1. 簡介
在本程式碼實驗室中,我們將建構相片修復工具 GlowUp。GlowUp 運用 AI 技術修復老舊、受損或黑白相片,生成高畫質 4K 彩色圖片。這項工具可讓家庭相片煥然一新,甚至能修復損壞的插圖、繪圖、畫作或其他形式的圖片。
您將使用 Genkit Go 實作應用程式邏輯,並使用 Gemini 3 Pro Image (又稱 Nano Banana Pro) 做為處理相片的模型。
必要條件
- 具備 Go 程式設計語言的基本知識
- 具備 Google Cloud 控制台的基本知識
課程內容
- 如何使用 Go 開發 Genkit 應用程式
- Genkit 的基本概念,例如流程、外掛程式和提示
- 如何使用 Handlebars 範本撰寫提示
- 如何從模型回覆取得圖片資料
軟硬體需求
本工作坊可完全在 Google Cloud Shell 中完成,該環境已預先安裝所有必要依附元件 (gcloud CLI、程式碼編輯器、Go、Gemini CLI)。
或者,如果您想在自己的機器上操作,則需要:
- Go 工具鍊 (1.24 以上版本)
- Node.js v20 以上版本 (適用於
genkitCLI) - 已安裝
gcloudCLI 的終端機 - VS Code 或類似的 IDE,用於編輯程式碼
- 建議:Gemini CLI 或 Antigravity 等程式設計代理
關鍵技術
請參閱下列資源,進一步瞭解我們會用到的技術:
- Gemini Nano Banana Pro (Gemini 3 Pro Image):修復程序採用的模型
- Genkit Go:用於自動調度管理模型呼叫的工具包
2. 環境設定
您可以在自己的電腦上執行這個實驗室,也可以完全在雲端執行。即使您決定在本機執行程式碼,仍需要 Google Cloud 專案,才能將伺服器端元件部署至雲端。請按照下一節的步驟建立。
自修實驗室環境設定
- 登入 Google Cloud 控制台,建立新專案或重複使用現有專案。如果您沒有 Gmail 或 Google Workspace 帳戶,請建立帳戶。



- 「專案名稱」是專案參與者的顯示名稱。這是一串 Google API 無法識別的字元。你隨時可以更新。
- 專案 ID 在所有 Google Cloud 專案中都是不重複的,且設定後即無法變更。Cloud 控制台會自動產生一組不重複的字串,通常您不需要知道這組字串。在大多數程式碼實驗室中,您必須參照專案 ID (通常會標示為
PROJECT_ID)。如果您不喜歡系統產生的 ID,可以再產生一組隨機 ID。或者,您也可以嘗試使用自己的名稱,看看是否可用。這個步驟完成後即無法變更,且在專案期間會保持不變。 - 此外,還有第三個值,也就是「專案編號」,某些 API 會使用這個值。如要進一步瞭解這三個值,請參閱說明文件。
- 接著,您必須在 Cloud 控制台中啟用計費功能,才能使用 Cloud 資源/API。執行這個程式碼實驗室的費用極低,甚至可能完全免費。如要關閉資源,避免產生本教學課程以外的費用,可以刪除建立的資源或刪除專案。新註冊 Google Cloud 的使用者可獲得價值 $300 美元的免費試用。
啟動 Cloud Shell
雖然您可以透過筆電遠端操作 Google Cloud,但在本程式碼實驗室中,您將使用 Google Cloud Shell,這是在雲端執行的指令列環境。
在 Google Cloud 控制台中,點選右上角工具列的「Cloud Shell」圖示:

佈建並連線至環境的作業需要一些時間才能完成。完成後,您應該會看到類似下方的內容:

這個虛擬機器已預先安裝所有必要的開發人員工具,提供永久的 5 GB 主目錄,而且在 Google Cloud 中運作,大幅提升網路效能並強化驗證功能。本程式碼實驗室的所有工作都可以在瀏覽器中完成。您不需要安裝任何項目。
3. 專案設定
建立專案
首先,我們需要為專案建立新目錄,並初始化 Go 模組。在終端機中執行下列指令:
mkdir -p glowup && cd glowup
go mod init glowup
安裝 Genkit CLI
接著,我們需要安裝 Genkit CLI。這樣就能存取本機開發人員工具,包括開發人員 UI。在終端機視窗中輸入:
curl -sL cli.genkit.dev | bash
設定環境變數
請確認您已設定正確的 Google Cloud 憑證。使用 Gemini 3 Pro 預先發布版模型 (包括 Nano Banana Pro) 時,位置必須設為 global。
export GOOGLE_CLOUD_PROJECT=$(gcloud config get project)
export GOOGLE_CLOUD_LOCATION=global
在殼層模式中執行下列指令,為目前專案啟用 Vertex AI API:
gcloud services enable aiplatform.googleapis.com
如果您是在本機電腦 (而非 Cloud Shell) 執行,則須使用 gcloud 指令進行驗證:
gcloud auth application-default login
4. 建立第一個 Genkit 應用程式
Genkit 是開放原始碼框架,可協助開發人員建構、部署及監控可用於正式環境的 AI 輔助應用程式。在本節中,我們會建立簡單的「Hello World」應用程式,協助您熟悉架構,再深入探討相片修復邏輯。
Genkit 術語
開始使用 Genkit 前,請務必瞭解幾個重要詞彙:
- 外掛程式:用於擴充 Genkit 的功能。此外,您也可以透過外掛程式註冊 AI 模型,為應用程式提供技術支援。
- Flow:Genkit 的主要架構元件。一般流程會接收輸入內容、處理並傳回輸出內容。不一定要使用模型,但大多數情況下,您會在流程中使用模型。
- 提示:以 dotprompt 格式儲存的互動範本 (儲存為
*.prompt檔案)。其中不僅包含模型指令,也包含模型名稱、模型參數、輸入和輸出等設定。
連結 AI 模型
Genkit 會使用外掛程式,將程式碼連結至模型供應商。所有主要模型供應商 (包括 Google、Anthropic 和 OpenAI) 都有外掛程式。您也可以使用外掛程式連結至本機模型 (例如使用 Ollama),或擴充 Genkit 的功能 (例如連結至 MCP 伺服器)。
如要存取 Google 模型,請使用 googlegenai 外掛程式。支援兩種後端:
- Google AI:最適合用於原型設計。使用 API 金鑰。
- Vertex AI (Google Cloud):建議用於正式環境。使用專案 ID 和位置。
在本程式碼實驗室中,我們會使用 Vertex AI 驗證,參照您在實驗室一開始建立的專案。
建立問候流程
在深入瞭解 Glow Up 相片修復流程之前,我們先建立基本流程,熟悉相關概念,並確保設定正常運作。
流程是一種特殊的 Genkit 函式,可包裝 AI 邏輯,提供以下功能:
- 類型安全的輸入和輸出:使用 Go 結構定義結構定義,進行靜態和執行階段驗證
- 串流支援:串流部分回覆或自訂資料
- 整合開發人員 UI:透過視覺化追蹤記錄測試及偵錯流程
- 輕鬆部署:以 HTTP 端點的形式部署至任何平台
開啟 IDE,並在專案目錄中建立 main.go 檔案。如果使用 Cloud Shell,請執行下列指令:
cloudshell edit main.go
接著加入下列程式碼:
main.go
package main
import (
"context"
"log"
"os"
"os/signal"
"syscall"
"github.com/firebase/genkit/go/genkit"
"github.com/firebase/genkit/go/ai"
"github.com/firebase/genkit/go/plugins/googlegenai"
)
func main() {
ctx, cancel := signal.NotifyContext(context.Background(), os.Interrupt, syscall.SIGTERM)
defer cancel()
// Initialize Genkit with the Vertex AI plugin
g := genkit.Init(ctx,
genkit.WithPlugins(&googlegenai.VertexAI{}),
)
// Define the greeter flow
genkit.DefineFlow(g, "greeter", func(ctx context.Context, name string) (string, error) {
text, err := genkit.GenerateText(ctx, g,
ai.WithModelName("vertexai/gemini-2.5-pro"),
ai.WithPrompt("Say a warm and creative hello to %s", name),
)
if err != nil {
return "", err
}
return text, nil
})
// Register the flow here in the next steps
log.Println("GlowUp initialized. Ready for flows.")
<-ctx.Done()
}
儲存檔案,然後執行 go mod tidy 來更新依附元件:
go mod tidy
上述程式碼會使用 VertexAI 外掛程式初始化 Genkit、定義名為「greeter」的流程,然後在 <-ctx.Done() 上無限期等待。我們暫停執行,因此這個程式不會立即終止,因為我們並未提供任何指令來實際執行流程。
這表示如果按照現狀執行這個程式,程式本身不會執行太多操作,我們需要以某種方式叫用流程。在實際的正式版應用程式中,我們會將這個流程包裝在網路伺服器或 CLI 應用程式中,但在開發期間,我們可以使用 genkit CLI 協助開發及最佳化流程。
genkit CLI 的開發目的是協助我們測試模型、提示、流程和 Genkit 堆疊的其他元件。此外,這項服務也完整支援追蹤記錄,方便您瞭解應用程式的運作方式。如要使用 genkit CLI 啟動 greeter 流程,請執行下列指令:
genkit start -- go run main.go
這會啟動 Telemetry API 和開發人員 UI 端點。畫面應如下所示:
$ genkit start -- go run main.go Telemetry API running on http://localhost:4033 Project root: /home/daniela/glowup Genkit Developer UI: http://localhost:4000
在瀏覽器中開啟 localhost:4000,啟動開發人員 UI。這時畫面上應會顯示類似下方的訊息:

請花點時間探索開發人員 UI。建議您觸發「greeter」流程一次,看看運作方式。
使用提示詞範本
雖然您可以在模型呼叫中硬式編碼提示詞 (如前例所示),但更好的做法是建立提示詞範本,集中儲存應用程式的所有提示詞。這樣一來,您不僅能在維護程式碼時輕鬆找到提示,還能獨立於流程之外測試提示。
Genkit 使用開放原始碼 dotprompt 格式定義提示詞範本,並儲存為 *.prompt 檔案。.prompt 檔案包含兩個部分:
- Frontmatter:YAML 區塊,用於定義模型、模型參數,以及輸入和輸出結構定義
- 主體:提示的主體,可使用「handlebars」語法建立範本。舉例來說,如果您定義名為
variable-name的輸入內容,可以在主體中以{{variable-name}}的形式參照。
專案的目錄結構如下所示:
glowup/
├── main.go
└── prompts/
└── greeter.prompt
我們來實際演練一下。首先,建立資料夾來儲存提示:
mkdir -p prompts
接著建立 greeter.prompt 檔案:
cloudshell edit prompts/greeter.prompt
並插入下列內容:
greeter.prompt

這個提示詞展示了範本語言的部分功能。首先,在 frontmatter 中指定模型 vertexai/gemini-2.5-flash。如要指定模型,請使用各外掛程式說明文件定義的命名法。
config 區段可用來設定模型參數。我們將 temperature 設為 1.9,讓模型更有創意。溫度參數範圍介於 0 (輸出內容更一致) 到 2 (輸出內容更有創意)。這項參數和其他模型參數通常會發布在模型規格表中。舉例來說,以下是 gemini-2.5-flash 的模型表。
輸入區段可指定提示的引數。在這個例子中,我們將名稱定義為字串。frontmatter 後方是提示詞主體。第一個區塊定義系統提示,第二個區塊則是使用者提示。結合上述所有元素,就能運用一些非常強大的提示技術。如要查看 dotprompt 的完整說明文件,請按這裡。
現在,我們來調整 greeter 流程,使用剛才建立的提示詞:
main.go
package main
import (
"context"
"os"
"os/signal"
"syscall"
"github.com/firebase/genkit/go/ai"
"github.com/firebase/genkit/go/genkit"
"github.com/firebase/genkit/go/plugins/googlegenai"
)
func main() {
ctx, cancel := signal.NotifyContext(context.Background(), os.Interrupt, syscall.SIGTERM)
defer cancel()
// Initialize Genkit with the Vertex AI plugin
g := genkit.Init(ctx,
genkit.WithPlugins(&googlegenai.VertexAI{}),
genkit.WithDefaultModel("vertexai/gemini-2.5-flash"),
)
// Define the greeter flow
genkit.DefineFlow(g, "greeter", func(ctx context.Context, name *string) (string, error) {
prompt := genkit.LookupPrompt(g, "greeter")
input := map[string]any{
"name": name,
}
resp, err := prompt.Execute(ctx, ai.WithInput(input))
if err != nil {
return "", err
}
return resp.Text(), nil
})
<-ctx.Done()
}
請嘗試從指令列執行流程,並比較指定名稱和未指定名稱的差異。未命名:
genkit flow:run greeter
輸出內容範例:
$ genkit flow:run greeter Telemetry API running on http://localhost:4035 Running '/flow/greeter' (stream=false)... Result: "Hello there, absolutely delightful human!\n\nThe very moment your message arrived, the day instantly sparkled a little brighter. It's not just nice, it's genuinely **wonderful** to meet you!\n\nMay your entire day be filled with unexpected pockets of joy, effortless triumphs, and all the happiness you truly deserve! We're thrilled to have you here!"
並加上名稱:
genkit flow:run greeter '"Daniela"'
輸出內容範例:
$ genkit flow:run greeter '"Daniela"' Telemetry API running on http://localhost:4035 Running '/flow/greeter' (stream=false)... Result: "Well hello there, Daniela! What a truly beautiful name, and what an absolute pleasure it is to meet you!\n\nRight from this moment, I just know your day is going to be brimming with positive energy and wonderful surprises. May it be filled with brilliant ideas, joyful moments, and the delightful realization that you're an amazing person doing incredible things. So glad you're here!"
您可以看到範本正常運作。我們準備好讓這項專案更上一層樓!
5. 使用 Nano Banana Pro 還原圖片
還原提示
您已熟悉 Genkit 的建構模塊,現在可以建立相片修復提示了。
在 prompts 目錄中建立名為 glowup.prompt 的檔案,並貼上以下內容:
glowup.prompt

還原提示與「問候語」提示採用相同模式,但有幾項明顯差異:
- 圖片大小:
imageConfig的imageSize屬性是 Nano Banana Pro 的模型專屬參數。這項設定可指定輸出大小為 1K、2K 或 4K。 - 媒體輸入:我們使用
{{ media }}範本,將相片插入使用者提示。這項技術可讓我們將多模態提示 (文字 + 圖片) 傳送至模型。
您可以在開發 UI 測試這則提示。您可以隨意調整,看看對輸出內容有何影響。
圖片還原流程
還原提示準備就緒後,現在來建構 CLI 應用程式。將 main.go 的內容替換為下列程式碼:
main.go
package main
import (
"context"
"encoding/base64"
"errors"
"flag"
"fmt"
"log"
"mime"
"os"
"os/signal"
"strings"
"syscall"
"github.com/firebase/genkit/go/ai"
"github.com/firebase/genkit/go/genkit"
"github.com/firebase/genkit/go/plugins/googlegenai"
)
func main() {
url := flag.String("url", "", "url of the image to restore")
contentType := flag.String("contentType", "image/jpeg", "content type of the image (default: image/jpeg)")
flag.Parse()
ctx, cancel := signal.NotifyContext(context.Background(), os.Interrupt, syscall.SIGTERM)
defer cancel()
// Initialize Genkit with the Vertex AI plugin
g := genkit.Init(ctx,
genkit.WithPlugins(&googlegenai.VertexAI{}),
)
// Input schema for the glowUp flow
type Input struct {
URL string `json:"url,omitempty"`
ContentType string `json:"contentType,omitempty"`
}
glowup := genkit.DefineFlow(g, "glowUp", func(ctx context.Context, input Input) (string, error) {
// 1. Retrieve prompt
prompt := genkit.LookupPrompt(g, "glowup")
if prompt == nil {
return "", errors.New("prompt 'glowup' not found")
}
resp, err := prompt.Execute(ctx, ai.WithInput(input))
if err != nil {
return "", fmt.Errorf("generation failed: %w", err)
}
return resp.Media(), nil
})
// triggers the flow and returns the encoded response from the model
out, err := glowup.Run(ctx, Input{URL: *url, ContentType: *contentType})
if err != nil {
log.Fatalln(err)
}
// decodes image data and returns the appropriate file extension
data, ext, err := decode(out)
if err != nil {
log.Fatalln(err)
}
// writes restored file to disk
filename := "restored" + ext
if err := os.WriteFile(filename, data, 0644); err != nil {
log.Fatalln(err)
}
}
// decode returns the decoded data and the file extension appropriate for the mime type
func decode(text string) ([]byte, string, error) {
if !strings.HasPrefix(text, "data:") {
return nil, "", errors.New("unsupported enconding format")
}
text = strings.TrimPrefix(text, "data:")
parts := strings.Split(text, ";base64,")
mimeType := parts[0]
decoded, err := base64.StdEncoding.DecodeString(parts[1])
if err != nil {
return nil, "", err
}
ext, err := mime.ExtensionsByType(mimeType)
if err != nil {
return nil, "", err
}
return decoded, ext[0], nil
}
程式碼結構與 greeter 流程非常相似,但這次經過調整,可做為獨立 CLI 應用程式執行。它不會永久封鎖,而是會執行 glowUp 流程、解碼輸出內容,並將產生的二進位資料儲存至磁碟。
模型會以下列格式傳回圖片資料,因此我們需要解碼輸出內容:
data:<mime type>;base64,<base64 encoded image>
在 decode 函式中,我們使用字串操作來分割 MIME 類型和編碼圖片部分。接著,我們使用 mime.ExtensionByType 和 base64.DecodeString 函式擷取儲存檔案所需的資訊。
測試還原流程
現在,終於可以實際執行這個流程了!如果手邊沒有需要修復的舊相片,可以試試這張從美國國會圖書館網站取得的公有領域圖片:

以下是相片的直接連結,可傳遞至流程:https://tile.loc.gov/storage-services/service/pnp/fsa/8c01000/8c01700/8c01765v.jpg
export IMAGE_URL="https://tile.loc.gov/storage-services/service/pnp/fsa/8c01000/8c01700/8c01765v.jpg"
go run main.go --url $IMAGE_URL
以下是修復及上色後的輸出內容:

成功!
6. 將 glowUp 部署為網路服務
如果不想使用指令列應用程式,而是想在網路服務中公開流程,Genkit 提供了一種便利的方法,可使用 genkit.Handler 轉接器將流程轉換為端點。下列程式碼會使用 genkit.Handler,將 glowUp 流程註冊為 glowUp 端點。
您可以像平常一樣,使用標準程式庫中的 http 套件,透過一般 HTTP 伺服器公開這些函式,但 Genkit 也提供 server 外掛程式,可協助處理一些常見的伺服器樣板,例如妥善處理關機信號。
將 main.go 的內容替換為下列程式碼,建立網路伺服器。
package main
import (
"context"
"errors"
"fmt"
"log"
"net/http"
"os"
"github.com/firebase/genkit/go/ai"
"github.com/firebase/genkit/go/genkit"
"github.com/firebase/genkit/go/plugins/googlegenai"
"github.com/firebase/genkit/go/plugins/server"
)
func main() {
ctx := context.Background()
PORT := os.Getenv("PORT")
if PORT == "" {
PORT = "8080"
}
listenAddr := ":" + PORT
// Initialize Genkit with the Vertex AI plugin
g := genkit.Init(ctx,
genkit.WithPlugins(&googlegenai.VertexAI{}),
)
// Input schema for the glowUp flow
type Input struct {
URL string `json:"url,omitempty"`
ContentType string `json:"contentType,omitempty"`
}
genkit.DefineFlow(g, "glowUp", func(ctx context.Context, input Input) (string, error) {
prompt := genkit.LookupPrompt(g, "glowup")
if prompt == nil {
return "", errors.New("prompt 'glowup' not found")
}
resp, err := prompt.Execute(ctx, ai.WithInput(input))
if err != nil {
return "", fmt.Errorf("generation failed: %w", err)
}
return resp.Media(), nil
})
log.Printf("GlowUp Flow Server started. Listening on %s", listenAddr)
mux := http.NewServeMux()
for _, flow := range genkit.ListFlows(g) {
mux.HandleFunc("POST /"+flow.Name(), genkit.Handler(flow))
}
if err := server.Start(ctx, listenAddr, mux); err != nil {
// Check if the error is due to context cancellation
if ctx.Err() != nil {
log.Println("GlowUp server shutting down gracefully...")
return
}
log.Fatal(err)
}
}
您可以在本機或雲端執行這項服務。如要在本機執行,可以直接執行檔案,因為程式已完成,所以不需要透過 Genkit CLI 啟動。例如:
go run main.go
由於這項作業會封鎖,因此您需要啟動第二個終端機來測試。最快的方法是使用 curl 指令:
curl -sS -X POST http://localhost:8080/glowUp \
-H "Content-Type: application/json" \
-d '{"data":{"url": $IMAGE_URL, "contentType":"image/jpeg"}}' \
> result.json
由於這是伺服器回應,我們需要解碼 base64 圖片:
cat result.json | jq -r '.result' | awk -F ',' '{print $2}' | base64 -d > restored.png
將 Web 服務部署至 Cloud Run
雖然這個伺服器「在我的機器上運作」沒問題,但理想情況下,我們會將其部署到所有使用者都能存取的地方。如要部署這類服務,最方便的方法之一是使用 Cloud Run 的「從來源部署」功能。有了這項功能,您甚至不需要自行建構容器,一切都會自動完成。
如要使用從來源部署功能,將這項服務部署至 Cloud Run,請執行下列指令 (請將專案 ID 替換成您自己的 ID):
gcloud run deploy glowup --source . --region us-central1 --no-allow-unauthenticated --set-env-vars GOOGLE_GENAI_USE_VERTEXAI=True,GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION,GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT
部署作業會在幾分鐘內完成,完成後,您可以透過 curl 傳送其他要求,測試端點:
GLOWUP_URL=$(gcloud run services describe glowup --region us-central1 --format='value(status.url)')
curl -X POST "$GLOWUP_URL/glowUp" \
-H "Authorization: Bearer $(gcloud auth print-identity-token)" \
-H "Content-Type: application/json" \
-d "{\"data\":{\"url\":\"$IMAGE_URL\", \"contentType\":\"image/jpeg\"} }" \
> result.json
同樣地,我們需要解碼 base64 圖片:
cat result.json | jq -r '.result' | awk -F ',' '{print $2}' | base64 -d > restored_cloudrun.png
現在,您已擁有功能完整的相片修復網路伺服器!
選用:以「直覺式程式開發」建立用戶端應用程式
手動編寫程式碼很有趣,但如果你從未做過某種類型的專案,這也可能是一項挑戰。幸好,現在有程式設計代理可協助加快程序。
在這個步驟中,我們不會自行編寫程式碼,而是要求 Gemini CLI (或您偏好的程式設計代理) 幫忙。請使用下列提示:
GlowUp is a photo restoration service that takes a restoration request as input and returns a restored picture as output. Your task is to create a client application that uses this server to process image urls and save a restored file locally.
TODO:
- Write a CLI application that receives three arguments: an url (required), content type (optional, defaults to image/jpeg) and addr (server address, optional, defaults to localhost:8080)
- The CLI should send a POST request to the /glowUp endpoint in the server with the body '{"data":{"url": <url>, "contentType": <contentType>} }'
- The server response should be parsed by stripping the "data:" prefix. The remainder will have the format <mimeType>;base64,<encoded imageData>
- Extract the mime type and convert to a file extension using the mime package
- Extract the image data and decode it using the base64 package
Save a file named "restored" + the detected file extension
Acceptance Criteria:
- The client builds successfully
- Use the client to restore the image https://tile.loc.gov/storage-services/service/pnp/fsa/8c01000/8c01700/8c01765v.jpg
- Check that restored.png exists after processing the image above
代理可能需要稍微重組檔案,因為同一個模組中不能有兩個「main」函式。觀察其運作情形,並視需要提供伺服器程式碼或程式碼片段,引導其正確實作。
實驗室結束後的清理工作
7. 結語
恭喜!您已成功使用 Genkit 和 Nano Banana Pro 建構高擬真度相片修復應用程式,
在本程式碼實驗室中,您學會了如何:
- 設定環境,開發 Genkit Go 應用程式
- 使用
dotprompt建立多模態提示 - 使用提示詞範本建立 Genkit 流程
- 使用 Nano Banana Pro 處理圖片
- 將 Genkit 流程封裝為指令列應用程式和網路服務
- 將 Genkit 應用程式部署至 Cloud Run
測試完成後,請記得清理環境。
後續步驟
您可以繼續學習,探索這個平台上的其他程式碼實驗室,或自行改善 glowUp。
如果需要一些改善建議,可以嘗試以下做法:
- 啟用 glowUp CLI 以還原本機檔案
- 為 GlowUp 網路服務建立前端
- 自動偵測資料的 MIME 類型
- 執行其他類型的圖片處理 (從相片到繪圖、從繪圖到相片、從草圖到最終藝術作品等)。
- 建立或改良用戶端 (或許可以建構智慧型手機應用程式?)
一切都有無限可能!如果覺得獨自完成有點困難,可以隨時尋求 Gemini CLI 或 Antigravity 等程式設計代理的協助。如果想進一步發揮 Genkit 的功用,可以搭配使用程式設計代理和 Genkit MCP 伺服器,讓工作更輕鬆。
最後,如要存取這個存放區的完整程式碼,請前往這裡。
祝您編寫程式一切順利!