Twórz funkcje generatywnej AI opartej na Twoich danych za pomocą Firebase Genkit

5. Konfigurowanie aplikacji internetowej

Aby uruchomić aplikację internetową, musisz uruchomić polecenia w terminalu i dodać kod w edytorze kodu. We wszystkich poleceniach na tej stronie zastąp YOUR_PROJECT_ID identyfikatorem projektu Firebase.

Konfigurowanie wiersza poleceń Firebase pod kątem Twojego projektu

1. W terminalu przejdź do katalogu głównego projektu ćwiczenia w programowaniu.
2. Aby interfejs wiersza poleceń Firebase wykonywał wszystkie polecenia w projekcie Firebase, uruchom to polecenie:

   firebase use YOUR_PROJECT_ID
   

Importowanie przykładowych danych do Firestore

Aby szybko rozpocząć pracę, to ćwiczenia z programowania udostępniają wstępnie wygenerowane przykładowe dane dla Firestore.

1. Aby umożliwić lokalnej bazie kodu uruchomienie kodu, który normalnie używa konta usługi, uruchom w terminalu to polecenie:

   gcloud auth application-default login
   

   Otworzy się nowa karta w przeglądarce. Zaloguj się na to samo konto Google, którego użyto w poprzednich krokach.
2. Aby zaimportować przykładowe dane Firestore, uruchom te polecenia:

   cd load-firestore-data
   npm ci
   node index.js YOUR_PROJECT_ID
   cd ..
   

3. Aby sprawdzić, czy dane zostały dodane do bazy danych, otwórz w konsoli Firebase sekcję Firestore w projekcie Firebase. Powinien wyświetlić się zaimportowany schemat danych i jego zawartość.

Łączenie aplikacji internetowej z projektem Firebase

Kod źródłowy Twojej aplikacji internetowej musi być powiązany z odpowiednim projektem Firebase, aby można było korzystać z jego usług, np. bazy danych. Aby to zrobić, musisz dodać konfigurację Firebase do kodu aplikacji. Ta konfiguracja zawiera podstawowe wartości, takie jak identyfikator projektu, klucz interfejsu API aplikacji i identyfikator aplikacji, a także inne wartości umożliwiające interakcję aplikacji z Firebase.

1. Uzyskaj konfigurację Firebase aplikacji:
   1. W konsoli Firebase otwórz swój projekt Firebase.
   2. W panelu bocznym po lewej stronie kliknij ikonę koła zębatego obok opcji Przegląd projektu i wybierz Ustawienia projektu.
   3. Na karcie „Twoje aplikacje” wybierz swoją aplikację internetową.
   4. W sekcji „Konfiguracja i konfiguracja pakietu SDK” kliknij opcję Konfiguracja.
   5. Skopiuj fragment kodu. Zaczyna się od const firebaseConfig ....
2. Dodaj konfigurację Firebase do bazy kodu aplikacji internetowej:
   1. W edytorze kodu otwórz plik src/lib/genkit/genkit.config.ts.
   2. Zastąp odpowiednią sekcję skopiowanym kodem.
   3. Zapisz plik.

Wyświetlanie podglądu aplikacji internetowej w przeglądarce

1. W terminalu zainstaluj zależności, a potem uruchom aplikację internetową:

   npm install
   npm run dev
   

2. W przeglądarce otwórz adres URL hostingu na komputerze lokalnym, aby wyświetlić aplikację internetową. W większości przypadków będzie to na przykład http://localhost:3000/ lub podobny adres URL.

Compass to aplikacja Next.js korzystająca z komponentów serwera React. Poniżej jej strona główna.

Kliknij Znajdź moją wymarzoną podróż. W przypadku niektórych stałych miejsc docelowych są w nim wyświetlane dane zakodowane na stałe:

Zachęcamy do ich wypróbowania. Aby kontynuować, kliknij przycisk strony głównej (w prawym górnym rogu).

6. Poznaj generatywną AI dzięki Genkit

Teraz możesz korzystać z potencjału generatywnej AI w swojej aplikacji. W tej sekcji tego ćwiczenia z programowania znajdziesz wskazówki dotyczące implementowania funkcji, która sugeruje miejsca docelowe na podstawie informacji podanych przez użytkownika. Jako dostawcy modelu generatywnego będziesz korzystać z Firebase Genkit i Vertex AI od Google Cloud (będziesz używać Gemini).

Genkit może przechowywać informacje o stanie śledzenia i stanu przepływu (co umożliwia sprawdzanie wyników wykonywania przepływów Genkit). W ramach tego ćwiczenia w Codelabs będziesz przechowywać te ślady w Firestore.

Ostatnim krokiem tego ćwiczenia z programowania jest wdrożenie aplikacji Genkit w Firebase App Hosting.

Łączenie aplikacji Genkit z projektem Firebase

Zanim uruchomisz Genkit, musisz powiązać kod źródłowy z odpowiednim projektem Firebase, aby korzystać z jego usług, takich jak baza danych. Aby to zrobić, musisz dodać konfigurację Firebase do kodu aplikacji Genkit. Ta konfiguracja zawiera najważniejsze wartości, takie jak identyfikator projektu, klucz interfejsu API aplikacji i identyfikator aplikacji, a także inne wartości, które umożliwiają aplikacji interakcję z Firebase.

1. Uzyskaj konfigurację Firebase aplikacji:
   1. W konsoli Firebase otwórz swój projekt Firebase.
   2. W panelu po lewej stronie kliknij ikonę koła zębatego obok pozycji Przegląd projektu i wybierz Ustawienia projektu.
   3. Na karcie „Twoje aplikacje” wybierz aplikację internetową.
   4. W sekcji „Konfiguracja i konfiguracja pakietu SDK” kliknij opcję Konfiguracja.
   5. Skopiuj fragment kodu. Zaczyna się od const firebaseConfig ....
2. Dodaj konfigurację Firebase aplikacji do bazy kodu aplikacji Genkit:
   1. Otwórz plik genkit-functions/src/lib/genkit.config.ts w edytorze kodu.
   2. Zastąp odpowiednią sekcję skopiowanym kodem.
   3. Zapisz plik.

Uruchamianie interfejsu Genkit dla deweloperów

Genkit ma interfejs internetowy, który umożliwia interakcję z modelami LLM, przepływami Genkit, retrieverami i innymi komponentami AI.

1. Uruchom interfejs Genkit dla programistów:
   1. Otwórz nowe okno terminala.
   2. Przejdź do głównego katalogu swojego katalogu genkit-functions.
   3. Aby uruchomić interfejs dla programistów Genkit, uruchom to polecenie:

      cd genkit-functions
      npx genkit start
      

2. W przeglądarce otwórz adres URL usługi Genkit hostowanej lokalnie. W większości przypadków jest to http://localhost:4000/.

Interakcja z Gemini

W interfejsie programisty aplikacji Genkit możesz teraz korzystać z dowolnego z obsługiwanych modeli i innych komponentów AI, takich jak prompty, programy do odzyskiwania czy przepływy Genkit.

Możesz na przykład poprosić Gemini o zaproponowanie urlopu. Zobacz, jak możesz używać instrukcji systemowych, aby kierować zachowaniem modelu zgodnie ze swoimi potrzebami. Ta funkcja działa również w przypadku modeli, które nie obsługują natywnych instrukcji systemowych.

Zarządzanie promptami

Firebase Genkit wprowadza Dotprompt – wtyczkę i format tekstowy zaprojektowane w celu usprawnienia tworzenia promptów dla generatywnej AI oraz zarządzania nimi. Główną ideą Dotprompt jest traktowanie promptów jako kodu, co pozwala na ich pisanie, utrzymywanie i kontrolowanie wersji obok kodu aplikacji.

Aby korzystać z Dotprompt, zacznij od prostego przykładu:

1. Otwórz plik genkit-functions/prompts/1-hello-world.prompt w edytorze kodu.
2. W interfejsie aplikacji Genkit Developer otwórz dotprompt/1-hello-world.
3. Użyj dowolnej nazwy języka lub kodu, które znasz, albo pozostaw pusty ciąg znaków.
4. Kliknij Wykonaj.
5. Wypróbuj kilka różnych wartości. Duże modele językowe dobrze radzą sobie z rozumieniem skróconych, błędnie napisanych lub niepełnych promptów w prostych zapytaniach, takich jak to.

Wzbogacaj dane wyjściowe o uporządkowane dane

Oprócz generowania zwykłego tekstu Genkit pozwala też uporządkować dane wyjściowe w celu ulepszenia prezentacji i integracji z interfejsem aplikacji. Definiując schemat, możesz zlecić LLM wygenerowanie danych strukturalnych zgodnych z wybranym formatem.

Poznawanie schematów wyjściowych

Możesz też określić schemat wyjściowy wywołania LLM.

1. Przejrzyj plik promptu w edytorze kodu:
   1. Otwórz plik dotprompt/2-simple-itinerary.
   2. Sprawdź zdefiniowane schematy danych wejściowych i wyjściowych.
2. Interakcja z interfejsem:
   1. W interfejsie aplikacji Genkit Developer przejdź do sekcji dotprompt/2-simple-itinerary.
   2. Podaj dane wejściowe, wypełniając pola place i interests przykładowymi danymi:

      {
          "interests": [
              "Museums"
          ],
          "place": "Paris"
      }
      

   3. Kliknij Wykonaj.

Informacje wyjściowe oparte na schemacie

Zwróć uwagę, jak wygenerowane dane wyjściowe są zgodne ze zdefiniowanym schematem. Określając oczekiwaną strukturę, zgodnie z Twoimi instrukcjami LLM generuje dane, które można łatwo przeanalizować i zintegrować z Twoją aplikacją. Genkit automatycznie weryfikuje dane wyjściowe pod kątem zgodności ze schematem, co zapewnia integralność danych.

Możesz też skonfigurować Genkit ponownie lub spróbować naprawić dane wyjściowe, jeśli nie będą one zgodne ze schematem.

Najważniejsze zalety schematów wyjściowych

• Uproszczona integracja: możesz łatwo włączać uporządkowane dane do elementów interfejsu aplikacji.
• Walidacja danych: umożliwia zapewnienie dokładności i spójności generowanych danych wyjściowych.
• Obsługa błędów: zaimplementuj mechanizmy eliminujące niezgodności schematu.

Korzystanie ze schematów wyjściowych zwiększa możliwości Genkitu, umożliwiając tworzenie dostosowanych, uporządkowanych danych, które zapewniają bogatsze i bardziej dynamiczne wrażenia użytkowników.

Wykorzystaj dane wejściowe multimodalne

Wyobraź sobie, że Twoja aplikacja sugeruje spersonalizowane miejsca wypoczynku na podstawie inspirujących zdjęć Twoich użytkowników. Genkit w połączeniu z wielomodalnym modelem generatywnym umożliwia realizację tej wizji.

1. W edytorze kodu sprawdź plik prompta:
   1. Otwórz plik genkit-functions/prompts/imgDescription.prompt.
   2. Zwróć uwagę na element {{media url=this}}, który jest elementem składniowym szablonu, ułatwiającym dodawanie obrazów do prompta.
2. Wejdź w interakcję z interfejsem:
   1. W interfejsie Genkit dla deweloperów otwórz prompt dotprompt/imgDescription.
   2. W polu imageUrls wpisz URL obrazu, wklejając go. Możesz na przykład użyć miniatury z Wikipedii przedstawiającej wieżę Eiffla:

      {
          "imageUrls": [
              "https://upload.wikimedia.org/wikipedia/commons/thumb/4/4b/La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg/556px-La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg"
          ]
      }
      

   3. Kliknij Wykonaj.

7. Wdrażanie wyszukiwania z użyciem wyszukiwania wektorowego opartego na podobieństwie

Chociaż tworzenie treści kreatywnych za pomocą modeli AI robi wrażenie, praktyczne zastosowania często wymagają uziemiania danych wyjściowych w konkretnym kontekście.

W przypadku tego ćwiczenia w Codelabs masz bazę danych miejsc docelowych (miejsc i aktywności), więc chcesz mieć pewność, że sugestie wygenerowane przez model Gemini odwołują się wyłącznie do wpisów w tej bazie danych.

Aby wypełnić lukę między nieustrukturyzowanymi zapytaniami a trafnymi treściami, możesz wykorzystać możliwości wyszukiwania wektorów o podobnych właściwościach na podstawie wygenerowanych wektorów dystrybucyjnych.

Wektory dystrybucyjne i podobieństwo wektorów

• Wektory: wektory to liczbowe reprezentacje punktów danych, często używane do modelowania złożonych informacji, takich jak tekst czy obrazy. Każdy wymiar w wektorze odpowiada konkretnej właściwości danych.
• Modele osadzania: te wyspecjalizowane modele AI przekształcają dane wejściowe, takie jak tekst, w wielowymiarowe wektory. Fascynujące jest to, że podobne dane wejściowe są mapowane na wektory, które są blisko siebie w tej wysokowymiarowej przestrzeni.
• Wyszukiwanie podobieństw wektorowych: ta metoda wykorzystuje bliskość wektorów dystrybucyjnych do identyfikacji odpowiednich punktów danych. Na podstawie zapytania wejściowego znajduje w bazie danych wpisy z podobnymi wektorami zanurzeniowymi, co wskazuje na związek semantyczny.

Jak działa proces pobierania

1. Umieszczanie zapytania: dane wejściowe użytkownika (np. „romantyczna kolacja w Paryżu”) są przekazywane do modelu embeddingu, który generuje wektor zapytania.
2. Wektory dystrybucyjne baz danych: w idealnej sytuacji należałoby wstępnie przetworzyć bazę danych miejsc docelowych i utworzyć wektory dystrybucyjne dla każdego wpisu.
3. Obliczanie podobieństwa: wektor zapytania jest porównywany z każdym wektorem zanurzeniowym w bazie danych za pomocą miary podobieństwa (np. podobieństwa cosinusowego).
4. Pobieranie: jako trafne sugestie są pobierane najbardziej podobne wpisy z bazy danych na podstawie ich odległości od wektora zapytania.

Włączając ten mechanizm pobierania w swojej aplikacji, wykorzystujesz model Gemini do generowania sugestii, które nie tylko będą kreatywne, ale też mocno zakorzenione w konkretnym zbiorze danych. Dzięki temu wygenerowane dane wyjściowe są zgodne z kontekstem i informacjami dostępnymi w bazie danych.

Włączanie wyszukiwania według podobieństwa wektorów w Firestore

W poprzednim kroku tego ćwiczenia z programowania wypełniłeś(-aś) bazę danych Firestore przykładowymi miejscami i działaniami. Każdy wpis o miejscu zawiera pole tekstowe knownFor z opisem jego najważniejszych atrybutów oraz pole embedding z uwzględnieniem wektorów tego opisu.

Aby korzystać z możliwości wyszukiwania podobieństw wektorowych w tych wektorach dystrybucyjnych, musisz utworzyć indeks Firestore. Ten indeks umożliwia wydajne pobieranie miejsc na podstawie podobieństwa ich wektorów dystrybucyjnych do danego zapytania.

1. Aby zainstalować w terminalu najnowszy komponent alfa, uruchom to polecenie. Potrzebujesz wersji 2024.05.03 lub nowszej:

   gcloud components install alpha
   

2. Utwórz indeks, pamiętając, aby zastąpić YOUR_PROJECT_ID identyfikatorem projektu.

   gcloud alpha firestore indexes composite create --project=YOUR_PROJECT_ID --collection-group=places --query-scope=COLLECTION --field-config=vector-config='{"dimension":"768","flat": "{}"}',field-path=embedding
   

3. W interfejsie aplikacji Genkit Developer otwórz placesRetriever.
4. Kliknij Wykonaj. Przyjrzyj się rusztowanemu obiektowi z tekstem zastępczym, który wskazuje, gdzie zaimplementujesz logikę retrievera.
5. Otwórz plik genkit-functions/src/lib/placesRetriever.ts w edytorze kodu.
6. Przewiń do końca i zastąp obiekt zastępczy placesRetriever tym:

   export const placesRetriever = defineFirestoreRetriever({
     name: 'placesRetriever',
     firestore,
     collection: 'places',
     contentField: 'knownFor',
     vectorField: 'embedding',
     embedder: textEmbeddingGecko,
     distanceMeasure: 'COSINE',
   });
   

Testowanie retrievera

1. W interfejsie Genkit dla deweloperów otwórz funkcję placesRetriever retriever.
2. Podaj to zapytanie:

   {
       "content": [
           {
               "text": "UNESCO"
           }
       ]
   }
   

3. Możesz też wybrać Opcje. Poniżej pokazujemy, jak określić liczbę dokumentów, jaką powinien zwrócić:

   {
       "limit": 4
   }
   

4. Kliknij Wykonaj.

Możesz zastosować dodatkowe filtrowanie danych, wykraczające poza podobieństwo, dodając klauzule where do Opcje.

8. Generowanie rozszerzone przez wyszukiwanie w zapisanych informacjach (RAG) za pomocą Genkit

W poprzednich sekcjach stworzyliśmy osobne prompty, które radzą sobie z tekstem, plikami JSON i obrazami, a przez to generują miejsca docelowe wyjazdów wakacyjnych i inne atrakcyjne treści dla użytkowników. Wdrożyłeś też prompt, który pobiera odpowiednie miejsca docelowe z Twojej bazy danych Firestore. Teraz nadszedł czas na skoordynowanie tych komponentów w jednym spójnym procesie generowania rozszerzonego przez wyszukiwanie (RAG).

W tej sekcji przedstawiamy ważną koncepcję Genkit o nazwie przepływy. Przepływy to funkcje strumieniowania o silnym typie, które można wywoływać zarówno lokalnie, jak i zdalnie, z pełną obserwacją. Możesz zarządzać przepływami i je wywoływać zarówno z poziomu interfejsu wiersza poleceń aplikacji Genkit, jak i interfejsu użytkownika aplikacji Genkit Developer.

1. W edytorze kodu sprawdź prompt dotyczący planu podróży:
   1. Otwórz plik genkit-functions/prompts/itineraryGen.prompt.
   2. Zwróć uwagę, że prompt został rozszerzony, aby uwzględnić dodatkowe dane wejściowe, w tym dane activities pochodzące z Retrievera.
2. W interfejsie aplikacji Genkit Developer wyświetl proces Genkit w pliku genkit-functions/src/lib/itineraryFlow.ts.
   Wskazówka: aby usprawnić debugowanie, rozważ podzielenie długich przepływów na mniejsze, łatwe do opanowania kroki.
3. Aby uatrakcyjnić cały proces, dodaj do niego krok „opis obrazu”:
   1. Znajdź komentarz TODO: 2 (wokół wiersza 70). To miejsce, w którym polepszysz brzmienie.
   2. Zastąp pusty obiekt zastępczy imgDescription wynikiem wygenerowanym przez wywołanie prompta imgDescription.
4. Przetestuj proces:
   1. Otwórz stronę itineraryFlow.
   2. Użyj tych danych wejściowych, aby przetestować udane wykonanie polecenia itineraryFlow z nowo dodanym krokiem:

      {
          "request": "Sightseeing in Paris",
          "imageUrls": [
              "https://upload.wikimedia.org/wikipedia/commons/thumb/4/4b/La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg/556px-La_Tour_Eiffel_vue_de_la_Tour_Saint-Jacques%2C_Paris_ao%C3%BBt_2014_%282%29.jpg"
          ]
      }
      

   3. Kliknij Wykonaj.
   4. Zwróć uwagę na wygenerowane dane wyjściowe, które powinny zawierać opis zdjęcia w sugestii dotyczącej planu podróży.
5. Jeśli pojawią się błędy lub nieoczekiwane zachowania, sprawdź szczegóły na karcie Sprawdź. Na tej karcie możesz też przejrzeć historię uruchomień w magazynie logów czasu.

RAG dla aplikacji internetowej

1. Aby sprawdzić, czy aplikacja internetowa nadal działa, otwórz w przeglądarce adres http://localhost:3000/.
2. Jeśli aplikacja internetowa już nie działa, uruchom w terminalu te polecenia:

   npm install
   npm run dev
   

3. Otwórz stronę aplikacji internetowej Dream Your Vacation (http://localhost:3000/gemini).
4. Aby zobaczyć przykład integracji z Next.js, otwórz kod źródłowy (src/app/gemini/page.tsx).

9. Wdrażanie aplikacji za pomocą Firebase App Hosting

Ostatnim krokiem jest wdrożenie aplikacji internetowej. Wykorzystasz Firebase App Hosting, rozwiązanie do hostowania oparte na frameworku, które ułatwia wdrażanie aplikacji Next.js i Angular na backendzie bezserwerowym.

1. Zatwierdź zmiany w lokalnym repozytorium Git, a następnie wypchnij je do GitHuba.
2. W konsoli Firebase przejdź w projekcie Firebase do sekcji Hosting aplikacji.
3. Kliknij Rozpocznij > Połącz z GitHub.
4. Wybierz konto GitHub i repozytorium. Kliknij Dalej.
5. W sekcji Ustawienia wdrożenia > Katalog główny pozostaw wartość domyślną.
6. Jako gałąź Live wybierz główną gałąź repozytorium GitHub. Kliknij Dalej.
7. Wpisz identyfikator backendu (np. compass).
8. Gdy pojawi się pytanie, czy chcesz utworzyć nową aplikację internetową Firebase, czy też powiązać już istniejącą, wybierz Wybierz istniejącą aplikację internetową Firebase i wskaż aplikację utworzoną w poprzednim kroku tego Codelab.
9. Kliknij Zakończ i wdróż.

Monitorowanie stanu wdrożenia

Proces wdrażania zajmie kilka minut. Postępy możesz śledzić w sekcji Hosting aplikacji w konsoli Firebase.

Przyznaj uprawnienia kontu usługi

Aby backend Node.js miał dostęp do zasobów Vertex AI, musisz przypisać rolę aiplatform.user do konta usługi aplikacji:

gcloud projects add-iam-policy-binding YOUR_PROJECT_ID \
--member "serviceAccount:firebase-app-hosting-compute@YOUR_PROJECT_ID.iam.gserviceaccount.com" \
--role "roles/aiplatform.user"

Po zakończeniu procesu tworzenia aplikacja internetowa będzie dostępna dla użytkowników.

Automatyczne ponowne wdrożenie

Firebase App Hosting upraszcza przyszłe aktualizacje. Za każdym razem, gdy wypchniesz zmiany do głównego gałęzi repozytorium GitHub, Firebase App Hosting automatycznie skompiluje i wprowadzi nową wersję aplikacji, aby użytkownicy zawsze mieli dostęp do najnowszej wersji.

10. Podsumowanie

Gratulujemy ukończenia tego obszernego ćwiczenia.

Użytkownik wykorzystał możliwości Firebase Genkit, Firestore i Vertex AI do stworzenia zaawansowanego „przepływu”, który generuje spersonalizowane rekomendacje dotyczące wakacji na podstawie preferencji i inspiracji użytkownika, a także danych z aplikacji.

W trakcie tej podróży zdobyłeś/zdobyłaś praktyczne doświadczenie w zakresie podstawowych wzorców inżynierii oprogramowania, które są kluczowe dla tworzenia niezawodnych aplikacji opartych na generatywnej AI. Obejmują one:

• Zarządzanie promptami: organizowanie i utrzymywanie promptów w formie kodu w celu lepszej współpracy i kontroli wersji.
• Treści multimodalne: integracja różnych typów danych, takich jak obrazy i tekst, w celu ulepszania interakcji z AI.
• Schematy wejścia/wyjścia: strukturyzowanie danych na potrzeby płynnej integracji i weryfikacji w aplikacji.
• Wektory dystrybucyjne: korzystanie z wektorów dystrybucyjnych do efektywnego wyszukiwania podobieństw i pobierania odpowiednich informacji.
• Pobieranie danych: wdrażanie mechanizmów pobierania i włączania danych z baz danych do treści generowanych przez AI.
• Retrieval Augmented Generation (RAG): łączy techniki pobierania danych z generatywną AI, aby uzyskać wyniki dopasowane do kontekstu i dokładne.
• Instrumentacja przepływu: tworzenie i zarządzanie złożonymi przepływami pracy AI w celu ich płynnego i przejrzystego wykonywania.

Po opanowaniu tych koncepcji i zastosowaniu ich w ekosystemie Firebase zyskasz możliwość rozpoczęcia własnej przygody z generatywną AI. Poznaj ogromne możliwości, twórz innowacyjne aplikacje i stale przesuwaj granice tego, co można osiągnąć dzięki generatywnej AI.

Wybieranie alternatywnych opcji wdrażania

Genkit oferuje różne opcje wdrażania, które można dostosować do konkretnych potrzeb, w tym:

• Cloud Functions dla Firebase
• Cloud Run
• Next.js
• Dowolne środowisko Node.js
• Genkit obsługuje też język Go

Po prostu wybierz najodpowiedniejszą wersję, uruchamiając to polecenie w folderze węzła (package.json):

npx genkit init

Dalsze kroki

• Eksperymentuj z promptami i korzystaj z dużych okien kontekstowych w Google AI Studio lub Vertex AI Studio.
• Dowiedz się więcej o generowaniu rozszerzonym przez wyszukiwanie w zapisanych informacjach (RAG) za pomocą AI.
• Zapoznaj się z oficjalnymi dokumentami Firebase Genkit.
• Dowiedz się więcej o możliwościach wyszukiwania podobieństw w Firestore i Cloud SQL for PostgreSQL.
• Poznaj szczegóły działania genAI w przypadku wywołania funkcji.