一的 GenerateRequest 與 GenerateResponse 介面，可以在不改變業務邏輯的情況下，透過配置輕鬆切換底層模型（例如從 Gemini 切換到 OpenAI）。
Tooling（工具呼叫）：實作了函數呼叫（Function Calling）的封裝，允許大型語言模型呼叫本地 Dart 程式碼。

其次 Genkit 還內建了豐富的外掛生態，可提供第三方整合：

模型支援：genkit_google_genai (Gemini)、genkit_vertexai、genkit_openai、genkit_anthropic (Claude)
Web 服務：genkit_shelf 支援將 AI 流程直接掛載到 Dart 的標準 Web 伺服器 shelf 上，作為 API 提供服務
生態適配：genkit_firebase_ai 提供與 Firebase 生態的深度整合，方便行動端開發者

最重要的是，在 packages/genkit_mcp 同樣實作了 MCP 協議，並且還有 packages/genkit_middleware 檔案系統中間件提供例如儲存、審核或重試支援：

<div><div><div></div><span>dart</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span><span>final</span> ai = Genkit(</span>
<span>  plugins: [</span>
<span>    googleAI(),</span>
<span>    RetryPlugin(), <span>// Required for retry middleware</span></span>
<span>  ],</span>
<span>);</span>
<span></span>
<span><span>final</span> response = <span>await</span> ai.generate(</span>
<span>  model: googleAI.gemini(<span>'gemini-2.5-flash'</span>),</span>
<span>  prompt: <span>'Reliable request'</span>,</span>
<span>  use: [</span>
<span>    retry(</span>
<span>      maxRetries: <span>3</span>,</span>
<span>      retryModel: <span>true</span>, <span>// Retry model validation errors (default: true)</span></span>
<span>      retryTools: <span>false</span>, <span>// Retry tool execution errors (default: false)</span></span>
<span>      statuses: [StatusCodes.UNAVAILABLE], <span>// Retry only on specific errors</span></span>
<span>    ),</span>
<span>  ],</span>
<span>);</span>
<span></span>


例如 Demo 裡的 `agentic_patterns` 也展示了如何構建 RAG 系統，實現更專業的智能體場景，例如迭代精煉邏輯：讓模型生成內容後，透過另一個 Action 進行自我校正：

<div><div><div></div>dart</div><div><div> 體驗AI程式助理</div><div> 程式碼解讀</div><div>複製程式碼</div></div></div>```
 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</iterativerefinementinput>, 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;
 },
 );
}

最重要的是，雖然 Genkit 由 Google 開發，且與 Firebase 有高度整合（例如 genkit_firebase_ai），但它的設計是解耦的：

genkit_shelf 套件支援你使用標準的 Dart Web 框架 shelf 來執行 AI 邏輯，完全不依賴 Firebase
使用者可以接入 genkit_openai、genkit_anthropic 等非 Google 的模型外掛，並在任何支援 Dart 執行時的環境部署

更有趣的是，你可以在 Flutter App 中直接使用 Genkit 執行 AI 邏輯，直接使用本地模型，也可以把 Flutter App 當作 Client 呼叫遠端的 Genkit 服務，遠端的 Genkit 服務可以用 Python、TypeScript、Go 甚至 Dart 撰寫：

最後，雖然 Genkit 目前只內建了 OpenAI、Claude、Gemini 等部分 Provider，但你完全可以透過 OpenAI 協議接入 DeepSeek、豆包、Qwen 等支援，例如：

<div><div><div></div><span>dart</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式碼解讀</span></div><div>複製程式碼</div></div></div>```
<span><span>final</span> ai = Genkit(  </span>
<span>  plugins: [  </span>
<span>    <span>// DeepSeek 整合  </span></span>
<span>    openAI(  </span>
<span>      name: <span>'deepseek'</span>,</span>
<span>      apiKey: Platform.environment[<span>'DEEPSEEK_API_KEY'</span>],  </span>
<span>      baseUrl: <span>'https://api.deepseek.com'</span>,  </span>
<span>    ),  </span>
<span>    <span>// 豆包整合</span></span>
<span>    openAI(  </span>
<span>      name: <span>'doubao'</span>,</span>
<span>      apiKey: Platform.environment[<span>'DOUBAO_API_KEY'</span>],  </span>
<span>      baseUrl: <span>'https://ark.cn-beijing.volces.com/api/v3'</span>,  </span>
<span>    ),  </span>
<span>  ],  </span>
<span>);  </span>



> 而對於不支援相容協議的模型，就需要實作自訂的 `GenkitPlugin`。

所以，可以看到 Genkit Dart 對於 Flutter 來說是 AI 時代非常重要的進展，它讓 Flutter 能夠更快在多平台上實現 Agent 能力，進一步放大了 Flutter 的跨平台優勢。

那麼，你覺得 Genkit 對你有幫助嗎？

連結
--

[blog.dart.dev/announcing-…](https://link.juejin.cn?target=https%3A%2F%2Fblog.dart.dev%2Fannouncing-genkit-dart-build-full-stack-ai-apps-with-dart-and-flutter-2a5c90a27aab)

---

原文出處：https://juejin.cn/post/7615551904538755114