Genkit完全ガイド｜Google製AIアプリ開発フレームワーク実装

「結局、AIアプリの開発フレームワークって何を選べばいいの？」——これは、AIエージェントの構築プロジェクトで最も多く受ける質問のひとつです。LangChain、LlamaIndex、CrewAI、各社の Agent SDK……選択肢は増える一方で、どれも「ちょっと触ると動くが、本番に持っていくと急に大変になる」という共通の壁があります。

Firebase Genkit（以下 Genkit）は、その壁——プロトタイプから本番デプロイ・運用監視までの距離——を縮めることを狙ったGoogle製のフレームワークです。この記事では、Genkitとは何か、何ができるのか、どうセットアップするのかを、すべて公式ドキュメント（genkit.dev）のコード例に沿って解説します。掲載しているコマンド・API・コードは公式の記載に基づいています（最終確認日：2026年6月15日）。

注意：本記事のコードは解説用に公式例を引用したものです。本番環境で使用する前に、必ずテスト環境で動作確認し、最新の公式ドキュメントでAPIの変更がないか確認してください。AI業界はバージョン更新が速く、モデル名やパッケージ名が変わる可能性があります。

Genkitとは何か｜「AIアプリの配管」を引き受けるフレームワーク

Genkitの公式トップページは、自身を次のように説明しています。

“Google’s open-source framework for building full-stack, AI-powered and agentic applications for any platform.”（あらゆるプラットフォーム向けに、フルスタックでAI駆動・エージェント的なアプリケーションを構築するための、Googleのオープンソースフレームワーク）

出典：genkit.dev

もともとは2024年5月14日（Google I/O 2024 のタイミング）にプレビューとして公開され、その後 Node.js版が2025年2月12日に 1.0（GA：一般提供）へ到達しました。「Firebase」の名を冠していますが、Firebaseを使わなくても単体で動くのがポイントです。Firebase / Google Cloud との統合は手厚いものの、依存しているわけではありません。

Genkitが引き受けてくれる「配管」を整理すると、おおむね次の5つです。

領域	Genkitが提供するもの	これがないと自前で書く羽目になるもの
モデル抽象化	Gemini/OpenAI/Claude/Ollama を統一API（ai.generate()）で呼ぶ	各社SDKの差異吸収、リクエスト/レスポンス整形
構造化出力	Zodスキーマで入出力を型定義（TypeScript）	JSONパース、バリデーション、リトライ
ワークフロー	Flow（型安全・ストリーミング対応・デプロイ可能な単位）	ストリーミング配管、トレース、エンドポイント化
ツール／RAG	defineTool、retriever/embedder/indexer	ツール実行ループ、ベクトル検索の組み込み
運用	Developer UI（ローカル可視化）、評価、Firebase/Cloud Runデプロイ	デバッグUI、評価基盤、デプロイ設定

対応言語とその安定度（ここを最初に確認）

技術選定で最初に見るべきは「自分の言語で安定版が出ているか」です。公式の記載では以下のとおりです（2026年6月時点）。

言語／SDK	ステータス	1.0 GA時期
TypeScript / JavaScript（Node.js）	GA（安定版）	2025年2月12日
Go	GA（安定版）	2025年9月10日
Python	Preview（beta）	—
Dart	Preview（beta）	—

つまり、本番投入を前提にするならTypeScriptかGoが現実的な選択肢です。Python版は触れますが、まだPreview段階という点を踏まえて採用判断してください。本記事のコード例は、情報が最も充実しているTypeScriptを中心に、Go・Pythonの導入コマンドも併記します。

セットアップとHello World｜5分で動かす最小構成

まずは動く最小構成から。TypeScript版の前提はNode.js v20以降です（公式記載）。CLIとプロジェクト用パッケージを入れます。

# Genkit CLI（グローバル）をインストール
npm install -g genkit-cli

# プロジェクトにコア + Google AI プラグインを追加
npm install genkit @genkit-ai/google-genai

次に、Genkitインスタンスを初期化します。plugins に使いたいプロバイダを並べ、model でデフォルトモデルを指定する形です。以下は公式 Getting Started のコードそのままです。

import { googleAI } from '@genkit-ai/google-genai';
import { genkit, z } from 'genkit';

const ai = genkit({
  plugins: [googleAI()],
  model: googleAI.model('gemini-2.5-flash', {
    temperature: 0.8,
  }),
});

• ポイント：googleAI.model('gemini-2.5-flash') のように、プラグインがモデル参照を返します。モデルを差し替えたいときはこの一行を変えるだけです。
• ポイント：z は Genkitが再エクスポートしているZod。入出力スキーマの定義に使います（後述）。
• APIキー：Google AI（Gemini）を使う場合は GEMINI_API_KEY を環境変数に設定します。

開発中はGenkit CLI経由でアプリを起動すると、ローカルのDeveloper UIが立ち上がり、Flowやプロンプトの実行・トレース確認ができます。

# アプリ起動と同時にDeveloper UIを立ち上げる
genkit start -- npx tsx --watch src/index.ts

GoとPythonの導入コマンド

Go版はモジュールを取得し、GoogleAIプラグインはコアに同梱されています。

# Go: コアパッケージを取得（GoogleAIプラグインは同梱）
go get github.com/firebase/genkit/go

package main

import (
    "context"

    "github.com/firebase/genkit/go/ai"
    "github.com/firebase/genkit/go/genkit"
    "github.com/firebase/genkit/go/plugins/googlegenai"
)

func main() {
    ctx := context.Background()
    g := genkit.Init(ctx,
        genkit.WithPlugins(&googlegenai.GoogleAI{}),
        genkit.WithDefaultModel("googleai/gemini-2.5-flash"),
    )
    _ = g
    _ = ai.WithPrompt // 利用例は本文参照
}

Python版（Preview）はPyPIから導入します。

# Python（Preview）: コア + Google GenAI プラグイン
pip install genkit
pip install genkit-plugin-google-genai

以降はTypeScriptを軸に、Genkitの中核機能を順番に見ていきます。

主要機能1：Flow｜AIロジックを「型安全な部品」にする

Genkitを使う最大の理由がこのFlowです。公式の定義はこうです。

“A flow is a special Genkit function that wraps your AI logic to provide: Type-safe inputs and outputs, Streaming support, Developer UI integration, [and] Easy deployment.”（Flowは、型安全な入出力・ストリーミング対応・Developer UI連携・容易なデプロイを提供するためにAIロジックをラップする特別なGenkit関数）

出典：genkit.dev/docs/flows

つまりFlowは「入力と出力の型が決まった、デプロイ可能なAI処理の単位」です。以下は公式のFlow定義例です。テーマ文字列を受け取り、メニュー名を返します。

import { googleAI } from '@genkit-ai/google-genai';
import { genkit, z } from 'genkit';

const ai = genkit({
  plugins: [googleAI()],
});

export const menuSuggestionFlow = ai.defineFlow(
  {
    name: 'menuSuggestionFlow',
    inputSchema: z.object({ theme: z.string() }),
    outputSchema: z.object({ menuItem: z.string() }),
  },
  async ({ theme }) => {
    const { text } = await ai.generate({
      model: googleAI.model('gemini-2.5-flash'),
      prompt: `Invent a menu item for a ${theme} themed restaurant.`,
    });
    return { menuItem: text };
  },
);

• ポイント：inputSchema／outputSchema をZodで宣言しておくと、入力の検証も出力の型付けもGenkitが面倒を見ます。「AIの返答をJSONとしてパースして失敗する」あの定番のつらさが減ります。
• ポイント：Flowは普通の関数として呼び出せます（await menuSuggestionFlow({ theme: 'French' })）。同時にDeveloper UIから単体実行・トレース確認もできます。

ストリーミング対応のFlow

チャットUIのように途中経過を流したい場合は、streamSchema を追加し、第2引数の sendChunk でチャンクを送ります。これも公式例です。

export const menuSuggestionStreamingFlow = ai.defineFlow(
  {
    name: 'menuSuggestionFlow',
    inputSchema: z.object({ theme: z.string() }),
    streamSchema: z.string(),
    outputSchema: z.object({ theme: z.string(), menuItem: z.string() }),
  },
  async ({ theme }, { sendChunk }) => {
    const { stream, response } = ai.generateStream({
      model: googleAI.model('gemini-2.5-flash'),
      prompt: `Invent a menu item for a ${theme} themed restaurant.`,
    });

    for await (const chunk of stream) {
      sendChunk(chunk.text);
    }

    const { text: menuItem } = await response;
    return { theme, menuItem };
  },
);

FlowはCLIからも実行できます。デバッグ時に便利です。

# Flowをコマンドラインから実行（-s でストリーミング出力）
genkit flow:run menuSuggestionFlow '{"theme": "French"}' -- <アプリ起動コマンド>

主要機能2：ツール呼び出し（Function Calling）

AIエージェントの肝は「モデルが外部の道具を呼べること」です。Genkitでは ai.defineTool() でツールを定義します。名前・説明・入出力スキーマ・実装関数を渡すだけ。以下は公式の天気取得ツールの例です。

const getWeather = ai.defineTool(
  {
    name: 'getWeather',
    description: 'Gets the current weather in a given location',
    inputSchema: z.object({
      location: z
        .string()
        .describe('The location to get the current weather for'),
    }),
    outputSchema: z.string(),
  },
  async (input) => {
    // 実際にはここで天気APIを呼ぶ
    return `The current weather in ${input.location} is 63°F and sunny.`;
  },
);

定義したツールは、生成呼び出しの tools 配列に渡すだけで使えます。

const response = await ai.generate({
  prompt: 'What is the weather in Baltimore?',
  tools: [getWeather],
});

動作の流れは公式ドキュメントで次のように説明されています。モデルは「最終的な回答」か「ツール呼び出し要求」のどちらかを返し、ツール呼び出しが返ってきた場合、Genkitが該当ツールを実行して結果を再びモデルに渡します。これを、モデルが最終回答を返すまで繰り返します。

• ポイント：description と各引数の .describe() が地味に重要です。モデルは説明文を読んで「いつこのツールを呼ぶか」を判断するため、説明が曖昧だと呼ばれなかったり誤用されたりします。
• 注意：ツールの実行結果は検証してから使うこと。外部API側のエラーやハルシネーションに引きずられないよう、出力スキーマと例外処理を必ず入れてください。

主要機能3：プロンプト管理（Dotprompt）

プロンプトをコードへ直書きすると、変更のたびに再ビルドが必要で、非エンジニアが触れません。GenkitのDotpromptは、プロンプトを .prompt ファイルとして「コードから分離」して管理する仕組みです。公式は「prompts are code（プロンプトはコードである）」という前提で設計したと説明しています。

.prompt ファイルは、YAMLフロントマター（モデル・パラメータ・入力スキーマ）＋ Handlebarsテンプレート本文、という構成です。公式例を示します。

---
model: googleai/gemini-flash-latest
config:
  temperature: 0.9
input:
  schema:
    location: string
    style?: string
    name?: string
  default:
    location: a restaurant
---
You are the world's most welcoming AI assistant and are currently working at {{location}}.
Greet a guest{{#if name}} named {{name}}{{/if}}{{#if style}} in the style of {{style}}{{/if}}.

このファイルを読み込んで実行するのは2行です。

const helloPrompt = ai.prompt('hello');
const response = await helloPrompt();

• ポイント：モデル名・temperatureなどのパラメータも .prompt 側に書けるので、Developer UI上でプロンプトとパラメータを試行錯誤してから、コードに取り込む流れが作れます。

主要機能4：RAG（検索拡張生成）

社内ドキュメントやFAQをAIに参照させるRAGも、Genkitは標準で部品を持っています。公式は3つの構成要素を挙げています。

構成要素	役割（公式記載）
Indexers（インデクサ）	“add documents to an ‘index'”（ドキュメントをインデックスに追加する）
Embedders（エンベッダ）	“transforms documents into a vector representation”（ドキュメントをベクトル表現に変換する）
Retrievers（リトリーバ）	“retrieve documents from an ‘index’, given a query”（クエリに対しインデックスからドキュメントを取得する）

検索の呼び出しはこう書きます（公式例）。k: 3 は「上位3件を取る」の意味です。

const docs = await ai.retrieve({
  retriever: menuRetriever,
  query,
  options: { k: 3 },
});

取得したドキュメントは、生成呼び出しの docs に渡してコンテキストとして使います。

const { text } = await ai.generate({
  model: googleAI.model('gemini-2.5-flash'),
  prompt: `...ユーザーの質問...`,
  docs,
});

エンベッダの指定例も公式に記載があります（プラグイン設定内）。

embedder: googleAI.embedder('gemini-embedding-001')

ベクトルストアはプラグインで差し替えられます。公式が挙げている主な対応先は次のとおりです。

用途	対応ベクトルストア（公式記載）
ローカル開発・テスト	devLocalVectorstore（ローカル、テスト専用）
マネージド／本番	Pinecone、Chroma DB、Cloud Firestore、Cloud SQL for PostgreSQL（pgvector）、LanceDB、Neo4j、Astra DB、Vertex AI Vector Search

• ポイント：開発初期は devLocalVectorstore で動かし、本番でPineconeやpgvectorへ切り替える、という移行がやりやすい設計です。retriever/embedderのインターフェースが共通なので、本体ロジックの書き換えが小さく済みます。

主要機能5：評価（Evaluation）｜AIの品質を数値で見る

「プロンプトを変えたら良くなった気がする」を卒業するための評価機能もあります。公式は2方式を提供します。

• 推論ベース評価（Inference-based）：あらかじめ用意した入力群に対してFlowを実行し、その出力品質を評価する。
• Raw評価：推論を行わず、すでにある（input/context/output/reference を含む）データの品質を直接評価する。外部データソースの評価に有用。

CLIコマンドは次の2つが中心です（公式記載）。

# データセットを使ってFlowを推論ベース評価
genkit eval:flow qaFlow --input myFactsQaDataset -- <アプリ起動コマンド>

# 抽出済みデータに対して評価指標を実行（推論なし）
genkit eval:run factsEvalDataset.json

評価器を絞り込む場合は --evaluators フラグを使います。

--evaluators=genkitEval/maliciousness,genkitEval/answer_relevancy

@genkit-ai/evaluator プラグインが提供する組み込み指標は次の3つです。

指標	見るもの
Faithfulness（忠実性）	回答が与えたコンテキストに忠実か（捏造していないか）
Answer Relevancy（回答の関連性）	回答が質問にきちんと答えているか
Maliciousness（悪意性）	有害・悪意ある出力になっていないか

このほか、Vertex Rapid Evaluators などプラグイン経由の追加評価器や、ai.defineEvaluator による自作評価器も使えます。Developer UI（http://localhost:4000）上でデータセットを作り、Flowに対して評価を回して結果を並べて比較することも可能です。

デプロイ｜Firebase Functions と Cloud Run

Genkitが「プロトタイプ止まり」になりにくいのは、Flowをそのままデプロイできるからです。代表的な2経路を見ます。

Firebase Cloud Functions へデプロイ

firebase-functions/https の onCallGenkit でFlowをラップすると、呼び出し可能なCloud Functionになります（公式例）。

import { onCallGenkit, hasClaim } from 'firebase-functions/https';
import { defineSecret } from 'firebase-functions/params';

const apiKey = defineSecret('GEMINI_API_KEY');

export const generatePoem = onCallGenkit(
  {
    secrets: [apiKey],
    authPolicy: hasClaim('email_verified'),
    enforceAppCheck: true,
  },
  generatePoemFlow,
);

APIキーは Cloud Secret Manager に登録して参照します。デプロイは Firebase CLI です。

# シークレットを登録
firebase functions:secrets:set GEMINI_API_KEY

# Functions のみデプロイ
firebase deploy --only functions

• ポイント：authPolicy（認証要件）や enforceAppCheck（App Check必須化）を宣言的に書けるので、認可をアプリ側に散らさずに済みます。

Google Cloud Run へデプロイ

Firebaseに縛られたくない場合は、Express プラグイン（@genkit-ai/express）の startFlowServer でFlowをHTTPサーバ化し、Cloud Runへ載せます（公式例）。

import { startFlowServer } from '@genkit-ai/express';

startFlowServer({
  flows: [menuSuggestionFlow],
});

# Google AI（Gemini）利用時：シークレットを更新しつつデプロイ
gcloud run deploy --update-secrets=GEMINI_API_KEY=<your-secret-name>:latest

# Vertex AI 利用時はシンプルに
gcloud run deploy

startFlowServer は port・cors・pathPrefix などのオプションも受け取れます。

対応モデルとプラグイン｜マルチプロバイダの実態

Genkitの売りは「ひとつのSDKで複数プロバイダ」です。公式トップは “Use GoogleAI, OpenAI, Claude, and Ollama through one SDK” と謳っています。主要なモデル系プラグインを整理します（パッケージ名は公式・PyPI記載に基づく）。

プロバイダ	JS パッケージ名	位置づけ
Google AI（Gemini／Imagen）	@genkit-ai/google-genai	公式・第一級サポート
OpenAI（GPT系）	@genkit-ai/compat-oai	公式。OpenAI互換エンドポイント向けに事前設定
Ollama（ローカルLLM）	genkitx-ollama	コミュニティプラグイン
Anthropic Claude / xAI Grok / DeepSeek	各プロバイダ向けプラグイン（公式ドキュメントの該当ページを参照）	モデルプロバイダとして提供

OpenAIプラグインの設定はこうです（公式例）。OPENAI_API_KEY を環境変数に置くか、直接渡します。

import { genkit } from 'genkit';
import { openAI } from '@genkit-ai/compat-oai/openai';

export const ai = genkit({
  plugins: [openAI()],
});

ローカルでOllamaを使う場合の例も示します（公式例）。

import { genkit } from 'genkit';
import { ollama } from 'genkitx-ollama';

const ai = genkit({
  plugins: [
    ollama({
      models: [{ name: 'gemma', type: 'generate' }],
      serverAddress: 'http://127.0.0.1:11434',
    }),
  ],
});

このように、プラグインを差し替えれば ai.generate() 側のコードを大きく変えずにプロバイダを切り替えられる、というのがGenkitのプラグイン設計の狙いです。ただし、Anthropic Claude や Grok など一部プロバイダはコミュニティ／別ページのプラグインを使う形になるため、採用前に該当プラグインのメンテ状況を必ず確認してください。

AI支援開発（MCP連携）｜Claude CodeやCursorからGenkitを操作

2025年9月のGo 1.0発表とあわせて、AI支援開発機能が追加されました。genkit init:ai-tools を実行すると「Genkit MCPサーバ」が導入され、AIコーディングツールからGenkitプロジェクトを操作できるようになります（Google Developers Blog）。

MCPツール（公式記載）	できること
lookup_genkit_docs	Genkitドキュメントを検索
list_flows	アプリ内のFlowを列挙
run_flow	テスト入力でFlowを実行
get_trace	実行トレースを取得してデバッグ

この機能は Gemini CLI、Firebase Studio、Claude Code、Cursor との連携をサポートし、AIアシスタント向けの言語別指示をまとめた GENKIT.md も生成します。MCP（Model Context Protocol）の標準化が進む中で、フレームワーク側がAIエージェントから操作される側にも回り始めている、という流れを象徴する機能です（MCPの全体像はMCP標準化の記事も参照）。

他フレームワークとの違い｜LangChain・LlamaIndex・Mastra・ADK

「GenkitはLangChainの代わりになる？」という問いには、用途で答えが変わります。役割の重なりと違いを整理します。

フレームワーク	主軸	Genkitとの関係
Genkit	構造化生成＋Flow＋ツール＋RAG＋デプロイ＋可観測性（TS/Go中心）	—
LangChain	豊富な連携コンポーネントとチェーン／エージェント抽象	機能が広く重なる。エコシステムの広さはLangChain、デプロイ・運用の一体感はGenkitが強い
LlamaIndex	RAG・データ接続に特化	RAGの作り込みはLlamaIndexが深い。Genkitは“ほどよく揃った”RAG部品を内包
Mastra	TypeScript専用のエージェントフレームワーク	TS領域で最も近い競合。Genkitは多言語＋Google/Firebase統合が差別化点
Google ADK	Googleのエージェント開発キット（マルチエージェント志向）	同じGoogle系。ADKは“エージェントのオーケストレーション”、Genkitは“AIアプリ全般の土台”という重心の違い

ざっくりした選び分けの目安は次のとおりです。

• Genkitが向く：TypeScript/GoでAIアプリを作り、Firebase/Cloud Runで動かしたい。ローカルでの可視化・評価・型安全をひとつのフレームワークで揃えたい。
• LangChain/LlamaIndexが向く：Python中心で、多種多様な外部連携やRAGの細かな作り込みを最優先したい。
• ADK/Mastraが向く：複数エージェントの協調（ADK）や、TS専業での体験の良さ（Mastra）を重視する。

フレームワーク全体の比較はAIエージェントフレームワーク比較でも扱っています。最終的には「自分のチームの言語」「動かすインフラ」「どこまで運用を内製したいか」の3点で決めるのが現実的です。

【要注意】Genkit導入でよくある失敗パターンと回避策

失敗1：Python版を本番前提で選んでしまう

Python版は便利ですが、2026年6月時点でPreview（beta）です。本番投入を見据えるなら、現状はGAのTypeScriptかGoを選ぶのが無難です。「PythonでなければならないのかGoでも良いのか」をチーム要件から先に詰めましょう。

失敗2：モデル名・パッケージ名を“うろ覚え”でコピペする

Genkitは更新が速く、モデル文字列（例：gemini-2.5-flash）やプラグイン名（例：@genkit-ai/google-genai、@genkit-ai/compat-oai）は変わり得ます。導入時は必ず公式の get-startedで現行の名称を確認してください。古いブログ記事のコードをそのまま使うと、存在しないパッケージを叩いて詰まります。

失敗3：ツールの実装と出力検証を雑にする

ツール呼び出しは強力ですが、description が曖昧だと呼ばれず、出力検証が無いとハルシネーションや外部APIエラーがそのまま下流に流れます。inputSchema／outputSchema を厳密に定義し、ツール内で例外処理を入れ、Developer UIのトレースで「実際に何が渡って何が返ったか」を必ず確認しましょう。

失敗4：いきなり巨大なFlowを組む

最初から多段のエージェントパイプラインを書くと、どこで失敗したのか分からなくなります。まず1つのFlowで1機能を動かし、Developer UIでトレースを見ながら段階的に増やすのが、結果的に最短です。正直に言うと、AIアプリ開発は「小さく回して観測する」サイクルの速さがそのまま品質に直結します。

まとめ｜Genkitは「本番までの距離」を縮める土台

Firebase Genkitは、モデル抽象化・Flow・ツール・RAG・評価・デプロイ・可観測性を、ひとつのフレームワークに束ねたGoogle製のオープンソースです。TypeScriptとGoはGA、PythonとDartはPreview。Gemini中心ながらOpenAI・Claude・Ollamaなどもプラグインで扱え、Developer UIで挙動を見ながら Firebase Functions / Cloud Run にそのまま載せられる——これが「プロトタイプ止まり」を避けたい開発者にとっての価値です。

はじめの一歩は npm install -g genkit-cli と最小Flowの実行です。手元で動かし、Developer UIでトレースを眺めるところから始めてみてください。フレームワーク選定で迷ったら、FW比較記事やLangChainガイドと読み比べると、自分のチームに合う土台が見えてくるはずです。

本記事の機能・コマンド・コード例は、すべて Genkit 公式ドキュメント（genkit.dev）、Firebase Blog、Google Developers Blog、各パッケージレジストリ（npm／PyPI）の記載に基づいています（最終確認日：2026年6月15日）。バージョン更新により名称・仕様が変わる場合があるため、実装時は必ず最新の公式情報をご確認ください。
著者：佐藤傑（株式会社Uravation 代表取締役／@SuguruKun_ai）。著書『AIエージェント仕事術』。