谷歌 Genkit Dart 正式发布：现在可以使用 Dart 和 Flutter 构建全栈 AI 应用

恋猫de小郭2026-03-11 15:57

Flutter 和 Dart 团队再次证明了它在 AI 场景的决心， 继 Flutter MCP 、GenUI 、Plugin Assets AI 和 Flutter Skills 之后，现在 Genkit 也正式支持 Dart ，它的最大意义在于：

Flutter 使用 Dart 可以直接原生实现 AI 编排框架，支持不同模型和本地场景，提供 agent workflow / tool calling / RAG 等能力 。

因为 AI App 并不只是包含一个 LLM 请求这种简单场景，它还会涉及 Prompt 管理、工具调用、RAG、工作流编排、调试、监控和部署等组合的场景，而 Genkit 的提供一个解决这样一个生产级的场景的能力。

genkit-dart 的核心目标就是将 LLM 的组织能力工程化。

简单来说，在正常的 AI 应用开发场景，开发者通常需要自己实现：

  • Prompt 组织与版本管理
  • 多步骤 AI workflow
  • 工具调用（function calling）
  • RAG（检索增强生成）
  • LLM provider 管理
  • tracing 和调试
  • 生产部署

而 Genkit 就是把这些能力整合成一个统一框架，本质上就是 AI 应用的 runtime + 编排 framework ：

markdown 复制代码 
Frontend (Web / Mobile / Flutter)
        ↓
Genkit Runtime
        ↓
LLM / Tools / Vector DB

对应 genkit-dart 的整体结构就是：

简单来说，以前你做 AI App 需要适配不同模型厂商，比如同时支持 OpenAI、Gemini 和 Claude ，你就需要在本地写不同的调用方式，或者在服务端做一层独立的 adapter 层去转换，而如果通过 Genkit ，现在你只需要：

ts 复制代码 
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 里整个 AI 流程都是一个 Flow ，类似一个现成的 AI pipeline ，使用 Genkit 可以将 AI 逻辑封装成能测试、能够观察和支持独立部署的函数，类似以下这种感觉：

dart 复制代码 
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);
}

而对于 Genkit，它提供的核心能力主要有：

  • Prompt 管理：从 Genkit 整体能力设计来看，Prompt 在 Genkit 中是结构化资源，开发者可以将 prompt 定义为独立文件，并支持：
    • 参数化
    • 类型校验
    • 版本管理
dart 复制代码 
// 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'});
  • Genkit 内置支持 LLM 工具调用，自带了 Agent 能力的适配场景，也是用一个 Agent 开发框架 ，通过 Action 和 Tool 的抽象，你可以定义一系列函数（比如查询数据库、发邮件、搜索网页），模型可以根据用户意图自主决定调用哪些工具
dart 复制代码 
@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';  
  },  
);
  • Genkit 内置支持 RAG pipeline，包括有向量嵌入 (Embedding)**、**向量搜索 (Vector Search) 、检索流水线 (Retrieval Pipeline)
dart 复制代码 
// 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);
  • Genkit 提供统一模型接口，可以连接不同模型 Provider 抽象，你可以调用远程模型，也适配本地模型场景
  • Observability 与调试，Genkit 提供完整的 Dev UI，用户可以看到：
    • Prompt
    • Flow execution trace
    • token 使用
    • latency
    • LLM response
  • 中断机制支持人机交互场景，支持流程暂停等待外部输入
dart 复制代码 
@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  
}

所以，使用 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，这也是构建 Agent 的基石，实际上就是：

使用 Genkit + Flutter ，你可以让 AI + Agent 实现在不同平台一次性完成。

dart 复制代码 
/// 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!');

所以可以看到，genkit-dart 就是通过可观察的 Flows 和统一的模型抽象层，让 AI 开发变得更像传统的软件工程一样简单。

我们可以简单总结下，所以在 Genkit 里，它主要定义了 AI 应用的基础构建块：

  • Actions & Flows ： Genkit 的核心抽象，Flow 是一个可追踪、可观测的工作流单元，通过 Flow 封装的 AI 逻辑可以自动生成追踪数据，方便在 Genkit 开发 UI 中进行调试，不管是 Flow 还是 Tool，本质上都是一种可被调用的 Action
  • Registry：通过单例模式管理所有的模型、工具、索引器等资源
  • Model 抽象层 ：定义了统一的 GenerateRequest 和 GenerateResponse 接口，可以在不改变业务逻辑的情况下，通过配置轻松切换底层模型（如从 Gemini 切换到 OpenAI）
  • Tooling (工具调用) ：实现了函数调用（Function Calling）的封装，允许大模型调用本地 Dart 代码

其次 Genkit 还自带了丰富的插件体系，可以提供了用户的第三方集成：

  • 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 提供服务
  • 生态适配 ：genkit_firebase_ai 提供了与 Firebase 生态的深度集成，方便移动端开发者

最重要的是，在 packages/genkit_mcp 同样实现了 MCP 协议，并且还有 packages/genkit_middleware 文件系统中间件提供例如存储、审核或者重试支持:

dart 复制代码 
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
    ),
  ],
);

例如 Demo 里的 agentic_patterns 也展示了如何构建 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：

dart 复制代码 
  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;
    },
  );
}

最重要的是，虽然 Genkit 是 Google 开发的，而且和 Firebase 集成度很高（如 genkit_firebase_ai），但它的设计是解耦的：

  • genkit_shelf package 支持你使用标准的 Dart Web 框架 shelf 来运行 AI 逻辑，完全不依赖 Firebase
  • 用户可以接入 genkit_openai、genkit_anthropic 等非 Google 的模型插件，并在任何支持 Dart 运行时的环境下部署

更有趣的是，你可以在 Flutter App 中直接使用 Genkit 执行 AI 逻辑，直接使用本地模型，也可以把 Flutter App 作为 Client 调用远端的 Genkit 服务，远程的 Genkit 服务可以用 Python，TS ，GO 甚至 Dart 来写：

最后，虽然 Genkit 只提供了 OpenAI、Claude、Gemini 等部分 Provider ，但是你完全可以通过 OpenAI 协议接入 DeepSeek、豆包、Qwen 等的支持，例如：

dart 复制代码 
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',  
    ),  
  ],  
);

而对于没有兼容协议的模型，就需要实现自己的 GenkitPlugin 。

所以，可以看到 Genkit Dart 对于 Flutter 来说是 AI 时代非常重要的提升，它让 Flutter 也能很快在多平台实现 Agent 能力，进一步放大了 Flutter 的多平台优势。

那么，你觉得 GenKit 对你来说有用吗？

链接

blog.dart.dev/announcing-...

github.com/genkit-ai/g...

相关推荐
vim怎么退出3 小时前
谷歌性能优化知识点总结
前端
曾经我也有梦想3 小时前
Day4 Kotlin 高级特性
android
专业抄代码选手3 小时前
在react中，TSX是如何转变成JS的
前端·javascript
葡萄城技术团队3 小时前
【实践篇】从零到一：手把手教你搭建一套企业级 SpreadJS 协同设计器
前端
simplepeng3 小时前
Compose Multiplatform 中的 Navigation 3
android
忆江南4 小时前
# iOS Block 深度解析
前端
米丘4 小时前
vue-router v5.x 路由模式关于 createWebHistory、 createWebHashHistory的实现
前端
本末倒置1834 小时前
Bun 内置模块全解析：告别第三方依赖，提升开发效率
前端·javascript·node.js
踩着两条虫4 小时前
AI 驱动的 Vue3 应用开发平台 深入探究（二）：核心概念之DSL模式与数据模型
前端·vue.js·ai编程
热门推荐
01GitHub 镜像站点02OpenClaw 使用和管理 MCP 完全指南03本地部署 OpenClaw + DeepSeek-R1 完全指南04OpenClaw 连接飞书完整指南：插件安装、配置与踩坑记录05OpenClaw 飞书机器人不回复消息？3 小时踩坑总结06Window 10部署openclaw报错node.exe : npm error code 12807OpenClaw 接入 QQ Bot 完整实践指南08OpenClaw macOS 完整安装与本地模型配置教程（实战版）09npm-error code 128问题解决方法10得物前端部门，没了