使用 Genkit 构建由数据提供支持的生成式 AI 功能

1. 准备工作

在此 Codelab 中，您将学习如何使用 Genkit 将生成式 AI 集成到应用中。Genkit 是一个开源框架，可帮助您构建、部署和监控可用于生产用途的 AI 赋能的应用。

Genkit 专为应用开发者而设计，可帮助您以熟悉的模式和范式轻松将强大的 AI 功能集成到应用中。它由 Firebase 团队打造，利用了我们在构建全球数百万开发者使用的工具方面的经验。

前提条件

• 熟悉 Firestore、Node.js 和 TypeScript。

学习内容

• 如何利用 Firestore 的高级向量相似性搜索功能构建更智能的应用。
• 如何使用 Genkit 在应用中实际实现生成式 AI。
• 让您的解决方案做好部署和集成准备。

您需要满足的条件

• 您所选的浏览器（例如 Google Chrome）
• 包含代码编辑器和终端的开发环境
• 一个用于创建和管理 Firebase 项目的 Google 账号

2. 查看所用的 Web 应用和云服务

在本部分中，您将了解您将在此 Codelab 中构建的 Web 应用，以及您将使用的云服务。

Web 应用

在此 Codelab 中，您将处理名为 Compass（一款度假规划应用）的应用的代码库。用户可以选择目的地、浏览目的地的活动，并为自己的行程创建行程安排。

在此 Codelab 中，您将实现两项旨在提升用户与应用首页互动度的新功能。这两项功能均由生成式 AI 提供支持：

• 该应用目前显示的是一个静态目的地列表。您将更改为动态！
• 您将实现自动填充的行程，以期提高用户粘性。

使用的服务

在此 Codelab 中，您将使用许多 Firebase 和 Cloud 服务及功能，并且我们已为您提供了大部分起始代码。下表列出了您将使用的服务以及使用这些服务的原因。

3. 设置您的开发环境

验证您的 Node.js 版本

1. 在终端中，验证是否已安装 Node.js 20.0.0 版或更高版本：

   node -v
   

2. 如果您没有 Node.js 20.0.0 版或更高版本，请下载最新的 LTS 版本并安装。

获取 Codelab 的源代码

如果您有 GitHub 账号：

1. 使用我们的模板创建一个新代码库，该模板位于 github.com/FirebaseExtended/codelab-ai-genkit-rag
2. 创建您刚刚创建的 Codelab 的 GitHub 代码库的本地克隆：

   git clone https://github.com/<your-github-handle>/codelab-ai-genkit-rag
   

如果您未安装 git 或不想创建新代码库：

以 zip 文件的形式下载 GitHub 代码库。

查看文件夹结构

在本地机器上，找到克隆的代码库并查看文件夹结构：

根文件夹包含一个 README.md 文件，可让您按照精简的说明快速开始运行 Web 应用。不过，如果您刚开始接触，则应完成此 Codelab（而不是快速入门），因为此 Codelab 包含最全面的说明。

如果您不确定是否按照此 Codelab 中的说明正确应用了代码，可以在 end git 分支中找到解决方案代码。

安装 Firebase CLI

1. 验证您是否已安装 Firebase CLI 且版本为 13.6 或更高版本：

   firebase --version
   

2. 如果您安装了 Firebase CLI，但其版本不是 13.6 或更高版本，请进行更新：

   npm update -g firebase-tools
   

3. 如果您没有安装 Firebase CLI，请进行安装：

   npm install -g firebase-tools
   

如果由于权限错误而无法更新或安装 Firebase CLI，请参阅 npm 文档或使用其他安装选项。

登录 Firebase

1. 在终端中，登录 Firebase：

   firebase login
   

   如果您的终端显示您已登录 Firebase，您可以跳到此 Codelab 的设置 Firebase 项目部分。
2. 在终端中，根据您是否希望 Firebase 收集数据，输入 Y 或 N。（任一选项均适用于此 Codelab）
3. 在浏览器中，选择您的 Google 账号，然后点击允许。

安装 Google Cloud 的 gcloud CLI

1. 安装 gcloud CLI。
2. 在终端中，登录 Google Cloud：

   gcloud auth login
   

4. 设置您的 Firebase 项目

在本部分中，您将设置一个 Firebase 项目，并在其中注册一个 Firebase Web 应用。您还将在本 Codelab 的后面部分启用示例 Web 应用使用的几项服务。

本部分中的所有步骤都在 Firebase 控制台中执行。

创建 Firebase 项目

1. 使用您在上一步中使用的同一 Google 账号登录 Firebase 控制台。
2. 点击相应按钮以创建新项目，然后输入项目名称（例如 Compass Codelab）。
   
3. 点击继续。
4. 如果看到相关提示，请查看并接受 Firebase 条款，然后点击继续。
5. （可选）在 Firebase 控制台中启用 AI 辅助功能（称为“Gemini in Firebase”）。
6. 在此 Codelab 中，您不需要使用 Google Analytics，因此请关闭 Google Analytics 选项。
7. 点击创建项目，等待项目完成预配，然后点击继续。

向 Firebase 项目添加 Web 应用

1. 前往 Firebase 项目中的项目概览界面，然后点击 Web。
2. 在应用别名文本框中，输入一个容易记住的应用别名，例如 My Compass Codelab App。您可以取消选中用于设置 Firebase Hosting 的复选框，因为您将在本 Codelab 的最后一步中选择性地设置托管服务。
   
3. 点击注册应用 > 继续前往控制台。

太棒了！您现在已在新 Firebase 项目中注册了一个 Web 应用。

升级您的 Firebase 定价方案

如需使用 Genkit 和 Vertex AI（及其底层云服务），您的 Firebase 项目必须采用随用随付 (Blaze) 定价方案，这意味着该项目需要与一个 Cloud Billing 账号相关联。

• Cloud Billing 账号要求提供付款方式，例如信用卡。
• 如果您刚开始接触 Firebase 和 Google Cloud，请确认您是否有资格获得 $300 赠金和免费试用 Cloud Billing 账号。
• 如果您是在活动中完成此 Codelab，请询问活动组织者是否有可用的 Cloud 积分。

详细了解 Vertex AI 的价格。

如需将项目升级到 Blaze 方案，请按以下步骤操作：

1. 在 Firebase 控制台中，选择升级您的方案。
2. 选择 Blaze 方案。按照屏幕上的说明将 Cloud Billing 账号与您的项目相关联。
   如果您需要在此升级过程中创建 Cloud Billing 账号，则可能需要返回 Firebase 控制台中的升级流程以完成升级。

设置 Cloud Firestore

1. 在 Firebase 控制台的左侧面板中，展开构建，然后选择 Firestore 数据库。
2. 点击创建数据库。
3. 将数据库 ID 保留为 (default)。
4. 为数据库选择一个位置，然后点击下一步。
   对于真实应用，您需要选择靠近用户的位置。
5. 点击以测试模式开始。阅读有关安全规则的免责声明。
   在没有为数据库添加安全规则的情况下，请不要公开分发或公开应用。
6. 点击创建。

启用 Vertex AI

使用 gcloud CLI 设置 Vertex AI。对于此页面上的所有命令，请务必将 YOUR_PROJECT_ID 替换为您的 Firebase 项目 ID。

1. 在终端中，为 Google Cloud SDK 设置默认项目：

   gcloud config set project YOUR_PROJECT_ID
   

2. 如果您看到一条警告消息，提示“警告：您的有效项目与本地应用默认凭据文件中的配额项目不一致。这可能会导致意外的配额问题。”，然后运行以下命令来设置配额项目：

   gcloud auth application-default set-quota-project YOUR_PROJECT_ID
   

3. 在项目中启用 Vertex AI 服务：

   gcloud services enable aiplatform.googleapis.com
   

5. 设置 Web 应用

如需运行 Web 应用，您需要在终端中运行命令，并在代码编辑器中添加代码。对于此页面上的所有命令，请务必将 YOUR_PROJECT_ID 替换为您的 Firebase 项目 ID。

配置 Firebase CLI 以定位到您的项目

1. 在终端中，导航到 Codelab 项目的根目录。
2. 如需让 Firebase CLI 针对您的 Firebase 项目执行所有命令，请运行以下命令：

   firebase use YOUR_PROJECT_ID
   

将示例数据导入到 Firestore 中

为了让您快速上手，此 Codelab 为您提供了预生成的 Firestore 示例数据。

1. 如需允许本地代码库运行通常会使用服务账号的代码，请在终端中运行以下命令：

   gcloud auth application-default login
   

   系统随即会在浏览器中打开一个新标签页。使用您在之前步骤中使用的同一 Google 账号登录。
2. 如需导入示例 Firestore 数据，请运行以下命令：

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

3. 前往 Firebase 控制台中 Firebase 项目的 Firestore 部分，验证数据是否已成功添加到数据库。您应该会看到导入的数据架构及其内容。

将 Web 应用关联到 Firebase 项目

Web 应用的代码库需要与正确的 Firebase 项目相关联，才能使用其服务（例如数据库）。为此，您需要将 Firebase 配置添加到应用的代码库中。此配置包含项目 ID、应用的 API 密钥和应用 ID 等必要值，以及使应用能够与 Firebase 交互的其他值。

1. 获取应用的 Firebase 配置：
   1. 在 Firebase 控制台中，前往您的 Firebase 项目。
   2. 在左侧面板中，点击项目概览旁边的齿轮图标，然后选择项目设置。
   3. 在“您的应用”卡片中，选择您的 Web 应用。
   4. 在“SDK 设置和配置”部分下，选择配置选项。
   5. 复制相应代码段。它以 const firebaseConfig ... 开头。
2. 将 Firebase 配置添加到 Web 应用的代码库中：
   1. 在代码编辑器中，打开 src/lib/genkit/genkit.config.ts 文件。
   2. 将相关部分替换为您复制的代码。
   3. 保存文件。

在浏览器中预览 Web 应用

1. 在终端中，安装依赖项，然后运行 Web 应用：

   npm install
   npm run dev:next
   

2. 在浏览器中，前往本地托管的 Hosting 网址以查看 Web 应用。例如，在大多数情况下，该网址为 http://localhost:3000/ 或类似网址。

Compass 是一个使用 React 服务器组件的 Next.js 应用，这是其首页。

点击寻找我的理想旅程。您可以看到，它显示了某些固定目的地的硬编码数据：

欢迎随意探索。准备好继续操作后，点击右上角的 主页按钮。

6. 使用 Genkit 深入了解生成式 AI

现在，您已准备好在应用中利用生成式 AI 的强大功能了！此 Codelab 部分将引导您实现一项功能，该功能可根据用户提供的灵感建议目的地。您将使用 Genkit 和 Google Cloud 的 Vertex AI 作为生成式模型的提供方（您将使用 Gemini）。

Genkit 可以存储跟踪记录和 flow 状态（以便您检查执行 Genkit flow 的结果）。在此 Codelab 中，您将使用 Firestore 存储这些轨迹。

在此 Codelab 的最后一步中，您将把 Genkit 应用部署到 Firebase App Hosting。

将 Genkit 应用关联到 Firebase 项目

在上一步中，我们通过修改 src/lib/genkit/genkit.config.ts 将 Genkit 连接到了您的项目。

启动 Genkit 开发者界面

Genkit 附带一个基于 Web 的界面，可让您与 LLM、Genkit flow、检索器和其他 AI 组件进行互动。

在终端中，运行以下命令：

npm run dev:genkit

在浏览器中，前往本地托管的 Genkit 网址。大多数情况下是 http://localhost:4000/。

与 Gemini 互动

现在，您可以使用 Genkit 的开发者界面与任何受支持的模型或任何其他 AI 组件（例如提示、检索器和 Genkit flow）进行互动。

例如，您可以让 Gemini 推荐一个假期。请注意，您可以如何使用系统指令来根据自己的特定需求控制模型的行为。此方法也适用于不原生支持系统指令的模型。

管理提示

Genkit 推出了 Dotprompt，这是一个旨在简化生成式 AI 提示的创建和管理的插件和文本格式。Dotprompt 的核心理念是将提示视为代码，让您能够与应用代码一起编写、维护和进行版本控制。

如需使用 Dotprompt，请先从一个 Hello World 示例开始：

1. 在代码编辑器中，打开 prompts/1-hello-world.prompt 文件。
2. 在 Genkit 开发者界面中，打开 prompts/1-hello-world。
3. 使用您熟悉的任何语言名称或代码，或将其留空。
4. 点击运行。
5. 尝试使用几个不同的值。大语言模型擅长理解简单查询中缩写、拼写错误或不完整的提示。

使用结构化数据丰富输出内容

除了生成纯文本之外，Genkit 还支持您对输出进行结构化处理，以便在应用界面中更好地呈现和集成。通过定义架构，您可以指示 LLM 生成符合所需格式的结构化数据。

探索输出架构

您还可以指定 LLM 调用的输出架构。

1. 在代码编辑器中，检查提示文件：
   1. 打开 prompts/2-simple-itinerary.prompt 文件。
   2. 检查已定义的输入和输出架构。
2. 与界面互动：
   1. 在 Genkit 开发者界面中，前往 prompts/2-simple-itinerary 部分。
   2. 通过使用示例数据填充 place 和 interests 字段来提供输入内容：

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

   3. 点击运行。

了解架构驱动的输出

请注意，生成的输出符合定义的架构。通过指定所需的结构，您指示 LLM 生成易于解析并集成到应用中的数据。Genkit 会自动根据架构验证输出，确保数据完整性。

此外，您还可以配置 Genkit，使其在输出与架构不匹配时重试或尝试修复输出。

输出架构的主要优势

• 简化集成：轻松将结构化数据整合到应用的界面元素中。
• 数据验证：确保生成输出的准确性和一致性。
• 错误处理：实现用于解决架构不匹配问题的机制。

利用输出架构可提升 Genkit 体验，让您能够创建量身定制的结构化数据，从而打造更丰富、更动态的用户体验。

利用多模态输入

假设您的应用可以根据用户认为有启发性的图片，建议个性化的度假目的地。借助 Genkit 和多模态生成模型，您可以将这一愿景变为现实。

1. 在代码编辑器中，检查提示文件：
   1. 打开 prompts/imgDescription.prompt 文件。
   2. 请注意，其中包含 {{media url=this}}，这是一个 Handlebars 语法元素，可帮助您将图片纳入提示中。
2. 与界面互动：
   1. 在 Genkit 开发者界面中，打开 prompts/imgDescription 提示。
   2. 通过粘贴图片网址，在 imageUrls 字段中输入图片网址。例如，您可以使用维基百科中展示埃菲尔铁塔的缩略图：

      {
          "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. 点击运行。

7. 通过向量相似度搜索实现检索

虽然使用 AI 模型生成创意内容令人印象深刻，但实际应用通常需要根据特定背景信息来确定输出内容。

在此 Codelab 中，您有一个目的地（地点和活动）数据库，并希望确保 Gemini 模型生成的建议仅引用此数据库中的条目。

为了弥合非结构化查询与相关内容之间的差距，您将利用基于生成的嵌入的向量相似度搜索功能。

了解嵌入和向量相似度

• 向量：向量是数据点的数值表示形式，通常用于对文本或图片等复杂信息进行建模。向量中的每个维度都对应于数据的特定特征。
• 嵌入模型：这些专业 AI 模型可将文本等输入数据转换为高维度向量。令人着迷的是，相似的输入会映射到这个高维空间中彼此接近的向量。
• 向量相似度搜索：此技术利用嵌入向量的邻近性来识别相关数据点。给定输入查询后，它会在数据库中查找具有相似嵌入向量的条目，从而指示语义相关性。

了解检索流程的运作方式

1. 嵌入查询：用户的输入内容（例如“巴黎的浪漫晚餐”）会传递给嵌入模型，生成查询向量。
2. 数据库嵌入：理想情况下，您已对目的地数据库进行预处理，为每个条目创建嵌入向量。
3. 相似性计算：使用相似性指标（例如余弦相似度）将查询向量与数据库中的每个嵌入向量进行比较。
4. 检索：系统会根据数据库条目与查询向量的邻近程度，检索出最相似的条目作为相关建议。

通过将此检索机制纳入您的应用，您可以利用 Gemini 模型生成不仅富有创意，而且牢牢扎根于您的特定数据集的建议。这种方法可确保生成的输出在上下文方面保持相关性，并与数据库中提供的信息保持一致。

在 Firestore 中启用向量相似度搜索

在此 Codelab 的上一步中，您已使用示例地点和活动填充了 Firestore 数据库。每个地点条目都包含一个 knownFor 文本字段（用于描述其显著属性），以及一个相应的 embedding 字段（包含此描述的向量表示形式）。

如需利用向量相似度搜索功能来搜索这些嵌入，您需要创建 Firestore 索引。借助此索引，您可以根据地点嵌入向量与给定查询的相似度高效检索地点。

1. 创建索引，并务必将 YOUR_PROJECT_ID 替换为您的项目 ID。

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

2. 在 Genkit 开发者界面中，打开 retrievers/placesRetriever。
3. 点击运行。观察带有占位文本的脚手架对象，该文本指示您将在何处实现检索器逻辑。
4. 在代码编辑器中，打开 src/lib/genkit/placesRetriever.ts 文件。
5. 滚动到底部，然后将占位符 placesRetriever 替换为以下内容：

   export const placesRetriever = defineFirestoreRetriever(ai, {
     name: 'placesRetriever',
     firestore,
     collection: 'places',
     contentField: 'knownFor',
     vectorField: 'embedding',
     embedder: vertexAI.embedder('text-embedding-005', {outputDimensionality: 768}),
     distanceMeasure: 'COSINE',
   });
   

测试检索器

1. 在 Genkit 开发者界面中，打开 retrievers/placesRetriever 检索器。
2. 提供以下查询：

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

3. 您还可以提供选项。例如，以下代码展示了如何指定检索器应返回的文档数量：

   {
       "limit": 4
   }
   

4. 点击运行。

除了相似性之外，您还可以通过向 Options 添加 where 子句来对数据进行额外的过滤。

8. 使用 Genkit 的检索增强生成 (RAG)

在前面的部分中，您构建了能够处理文本、JSON 和图片的单个提示，为用户生成度假目的地和其他富有吸引力的内容。您还实现了一个提示，用于从 Firestore 数据库中检索相关目的地。现在，我们需要将这些组件编排成一个连贯的检索增强生成 (RAG) 流程。

本部分将介绍一个重要的 Genkit 概念，即工作流。Flow 是强类型、可流式传输的函数，可在本地和远程调用，并且可完全观测。您可以通过 Genkit 的 CLI 和 Genkit 开发者界面来管理和调用 flow。

1. 在代码编辑器中，检查行程提示：
   1. 打开 prompts/itineraryGen.prompt 文件。
   2. 请注意，提示已扩展为可接受其他输入内容，特别是从检索器获取的活动数据。
2. 在 Genkit 开发者界面中，查看 src/lib/genkit/itineraryFlow.ts 文件中的 Genkit flow。
   提示：为简化调试，请考虑将冗长的 flow 分解为更易于管理的步骤。
3. 通过集成“图片描述”步骤来增强流程：
   1. 找到 TODO: 2 注释（大约在第 81 行）。这标志着您将增强流程的位置。
   2. 将空的 imgDescription 占位符替换为 imgDescription 提示调用生成的输出。
4. 测试流程：
   1. 前往 flows/itineraryFlow。
   2. 使用以下输入来测试 itineraryFlow 是否已成功执行新添加的步骤：

      {
          "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. 点击运行。
   4. 查看生成的输出，其中应将图片描述纳入行程建议中。
5. 如果您遇到任何错误或意外行为，请查看检查标签页了解详情。您还可以使用此标签页查看 Trace Store 中的执行历史记录。

适用于 Web 应用的 RAG

1. 在浏览器中访问 http://localhost:3000/，确保 Web 应用仍在运行。
2. 如果 Web 应用不再运行，请在终端中运行以下命令：

   npm install
   npm run dev
   

3. 查看梦想假期 Web 应用页面 (http://localhost:3000/gemini)。
4. 查看其源代码 (src/app/gemini/page.tsx)，了解 Next.js 集成示例。

9. 使用 Firebase App Hosting 部署应用

本学习之旅的最后一步是部署 Web 应用。您将利用 Firebase App Hosting，这是一种框架感知型托管解决方案，旨在简化 Next.js 和 Angular 应用到无服务器后端的部署。

1. 将更改提交到本地 Git 代码库，然后推送到 GitHub。
2. 在 Firebase 控制台中，前往 Firebase 项目中的应用托管。
3. 依次点击开始 > 关联到 GitHub。
4. 选择您的 GitHub 账号和代码库。点击下一步。
5. 在部署设置 > 根目录中，保留默认值。
6. 对于实时分支，请选择 GitHub 代码库的 main 分支。点击下一步。
7. 为后端输入 ID（例如 compass）。
8. 当系统询问您是创建还是关联 Firebase Web 应用时，请选择选择现有 Firebase Web 应用，然后选择您在本 Codelab 的前面步骤中创建的应用。
9. 点击完成并部署。

监控部署状态

部署过程需要几分钟时间。您可以在 Firebase 控制台的应用托管部分中跟踪进度。

向您的服务账号授予权限

为了让 Node.js 后端能够访问 Vertex AI 资源，您需要为应用的服务账号分配 aiplatform.user 角色：

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"

完成后，用户即可访问您的 Web 应用。

自动重新部署

Firebase App Hosting 可简化未来的更新流程。每当您将更改推送到 GitHub 代码库的主分支时，Firebase App Hosting 都会自动重建并重新部署您的应用，确保用户始终获得最新版本。

10. 总结

恭喜您完成此全面的 Codelab！

您已成功利用 Genkit、Firestore 和 Vertex AI 的强大功能创建了一个复杂的“流程”，该流程可根据用户偏好和灵感生成个性化度假建议，同时将建议与应用的数据相关联。

在整个学习过程中，您获得了有关基本软件工程模式的实践经验，这些模式对于构建强大的生成式 AI 应用至关重要。这些模式包括：

• 提示管理：将提示整理和维护为代码，以便更好地进行协作和版本控制。
• 多模态内容：整合多种数据类型（例如图片和文本），以增强 AI 互动。
• 输入/输出架构：用于在应用中实现无缝集成和验证的数据结构。
• 向量存储区：利用向量嵌入高效搜索相似内容并检索相关信息。
• 数据检索：实现从数据库中提取数据并将其纳入 AI 生成的内容中的机制。
• 检索增强生成 (RAG)：将检索技术与生成式 AI 相结合，以生成与上下文相关且准确的输出内容。
• 流程插桩：构建和编排复杂的 AI 工作流，以实现无缝且可观测的执行。

掌握这些概念并将其应用到 Firebase 生态系统中，您就可以自信地开启自己的生成式 AI 冒险之旅。探索无限可能，打造创新应用，不断拓展生成式 AI 的应用边界。

探索替代部署选项

Genkit 提供了多种部署选项，可满足您的特定需求，包括：

• Cloud Functions for Firebase
• Cloud Run
• Next.js
• 任何 Node.js 环境
• Genkit 还支持 Go

只需在 (package.json) 节点文件夹中运行以下命令，选择最适合您的选项即可：

npx genkit init

后续步骤

• 在 Google AI Studio 或 Vertex AI Studio 中尝试使用提示，并充分利用大上下文窗口。
• 详细了解 AI 检索增强生成 (RAG) 搜索。
• 请参阅 Genkit 的官方文档。
• 详细了解 Firestore 和 Cloud SQL for PostgreSQL 中的相似性搜索功能。
• 通过函数调用深入了解生成式 AI 工作流。