Firebase AI Logic

Firebase AI Logic 整合指南

最後更新: 2026-03-13

核心概念：兩種後端

Firebase AI Logic SDK (firebase_ai package) 提供兩種方式存取 Gemini：

安全性說明

googleAI() 的 API Key 不會暴露在前端。Firebase SDK 透過 Firebase proxy gateway 轉發請求到 Gemini Developer API，API Key 由 Firebase 後端管理。這跟直接在前端放 Gemini API Key 完全不同。

必要的 GCP API

必須在 GCP Console 啟用以下 API（針對 Firebase Project 所屬的 GCP Project）：

# 1. Firebase AI Logic API（核心）
gcloud services enable firebasevertexai.googleapis.com --project=PROJECT_ID

# 2. Gemini Developer API（googleAI() 後端需要）
gcloud services enable generativelanguage.googleapis.com --project=PROJECT_ID

兩個都要啟用，即使只用 googleAI()。firebasevertexai.googleapis.com 是 Firebase AI Logic SDK 的入口，generativelanguage.googleapis.com 是實際的 Gemini Developer API。

Firebase Console 設定

啟用 API 後，還需要在 Firebase Console 完成 AI Logic 設定：

1. 前往 https://console.firebase.google.com/project/PROJECT_ID/ailogic
2. 用正確的 Google 帳號登入（查 gcp-firebase-project-map skill 確認帳號）
3. 完成初始設定（Firebase 會自動產生 managed API Key）
4. 選擇 Gemini Developer API（非 Vertex AI）

Flutter 整合程式碼

import 'package:firebase_ai/firebase_ai.dart';

// Spark (免費) 方案 — 用 googleAI()
final model = FirebaseAI.googleAI().generativeModel(
  model: 'gemini-2.5-flash-lite',  // 輕量快速模型
  generationConfig: GenerationConfig(
    responseMimeType: 'application/json',
    maxOutputTokens: 1024,
    temperature: 0.1,
  ),
  systemInstruction: Content.text('你的系統指令...'),
);

// Blaze (付費) 方案 — 用 vertexAI()
final model = FirebaseAI.vertexAI().generativeModel(
  model: 'gemini-2.0-flash',
  // ... 同上
);

可用模型

注意: Gemini 2.5 用 thinkingBudget（整數），Gemini 3.x 用 thinkingLevel（enum）。

Token 優化策略（重要！）

1. ThinkingConfig — 控制思考 Token

firebase_ai 3.8.0+ 支援 ThinkingConfig，這是最有效的 token 節省方式。

import 'package:firebase_ai/firebase_ai.dart';

// ✅ 分類 / JSON 結構化輸出 → 關閉思考（節省 ~30% token）
final classifyModel = FirebaseAI.googleAI().generativeModel(
  model: 'gemini-2.5-flash-lite',
  generationConfig: GenerationConfig(
    temperature: 0.1,
    maxOutputTokens: 128,
    responseMimeType: 'application/json',
    thinkingConfig: ThinkingConfig.withThinkingBudget(0), // 🔑 關閉思考
    responseSchema: Schema.object(properties: { /* ... */ }),
  ),
);

// ✅ 聊天 / 對話 → 適度思考預算
final chatModel = FirebaseAI.googleAI().generativeModel(
  model: 'gemini-2.5-flash-lite',
  generationConfig: GenerationConfig(
    temperature: 0.2,
    maxOutputTokens: 512,
    thinkingConfig: ThinkingConfig.withThinkingBudget(1024), // 🔑 限制思考
  ),
);

// ✅ 複雜推理 → 不限制（預設）
final reasonModel = FirebaseAI.googleAI().generativeModel(
  model: 'gemini-2.5-pro',
  generationConfig: GenerationConfig(
    maxOutputTokens: 2048,
    // thinkingConfig 省略 = 使用預設預算
  ),
);

ThinkingConfig 選擇指南：

⚠️ 重要陷阱: gemini-2.5-flash-lite 預設關閉思考。如果你設 ThinkingConfig.withThinkingBudget(1024) 反而會開啟思考，增加 token 消耗！只有在你確實需要推理能力時才設定。

2. System Instruction 壓縮

使用 XML 標籤結構（Gemini 3.0+ 基準測試顯示 XML 比 Markdown 更不容易 instruction drift）：

const systemInstruction = '''
<identity>
你是 XX App 的 AI 助手。
</identity>

<knowledge>
## 知識區塊 A
內容用精簡格式：項目A/項目B/項目C（❌不要的：X/Y/Z）→處理步驟
</knowledge>

<rules>
1. 規則一
2. 規則二
</rules>
''';

壓縮技巧：

• 用 / 分隔同類項目，取代逐行列舉（省 ~40% token）
• 用 → 連接處理步驟
• 用 | 分隔平行選項
• 好/壞回答示範各給一個即可
• Schema description 越短越好（'物品名稱' 而非 '辨識出的物品名稱'）

3. Context 注入優化

動態注入到 user message 的上下文也要精簡：

// ❌ 浪費 token
'  - 車號 ABC-123：在你的東北方 1.2 km（1200 公尺），'
'車速 20 km/h，行駛中，2分鐘前更新，'
'GPS(25.0330, 121.5654)'

// ✅ 精簡（AI 不需要原始座標，方位+距離已足夠）
'  - 車號 ABC-123：東北方 1.2 km（1200 m），'
'車速 20 km/h，行駛中，2分鐘前更新'

4. maxOutputTokens 調配

5. Schema Description 精簡

// ❌ 冗長
Schema.string(description: '辨識出的物品名稱')
Schema.string(description: '分類原因（繁體中文，含回收前處理步驟）')
Schema.string(description: '回收建議（繁體中文，含去哪丟的建議）')

// ✅ 精簡
Schema.string(description: '物品名稱')
Schema.string(description: '分類原因（繁體中文，含處理步驟）')
Schema.string(description: '回收建議（繁體中文）')

常見錯誤與解法

"Firebase AI Logic API has not been used in project"

原因: 未啟用 firebasevertexai.googleapis.com
解法: gcloud services enable firebasevertexai.googleapis.com --project=PROJECT_ID

"Firebase AI Logic is missing a configured Gemini Developer API key"

原因: 未在 Firebase Console 完成 AI Logic 初始設定
解法: 前往 Firebase Console → AI Logic 頁面完成設定
      Firebase 會自動產生 managed API Key

"Model not found" / 404

原因: 模型名稱錯誤或該模型不支援 googleAI() 後端
解法: 確認模型名稱正確（如 gemini-2.5-flash-lite）
      確認用的是 googleAI() 還是 vertexAI()

"Permission denied" / 403

原因: Firebase project 方案不符（vertexAI 需要 Blaze）
      或 API 未啟用
      或 App Check debug token 未設定（debug build）
解法: 確認方案（Spark vs Blaze）
      確認兩個 API 都已啟用
      Debug 環境需註冊 App Check debug token（見下方）

App Check 整合（建議）

搭配 App Check 可防止未授權的 API 呼叫：

// 在 Firebase.initializeApp() 後啟用
await FirebaseAppCheck.instance.activate(
  androidProvider: AndroidProvider.playIntegrity,
  appleProvider: AppleProvider.appAttest,
);

Debug Token 注冊（Debug Build 必須）

Debug build 時 Play Integrity / App Attest 無法運作，需要手動註冊 debug token：

# 1. 用 UUID 產生 debug token
uuidgen | tr '[:upper:]' '[:lower:]'

# 2. 查出 Android/iOS 的 App ID
gcloud firebase apps:list --project=PROJECT_ID

# 3. 註冊 debug token（Android）
curl -X POST \
  "https://firebaseappcheck.googleapis.com/v1beta/projects/PROJECT_ID/apps/ANDROID_APP_ID/debugTokens" \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  -d '{"displayName":"dev-debug","token":"YOUR_UUID"}'

# 4. 同樣對 iOS 執行
# 5. 加入 .env：FIREBASE_DEBUG_TOKEN=YOUR_UUID
# 6. main.dart 中：
if (kDebugMode && debugToken.isNotEmpty) {
  await FirebaseAppCheck.instance.activate(
    androidProvider: AndroidProvider.debug,
    appleProvider: AppleProvider.debug,
  );
  await FirebaseAppCheck.instance.setTokenAutoRefreshEnabled(true);
}

絕對不要做的事

1. 不要在前端放 Gemini API Key — Firebase SDK 自動管理
2. 不要用 vertexAI() 在 Spark (免費) 方案 — 會直接報錯
3. 不要改 googleAI() 為 vertexAI() 來「修復」問題 — 這是不同的後端，不是修復
4. 不要假設模型名稱錯誤 — 先查文件確認，不要猜測
5. 不要忘記設 ThinkingConfig — 預設會消耗大量思考 token
6. 不要在 Schema description 寫長文 — 每個 description 都算 token

專案參考

Your Project Example

Related skills

• firebase-flutter-setup → firebase-appcheck-manager — complete Firebase setup before configuring AI Logic. AppCheck attestation is required for production AI Logic deployments.
• firebase-auth-manager — use alongside firebase-ai-logic for user-scoped AI features that require authentication.