企业官网建设流程全解析

Genkit Python 接入 Amazon Bedrock 完整指南：文本生成、流式推理、Embedding、图像生成与重排序实战

【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkit

genkit-amazon-bedrock是 Genkit Python 生态中连接 Amazon Bedrock 的官方插件，它把 Bedrock 托管的 Anthropic Claude、Amazon Nova、Meta Llama、Mistral、Cohere 等模型统一注册为 Genkit 的模型 Action，并通过 Bedrock 的 Converse / ConverseStream API 提供文本生成能力，同时通过 InvokeModel API 覆盖 Embedding、图像生成与文档重排序。读完本文，你将掌握该插件的安装与 AWS 前置配置、全部插件参数与默认值、文本与流式生成的调用方式、提示词缓存、推理配置文件（Inference Profile）、以及错误码到 Genkit 状态的映射规则，可以直接在自己的 Genkit Python 应用中接入 Bedrock。

本文以 py/packages/genkit-amazon-bedrock/CHANGELOG.md 的功能清单为主线，结合 py/packages/genkit-amazon-bedrock/README.md 的用法说明与 py/packages/genkit-amazon-bedrock/src/genkit_amazon_bedrock/ 下的源码实现展开。当前插件处于首个版本（[Unreleased]，见 CHANGELOG），以下所有行为均以本仓库当前代码为准。

安装与 AWS 前置准备

安装插件

插件与核心库一起通过uv安装即可：

uv add genkit genkit-amazon-bedrock

模型访问（Model Access）

Bedrock 的模型访问权限是按账号、按区域授予的：在 Bedrock 控制台的 Model access 页面申请后，us-east-1的授权与us-west-2毫无关系——仅仅切换 region 就可能让原本可用的配置失效。Anthropic 系列模型还额外要求账号完成一次性使用场景协议（Bedrock 控制台 → Model access → Anthropic use case details），在协议通过之前，Claude 调用会以ResourceNotFoundException失败，该错误看起来像模型 ID 拼错，实为缺少协议授权。

IAM 最小权限策略

覆盖本插件全部能力（文本生成、Embedding、图像生成、重排序）的最小策略如下：

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": ["bedrock:InvokeModel", "bedrock:InvokeModelWithResponseStream"], "Resource": [ "arn:aws:bedrock:*::foundation-model/*", "arn:aws:bedrock:*:*:inference-profile/*" ] } ] }

关键点：

• Converse 由bedrock:InvokeModel授权，ConverseStream 由bedrock:InvokeModelWithResponseStream授权，不存在单独的 Converse 权限需要授予；
• Embedding、图像生成与重排序都走 InvokeModel，因此只需要第一个权限；
• inference-profile/*资源极易遗漏。跨区域配置文件（如us.anthropic.claude-sonnet-4-5-20250929-v1:0）是账号级 inference-profile ARN，而非 foundation-model ARN，若策略只写了foundation-model/*，即使模型访问已授权也会被拒绝为AccessDeniedException。

凭据解析

凭据遵循标准 AWS SDK 链，以下任一方式均可生效：

• 环境变量：AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY，临时凭据再加AWS_SESSION_TOKEN；
• ~/.aws下的共享配置与凭据文件，通过AWS_PROFILE选择；
• EC2 / ECS / Lambda 上平台注入的 IAM 角色；
• SSO 配置（执行aws sso login后）。

链上未覆盖的场景通过session=传入预配置的boto3.session.Session解决。Region 的解析与凭据相互独立，具体规则见下文“插件参数”。

快速开始

from genkit import Genkit from genkit_amazon_bedrock import Bedrock, ModelDefinition ai = Genkit( plugins=[ Bedrock( region='us-east-1', models=[ModelDefinition(name='us.anthropic.claude-sonnet-4-5-20250929-v1:0')], ) ], model='bedrock/us.anthropic.claude-sonnet-4-5-20250929-v1:0', )

插件的 Action 命名空间固定为bedrock/，完整模型名即bedrock/<模型ID>（见 plugin.py 的bedrock_name()）。上述代码把 Claude Sonnet 注册为默认模型后，直接await ai.generate(prompt=...)即可。

从源码结构看，插件的初始化是“惰性解析 + 启动校验”的：Bedrock.__init__会立即构造BedrockTransport，而init()在启动阶段调用await self._transport.ensure_client()预建 boto3 客户端——所以 region 未解析等配置错误会在启动时暴露，而不是拖到第一次模型调用（见 plugin.py）。

插件参数详解（Bedrock() 全部选项）

以下为Bedrock()的每个参数及其默认行为（README 参数表与 config.py 中的常量定义一致）：

其中max_retries、read_timeout、connect_timeout、max_pool_connections默认均为 None，含义是“让位于你的 AWS 环境配置”，仅当环境配置也沉默时才填入上述包默认值；显式传参会覆盖两者（详见 transport.py 的_client_config()与_retry_config()）。

不同参数的外部来源也不同（botocore 只读取其中一部分）：

• 重试参数来自AWS_MAX_ATTEMPTS、AWS_RETRY_MODE、~/.aws/config中的max_attempts与retry_mode键，或 session 的默认客户端配置。attempt 次数与模式是分开解析的：只设置其一，另一个会落在包默认值上；而传max_retries只调次数，不会把你从adaptive模式拽走（源码在_retry_config()中逐键判断_has_ambient_setting，见 transport.py）；
• 两个超时与连接池大小在 botocore 中没有环境变量或配置文件对应项，唯一外部来源是挂在session=传入的 session 上的botocore.config.Config。

read_timeout是 socket 读超时，不是整次调用的截止时间。它约束的是“等下一个字节”的时长，每次收到字节都会重置，所以默认给足一小时——一次生成合法地跑数分钟（Nova 允许 60 分钟推理），且只要连接持续吐字节就不会触发。total_timeout才是真正卡总时长的墙钟限制：它端到端地限制一次非流式生成（含重试），默认 3600 秒，传None移除后只剩 socket 超时。截止时间触发时调用方收到DEADLINE_EXCEEDED错误，但 boto3 调用本身无法中止，其工作线程会一直跑到 socket 超时为止。流式生成、Embedding、图像生成与重排序只受 socket 超时约束。

max_pool_connections回退到 50 而非 botocore 的 10，是为了让连接池不成为瓶颈——并发先受事件循环默认线程池限制，因为 boto3 调用都通过asyncio.to_thread派发到工作线程（见 transport.py 的模块注释）。这也解释了为何一个同步 boto3 客户端可以同时服务应用循环与 Dev UI 的反射循环：boto3 客户端对调用是线程安全的。

models与embedders只是 Dev UI 的展示清单，裸Bedrock()什么都不列出。插件不会主动发现模型目录：那需要第二个面向bedrock控制平面的客户端和相应的 IAM 权限，而本插件只打开bedrock-runtime（见 plugin.py 的resolve()注释）。但这不影响调用，任何模型 ID 都按需解析。

文本生成：Converse 与 ConverseStream

文本生成基于 Bedrock 的 Converse（非流式）与 ConverseStream（流式）API，覆盖多轮对话、系统提示、工具调用、推理内容（reasoning content）与流式增量（streamed deltas）。调用入口在 models.py 的BedrockModel.generate()：当运行上下文带流式回调（ctx.is_streaming）时走_generate_stream()消费 ConverseStream 事件，否则走converse()（见 models.py）。

• 流式路径把事件流整体放在 try 内消费，中途失败（botocore 以EventStreamError抛出，它是ClientError子类）会像普通 AWS 错误一样映射；aclosing保证即使 chunk 回调抛异常也会关闭事件流（见 models.py）；
• 流式传输层把“首包”和“逐事件 next()”都桥接到线程（botocore 返回的是阻塞式EventStream），并且total_timeout是整条流的一个统一截止时间，而不是每个事件单独计时（见 transport.py）；
• Genkit 类型与 Converse 请求/响应之间的转换全部集中在 converters.py，该模块刻意保持纯函数、无副作用，可脱离 AWS 直接测试。

推理（reasoning）内容的回传处理

值得注意的一个实现细节：Bedrock 返回的推理内容是签名且可能被脱敏的，下一轮必须原样回放，否则模型会拒绝。因此转换层把签名与脱敏块都存进 part 的元数据（bedrockReasoningSignature与bedrockRedactedContent两个键，见 converters.py），并且只回传带这两个标记的推理 part——一个普通的、不带 Bedrock 标记的推理 part 会被刻意丢弃，防止外来推理内容污染 Bedrock 对话。

BedrockConfig：Bedrock 专属配置

BedrockConfig继承核心ModelConfig字段，并额外声明两个 Bedrock 专属字段（见 config.py）：

• tool_choice：工具选择模式，auto、required/any、none或具体工具名；
• additional_model_request_fields：原样转发到 Converse API 的额外字段（例如 Claude 的扩展思考）。

配置解析采用了extra='forbid'：未知键会被拒绝，因为只有声明的字段会到达 Converse API，一个被容忍的拼写错误（如maxTokens写成maxOutputTokens）会让调用在旋钮静默失效的情况下运行。

被忽略的字段：topK 与 version

BedrockConfig继承了核心ModelConfig的字段，因此 Dev UI 会展示topK和version，但 Converse 没有对应参数，两者都会被丢弃。支持 top-k 旋钮的模型应改走additionalModelRequestFields：

BedrockConfig(additional_model_request_fields={'top_k': 40})

提示词缓存（Prompt Caching）

当一段很大的静态系统提示被反复发送时，用 Bedrock 的提示前缀缓存很划算。cache_point_part()用于标记可缓存前缀的结束位置：

from genkit import Part, TextPart from genkit_amazon_bedrock import cache_point_part CLAUDE = 'bedrock/us.anthropic.claude-sonnet-4-5-20250929-v1:0' # 缓存点放在要缓存的内容之后。 system = [Part(root=TextPart(text=LONG_STATIC_PROMPT)), cache_point_part()] first = await ai.generate(model=CLAUDE, system=system, prompt='What are the delivery tiers?') second = await ai.generate(model=CLAUDE, system=system, prompt='Which tier needs a signature?') print(second.usage.cached_content_tokens)

使用注意事项（源码与 README 共同确认）：

• 缓存点必须放在要缓存的内容之后，绝不能在前；
• 缓存点可用于系统提示，也可用于普通用户消息与模型消息；系统消息只保留文本与缓存点，其他 part 类型会被丢弃；
• 要命中缓存，前缀必须跨调用字节级一致，所以应该用常量构建，而不是每请求重新拼装；
• 低于模型最小可缓存大小（Claude Sonnet 大约 1000 token，更小的模型要求更高）的前缀会被静默地不缓存——没有报错也没有警告；
• 缓存存活数分钟，窗口内重跑可读到上一轮写入的缓存；
• 用量上，cacheReadInputTokens映射为usage.cached_content_tokens；cacheWriteInputTokens被刻意丢弃，因此“第二次调用报出了第一次没有的 cached tokens”是缓存生效的唯一证据；
• Bedrock 把缓存 token 计在inputTokens之外，所以usage.input_tokens只是未缓存余量，缓存越好它反而越小；缓存前缀计入usage.total_tokens。不要把小的input_tokens当成缓存失败，也不要拿它断言缓存命中；
• system传普通字符串会走 Genkit 的 dotprompt 模板，重写文本且无法表达缓存点；要表达缓存点并保持前缀字节一致，应传 part 列表（见 README.md 的 Prompt caching 一节）。

缓存点的底层实现是转换层中的一个自定义 part 键bedrockCachePointType（见 converters.py）。

推理配置文件（Inference Profiles）与 ARN

模型 ID 带global.、us-gov.、us.、eu.、jp.、apac.、au.前缀的，是跨区域推理配置文件，会把调用路由到该地理区域内任一有容量的区域：

ModelDefinition(name='us.anthropic.claude-sonnet-4-5-20250929-v1:0')

• 完整 ID 始终原样发送给 Bedrock；前缀只在本地能力查询时剥离，因此配置文件会继承其基础模型声明的能力，而不是回退到未知模型的保守默认（见 model_info.py 的strip_inference_profile_prefix，被 plugin.py、embedders.py、image.py 与 rerank.py 共同复用）；
• 多个新模型只能通过配置文件调用，裸 foundation-model ID 反而不可用，所以这是常规形态而非进阶选项；
• 任何配置文件 ID 或完整 ARN 都可接受，跨arn:aws:、arn:aws-us-gov:、arn:aws-cn:分区。

Embedders（Embedding 模型）

Embedding 模型在插件参数中单独列出，使用裸模型 ID：

from genkit import Genkit from genkit_amazon_bedrock import Bedrock ai = Genkit(plugins=[Bedrock(embedders=['amazon.titan-embed-text-v2:0'])]) embeddings = await ai.embed( embedder='bedrock/amazon.titan-embed-text-v2:0', content='Bedrock hosts models from several providers.', )

覆盖 Titan text、Titan multimodal、Cohere v3 与 Nova-2 家族，全部通过 InvokeModel 调用（见 embedders.py）。家族识别靠模型 ID 的子串匹配（titan-embed-image→ titan_multimodal、titan-embed→ titan_text、cohere.embed-v4→ cohere_v4、cohere.embed→ cohere_v3、nova-2-multimodal-embeddings→ nova，见 embedders.py）。注意cohere.embed而非裸cohere，否则会误吞cohere.rerank-*与cohere.command-*。

列出 embedder 是可选的：任何可路由的 ID 都按需解析，包括推理配置文件与 ARN 形式；列出仅为了出现在 Dev UI 中（见 plugin.py 的_create_embedder_action()）。

已知行为与限制：

• Titan multimodal 接受 JPEG 与 PNG，每个文档一张图；文档同时带文本时取两个向量的平均；
• Bedrock 上的 Cohere Embedding 仅限文本：无文本的文档会被拒绝而不是发送；带媒体 part 会被忽略；
• 每请求的 embed 选项被忽略：Cohere 请求固定为input_type: search_document，所以这些 embedder 用于索引文档，不用于查询 embedding；
• Cohere v3 按 Bedrock 每请求 96 文档的限额分批（COHERE_TEXT_BATCH_SIZE = 96），并发上限 10（EMBED_CONCURRENCY_LIMIT = 10），失败会取消其余任务并取消未开始的调用，避免批内错误继续计费（见 embedders.py 与_run_bounded()）；
• Titan multimodal 会在 HTTP 200 上通过响应体message字段带内上报输入错误（见_titan_multimodal_vector()）；
• Nova-2 的响应是{"embeddings": [{"embedding": [...]}]}的对象列表，与 Titan 的裸向量形态不同（见_nova_embedding()）；
• 各家族注册的维度信息：Titan Text v1 为 1536、Titan Text v2 为 1024、Titan Image 为 1024、Cohere v3 两个模型为 1024、Nova-2 为 3072（见EMBEDDER_INFO）。

图像生成（Nova Canvas / Titan Image / Stability）

图像模型走 InvokeModel 而非 Converse，但它们是普通的 Genkit 模型 Action：ai.generate返回的媒体 part 携带 data URL。声明时加type='image'：

from genkit import Genkit from genkit_amazon_bedrock import Bedrock, ModelDefinition ai = Genkit( plugins=[ Bedrock( # us-west-2：当前活跃的文生图模型只在该区域提供。 region='us-west-2', models=[ModelDefinition(name='stability.sd3-5-large-v1:0', type='image')], ) ] ) response = await ai.generate( model='bedrock/stability.sd3-5-large-v1:0', prompt='A tabby cat asleep on a sunlit windowsill, watercolour.', ) image = response.media[0].url # data:image/png;base64,...

• 声明同样可选：未声明的 ID 若属于两个家族之一，会被当场归类为图像模型，裸ai.generate(model='bedrock/<id>')就会走 InvokeModel 路径；声明则把模型加入 Dev UI 并固定路由（见 plugin.py 的resolve()分类逻辑）；
• 提示词取最近一条用户消息的文本 part 拼接，其他 part 被忽略（这些模型只支持文生图，见 image.py 的image_prompt()）；
• 图像模型永远不会调用流式回调：没有可流式的内容，generate_stream不产出 chunk，图像只在最终响应上到达；
• 图像生成恒以FinishReason.STOP结束且不报告 token（见 image.py）。

请求体形态（按模型家族区分）

两个家族请求体互不兼容，因此根据模型 ID 构建请求（_IMAGE_FAMILY_PATTERNS见 image.py）：

Amazon 家族（ID 含titan-image或nova-canvas）把选项嵌套在imageGenerationConfig下，且只读取这个键，其他顶层键一律丢弃。你的条目会逐键合并到这些默认值之上：

config={ 'imageGenerationConfig': { 'numberOfImages': 1, 'height': 1024, 'width': 1024, 'cfgScale': 8.0, 'seed': 0, 'quality': 'standard', # 仅 Nova Canvas，Titan Image 不发送 } }

输出恒为image/png。

Stability 家族（ID 含sd3-、stable-image-core或stable-image-ultra）采用扁平顶层字段，整个 config 字典合并到默认值{'prompt': ..., 'output_format': 'png'}之上，因此aspect_ratio、seed、negative_prompt、output_format等都生效：

config={'aspect_ratio': '16:9', 'output_format': 'jpeg', 'seed': 42}

媒体 part 的 MIME 类型跟随output_format。

其他要点：

• BedrockImageConfig是这些调用的导出配置类型，刻意不声明任何字段也不拒绝任何键：两个家族键互斥，而BedrockConfig描述的是 Converse 参数，会让每个家族专属键都被拒绝（见 config.py）；
• Genkit 的通用生成选项（temperature、topP、maxOutputTokens、apiKey等）不会转发给图像模型，因为 Bedrock 图像 API 不接受它们；实现上通过_normalize_image_config()统一剔除（见 image.py）；
• 文生图与图像编辑模型不可互换：某区域提供的模型可能只支持 inpaint 或 upscale；账号无法使用的 Legacy 模型（从未启用或闲置后禁用）会以ResourceNotFoundException出现，与缺少授权表现一致；
• titan-image家族仍被识别（与 Nova Canvas 共享请求形态）；旧 Stable Diffusion XL schema（text_prompts/artifacts）未移植，因为该形态模型在 Bedrock 上已全部 EOL；Stability 的编辑服务（inpaint、erase、背景移除等）不属于文生图，超出范围；
• Nova Canvas 返回的图片数可能少于numberOfImages请求数：被内容过滤的图片会静默丢弃（见 image.py 的_amazon_images()，图像与错误同存时按部分成功处理，图像优先）。

重排序（Reranking）

重排序用查询给文档打分，让检索步骤按相关性返回命中。它是插件实例上的方法而非 Genkit Action，因此要保留传给Genkit的Bedrock引用：

from genkit import Document, Genkit from genkit_amazon_bedrock import Bedrock, BedrockRerankOptions bedrock = Bedrock(region='us-east-1') ai = Genkit(plugins=[bedrock]) response = await bedrock.rerank( 'cohere.rerank-v3-5:0', query='How do I configure authentication for Bedrock?', documents=[ Document.from_text('Configure AWS credentials with environment variables or AWS SSO.'), Document.from_text('Nova Canvas returns generated images as base64-encoded PNG data.'), Document.from_text('Model access is granted per account and region in the Bedrock console.'), ], options=BedrockRerankOptions(top_n=2), ) for document in response.documents: print(document.metadata.score, document.content[0].root.text)

设计背景：Genkit Python 没有 reranker 原语——ActionKind.RERANKER只有裸枚举成员，请求与响应类型也未生成，因此没有可注册 Action 的对象（见 rerank.py 的模块注释）。插件导出的类型（BedrockRerankOptions、RankedDocumentData、RankedDocumentMetadata、RerankerRequest、RerankerResponse）与genkit-schema.json中的同名 schema 类型逐字段对齐，未来核心若重新引入原语，调用点无需改动。

行为细节：

• top_n（以 dict 传参时写作topN）会被钳制到实际发送的文档数；<= 0或未设置表示返回全部；
• 结果按服务的降序相关性返回，客户端不重排、不截断；
• 排好序的文档原样携带输入文档内容，元数据是全新的{score}；输入文档自身的元数据不会带过去；
• 重排序模型没有 Converse 路径，永远不会解析为聊天模型；把它列在models=里会被忽略，请把 ID 传给rerank()（见 plugin.py）；
• 只需要bedrock:InvokeModel，不需要bedrock:Rerank——那个权限属于独立的 Bedrock Agent RuntimeRerankAPI，本插件并不调用；
• 两个家族请求体不同：Cohere 与 Amazon 都发送query、documents、top_n，但只有 Cohere 接受api_version（当前版本 2，schema 强制要求），Amazon schema 会拒绝任何携带该键的请求体（见 rerank.py）；ID 不属于任一家族时采用 Cohere 请求体，因为那是 AWS 文档中 InvokeModel 重排序的唯一形态；
• 任何模型 ID 都原样传给 InvokeModel，因此推理配置文件与 ARN 同样可用。

错误码到 Genkit 状态的映射

插件把 Bedrock 错误码映射为 Genkit 错误状态，失败以带类型的GenkitError到达调用方（PERMISSION_DENIED、NOT_FOUND、INVALID_ARGUMENT、RESOURCE_EXHAUSTED等），并保留服务原始消息。完整映射表见 models.py：

未列出的映射到UNKNOWN。实现细节：

• 服务端错误按 AWS 错误码映射；流中途失败的事件名是 lowerCamelCase（如throttlingException），映射前统一把首字母大写（_normalize_error_code()，见 models.py）；
• 客户端侧 botocore 失败（NoRegionError、ReadTimeoutError等）永不触达服务，按异常类型映射（_BOTOCORE_ERROR_STATUS）；
• 限流错误响应头里的Retry-After会被解析并作为retry_after_ms放在响应元数据上（response_metadata={'retry_after_ms': ...}），同时兼容“延迟秒数”与“HTTP 日期”两种格式（见_parse_retry_after_ms()，models.py）。

常见故障排查

没有解析出 region。插件在初始化时报错而不是首次调用时报错，且刻意不默认任何区域：静默回退到us-east-1会把流量和数据发到你从未选择的区域。设置region=、AWS_REGION、AWS_DEFAULT_REGION，或在活动 profile 中配区域。对应的运行时错误文本在 transport.py 的NO_REGION_MESSAGE中。

AccessDeniedException。要么该模型在该区域未授权模型访问，要么 IAM 策略缺少 inference-profile 资源。若模型 ID 带跨区域前缀，先检查策略——这种失败与缺少授权长得一模一样。

ResourceNotFoundException。模型存在但当前账号在此处无法使用：Anthropic 模型的使用场景协议未接受，或 Legacy 模型。而模型确实不在该区域提供时，会以下面的ValidationException形式报告。

ValidationException提示 "The provided model identifier is invalid"。ID 拼错，或该模型不在调用所去区域提供。Converse 与 InvokeModel 对缺失模型都这样报告（经线上验证），所以这就是区域选错的真实样子：在默认区域为us-east-1的会话里调用stability.sd3-5-large-v1:0（仅 us-west-2）恰好产生此错误。怀疑 ID 之前先检查区域。

其他ValidationException。请求或配置对特定模型格式有误：thinking budget 超出模型允许范围，或图像配置字段家族不接受（整个 config 字典会到达 Stability，imageGenerationConfig内的一切会到达 Amazon 家族）。Bedrock 按模型校验，在 A 模型上能用的配置可能在 B 模型上被拒。

ThrottlingException。该模型与区域的按需容量上限。插件自动指数退避重试，最多到max_retries次（首次尝试之后），耗尽后把错误抛给调用方。可提高max_retries、分散负载，或改用 provisioned throughput。

元数据级调试日志

GENKIT_LOG=debug会打开插件自身的日志行：解析出的 region 与客户端配置、每次调用路由到的模型、stop reason、token 计数，以及resolve拒绝了什么。日志只携带元数据，永不包含提示词、Embedding 或图像字节，因此可以放心常开（各模块均通过structlog.get_logger(__name__)打日志，见 plugin.py、models.py 等）。

完整可运行示例

仓库在 py/samples/amazon-bedrock-sample/ 提供了一个可运行示例（对应 README 末尾的指引），覆盖聊天、流式、工具调用、结构化输出、推理、提示词缓存、视觉、PDF 输入、Embedding、图像生成与重排序等全部能力。仓库测试目录 py/packages/genkit-amazon-bedrock/tests/ 下还有converters_test.py、embedders_test.py、image_test.py、models_test.py、plugin_test.py、rerank_test.py、stream_test.py、transport_test.py等针对各模块的测试，以及一个live_test.py用于真实 AWS 环境的验证，可作为进一步阅读实现细节的入口。

总而言之，genkit-amazon-bedrock把 Bedrock 的四大能力（Converse 文本生成、InvokeModel Embedding、InvokeModel 图像生成、InvokeModel 重排序）统一收敛到 Genkit 的 Action 模型之下，同时在连接层（超时、重试、连接池、region 解析）、类型层（严格配置校验、family 路由）与错误层（错误码映射、Retry-After透传）做了系统性的工程化处理——这些细节正是从“能跑通”到“生产可用”的分水岭。

【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkit