ใช้ความช่วยเหลือจาก AI สําหรับสคีมา การค้นหา และการดัดแปลงของ Firebase Data Connect

คุณสามารถใช้ Gemini ใน Firebase เพื่อช่วยสร้างสคีมา คำค้นหา และ การเปลี่ยนแปลงที่จะรวมไว้ในโค้ดฝั่งไคลเอ็นต์

อธิบายแอปและสรุปโมเดลข้อมูล หรืออธิบายการค้นหาหรือการเปลี่ยนแปลง ที่คุณต้องการสร้างในภาษาที่เป็นธรรมชาติ แล้ว Gemini ใน Firebase จะ ให้ข้อมูลที่เทียบเท่ากับ GraphQL แก่คุณ

ความช่วยเหลือจาก AI นี้พร้อมให้บริการในบริบทการพัฒนาหลายอย่าง ดังนี้

  • ในFirebaseคอนโซล ให้เรียกใช้และทดสอบเอาต์พุต ทำให้สคีมาและการดำเนินการใช้งานจริง และซิงค์กับสภาพแวดล้อมการพัฒนาในเครื่อง
  • ในเครื่อง ในส่วนขยาย Data Connect VS Code ของเรา ให้ออกแบบ เรียกใช้ และทดสอบโดยใช้ Gemini Code Assist กับฐานข้อมูล PostgreSQL และโปรแกรมจำลองในเครื่อง

ดูข้อมูลเพิ่มเติมเกี่ยวกับการค้นหาและการเปลี่ยนแปลงได้ที่Data Connectสคีมา การค้นหา และการเปลี่ยนแปลง

วิธีที่ AI assistance for Data Connect ใช้ข้อมูลของคุณ

ดูข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ Gemini ใน Firebase ใช้ข้อมูลของคุณได้ที่วิธีที่ Gemini ใน Firebase ใช้ข้อมูลของคุณ

ตั้งค่า AI assistance for Data Connect

หากต้องการตั้งค่าความช่วยเหลือจาก AI ใน Data Connect ให้เปิดใช้ Gemini ใน Firebase ตามที่อธิบายไว้ในตั้งค่า Gemini ใน Firebase จากนั้นไปที่สร้างการค้นหาและการเปลี่ยนแปลง GraphQL ด้วย Gemini ใน Firebase

สร้างสคีมา การค้นหา และการเปลี่ยนแปลง GraphQL ด้วย Gemini ใน Firebase

ความช่วยเหลือจาก AI สำหรับ Data Connect พร้อมให้บริการในหลายบริบทและในเวิร์กโฟลว์ต่างๆ ของคุณ

สร้างแอปใหม่ รวมถึงสคีมาและการดำเนินการเริ่มต้นในFirebaseคอนโซล

เมื่อสร้างโปรเจ็กต์ Firebase ใหม่และตั้งค่าเพื่อพัฒนาแอปใหม่ Firebaseคอนโซลจะเสนอความช่วยเหลือจาก AI โดยอัตโนมัติสำหรับการสร้างสคีมาและการดำเนินการ

ขั้นตอนการตั้งค่านี้ช่วยให้คุณอธิบายแอปและรับความช่วยเหลือจาก AI ได้ดังนี้

  • สร้างสคีมา Data Connect ที่สมบูรณ์
  • สร้างชุดการค้นหาและการเปลี่ยนแปลงหลักที่มีประโยชน์ซึ่งคุณสามารถผสานรวม กับโค้ดฝั่งไคลเอ็นต์ได้

คุณซิงค์ทรัพยากรเหล่านี้ที่สร้างในคอนโซลกับสภาพแวดล้อมการพัฒนาในเครื่องเพื่อผสานรวมกับไคลเอ็นต์ต่อไป

เวิร์กโฟลว์นี้อธิบายไว้ในคู่มือเริ่มต้นใช้งาน

เพิ่มการค้นหาและการเปลี่ยนแปลงใหม่เพื่อเรียกใช้ในFirebaseคอนโซล

วิธีใช้ AI assistance for Data Connect เพื่อสร้าง GraphQL ตามภาษาธรรมชาติ

  1. เปิด Data Connect ในโปรเจ็กต์ แล้วเลือกแหล่งข้อมูลในส่วนบริการ

  2. คลิกข้อมูล

  3. คลิกไอคอนช่วยฉันเขียน GraphQLpen_spark

  4. ในช่องข้อความที่ปรากฏขึ้น ให้ใช้ภาษาพูดอธิบายการค้นหาหรือการเปลี่ยนแปลงที่ต้องการสร้าง แล้วคลิกสร้าง

    ตัวอย่างเช่น หากคุณใช้แหล่งข้อมูลภาพยนตร์ที่อ้างอิงใน Codelab "สร้างด้วย Data Connect (เว็บ)" คุณอาจถามว่า "แสดงภาพยนตร์ 5 อันดับแรกของปี 2022 โดยเรียงตามคะแนนจากมากไปน้อย" ซึ่งอาจแสดงผลลัพธ์ดังต่อไปนี้

    query TopMovies2022 {
  movies(where: {releaseYear: {eq: 2022}}, orderBy: [{rating: DESC}], limit: 5) {
    id
    title
    rating
    releaseYear
  }
}

  5. ตรวจสอบคำตอบโดยทำดังนี้

    • หากคำตอบดูถูกต้อง ให้คลิกแทรกเพื่อแทรกคำตอบ ลงในเครื่องมือแก้ไขโค้ด
    • หากปรับแต่งคำตอบได้ ให้คลิกแก้ไข อัปเดตพรอมต์ แล้วคลิกสร้างใหม่

  6. หลังจากยอมรับคำตอบแล้ว ให้ตั้งค่าต่อไปนี้ในส่วนพารามิเตอร์ (หากมี)

    • ตัวแปร: หากการค้นหาหรือการเปลี่ยนแปลงมีตัวแปร ให้กำหนดตัวแปรที่นี่ ใช้ JSON เพื่อกำหนดค่า เช่น {"title":"The Matrix", "releaseYear":"1999"}
    • การให้สิทธิ์: เลือกบริบทการให้สิทธิ์ (ผู้ดูแลระบบ ผู้ใช้ที่ผ่านการตรวจสอบสิทธิ์ หรือผู้ใช้ที่ไม่ผ่านการตรวจสอบสิทธิ์) ที่จะใช้ เรียกใช้การค้นหาหรือการเปลี่ยนแปลง

  7. คลิกเรียกใช้ในตัวแก้ไขโค้ดและตรวจสอบผลลัพธ์

หากต้องการทดสอบการค้นหาหรือการเปลี่ยนแปลงหลายรายการในเครื่องมือแก้ไขโค้ด ให้ตรวจสอบว่ามีการตั้งชื่อการค้นหาหรือการเปลี่ยนแปลงเหล่านั้น เช่น คิวรีต่อไปนี้มีชื่อว่า GetMovie เลื่อนเคอร์เซอร์ไปที่บรรทัดแรกของคําค้นหาหรือการเปลี่ยนแปลงเพื่อเปิดใช้งานปุ่มเรียกใช้ 

query GetMovie($myKey: Movie_Key!) {
  movie(key: $myKey) { title }
}

สร้างสคีมาและการดำเนินการเริ่มต้นระหว่างการสร้างต้นแบบในเครื่อง

ความช่วยเหลือจาก AI พร้อมให้บริการตั้งแต่ Gemini Code Assist สำหรับงานต้นแบบในเครื่องของคุณเมื่อใช้ Visual Studio Code และส่วนขยาย Data Connect VS Code ของเรา

ส่วนขยายนี้ช่วยให้คุณอธิบายแอปและทำสิ่งต่อไปนี้ได้ Gemini Code Assist

  • สร้างสคีมา Data Connect ที่สมบูรณ์
  • สร้างชุดการค้นหาและการเปลี่ยนแปลงหลักที่มีประโยชน์ซึ่งคุณสามารถผสานรวม กับโค้ดฝั่งไคลเอ็นต์ได้

เวิร์กโฟลว์นี้อธิบายไว้ในคู่มือเริ่มต้นใช้งานสำหรับการสร้างต้นแบบในเครื่อง

ใช้เซิร์ฟเวอร์ MCP ของ Firebase ในการสร้างต้นแบบในเครื่อง

เซิร์ฟเวอร์ MCP ของ Firebase ที่มีให้ใน FirebaseCLI ช่วยให้เครื่องมือพัฒนาที่ทำงานด้วยระบบ AI สามารถทำงานกับโปรเจ็กต์ Firebase ได้ เซิร์ฟเวอร์ MCP ของ Firebase ทำงานร่วมกับ IDE ของผู้ช่วย AI ที่ทำหน้าที่เป็นไคลเอ็นต์ MCP ได้ ซึ่งรวมถึง Cursor, Visual Studio Code Copilot และ Windsurf Editor

คุณใช้เซิร์ฟเวอร์ MCP เพื่อสร้างสคีมา การค้นหา และการเปลี่ยนแปลง รวมถึง รวบรวมข้อมูลเพื่อดำเนินการทั่วไปด้วย Firebase CLI ได้

วิธีใช้เซิร์ฟเวอร์ MCP

  1. ติดตั้งเซิร์ฟเวอร์ตามคำแนะนำนี้
  2. เรียกใช้dataconnect_generate_schemaเครื่องมือ อธิบายแอป และตรวจสอบ สคีมาที่แนะนำซึ่งเป็นผลลัพธ์
  3. เรียกใช้dataconnect_generate_operationเครื่องมือ อธิบายการดำเนินการที่ต้องการทำกับสคีมา และตรวจสอบคำสั่งหรือการเปลี่ยนแปลงที่แนะนำซึ่งเป็นผลลัพธ์

ดูData Connectเครื่องมือเพิ่มเติมได้ที่ คู่มือเซิร์ฟเวอร์ MCP

AI assistance for Data Connectกรณีการใช้งานเพิ่มเติม

ส่วนต่อไปนี้จะอธิบายตัวอย่าง Use Case ซึ่งรวมถึงกรณีที่คุณ ขอให้ Gemini ช่วยสร้างการเปลี่ยนแปลงเพื่อป้อนข้อมูลData Connect แล้วจึงค้นหาเพื่อยืนยันผลลัพธ์

สร้างการเปลี่ยนแปลงที่จะเพิ่มภาพยนตร์ลงในฐานข้อมูลตามข้อมูลที่ผู้ใช้ป้อน

ในส่วนนี้ คุณจะได้ดูตัวอย่างการใช้ภาษาง่ายๆ เพื่อสร้าง GraphQL สำหรับการเปลี่ยนแปลงที่คุณใช้เพื่อป้อนข้อมูลในฐานข้อมูลได้ ตัวอย่างนี้ถือว่าคุณใช้สคีมาฐานข้อมูลภาพยนตร์ที่ใช้ในเอกสารประกอบของ Firebase Data Connect และ Codelab "สร้างด้วย Data Connect (เว็บ)"

  1. จากคอนโซล Firebase ให้เปิด Data Connect

  2. เลือกบริการและแหล่งข้อมูล แล้วเปิดแท็บข้อมูล

  3. คลิกไอคอนช่วยฉันเขียน GraphQLpen_spark แล้วพิมพ์คำค้นหาในช่องที่ปรากฏขึ้น

    Create a movie based on user input.

  4. คลิกสร้าง ระบบจะแสดงผลการเปลี่ยนแปลง ตัวอย่างเช่น Gemini อาจแสดงผลการเปลี่ยนแปลงต่อไปนี้

    mutation CreateMovie($title: String!, $releaseYear: Int!, $genre: String!, $rating: Float!, $description: String!, $imageUrl: String!, $tags: [String!] = []) @auth(level: USER) {
  movie_insert(data: {
    title: $title,
    releaseYear: $releaseYear,
    genre: $genre,
    rating: $rating,
    description: $description,
    imageUrl: $imageUrl,
    tags: $tags
  })
}

  5. ตรวจสอบเอาต์พุต หากจำเป็น ให้คลิกแก้ไขเพื่อปรับแต่งพรอมต์ แล้วคลิกสร้างใหม่

  6. จากนั้นคลิกแทรกเพื่อแทรกการเปลี่ยนแปลงลงในเอดิเตอร์ข้อมูล

  7. คุณจะต้องเพิ่มตัวแปรเพื่อเรียกใช้การเปลี่ยนแปลง จากส่วนพารามิเตอร์ ให้เปิดตัวแปรและใส่ตัวแปรทดสอบบางรายการ

    {"title":"My amazing movie", "releaseYear":2024, "genre": "Comedy",
"rating": 8, "description": "A new movie to test mutations",
"imageUrl": "", "tags": ["comedy","space travel"]}

  8. คลิกเรียกใช้

  9. จากนั้นสร้างคำค้นหาที่ยืนยันว่ามีการเพิ่มภาพยนตร์ของคุณแล้ว คลิกช่วยฉันเขียน GraphQL pen_spark แล้วพิมพ์พรอมต์ในช่องที่ปรากฏขึ้น

    List all movies from 2024 that include all of these tags: 'space travel', 'comedy'.

    Gemini อาจแสดงคำตอบดังต่อไปนี้

    query ComedySpaceTravelMovies2024 @auth(level: PUBLIC) {
  movies(
    where: {
    releaseYear: { eq: 2024 },
    tags: { includesAll: ["space travel", "comedy"] }
    }
  ) {
      id
      title
      imageUrl
      releaseYear
      genre
      rating
      description
      tags
    }
}

  10. แทรกและเรียกใช้การค้นหา ภาพยนตร์ที่คุณเพิ่มควรปรากฏในช่องประวัติ

สร้างคําค้นหาที่แสดงรีวิวตามประเภทและคะแนนที่ผู้ใช้ระบุ

ในส่วนนี้ คุณจะได้ดูตัวอย่างการใช้ภาษาธรรมชาติ เพื่อสร้าง GraphQL สำหรับการค้นหา ตัวอย่างนี้ถือว่าคุณใช้ฐานข้อมูลภาพยนตร์ที่ใช้ในเอกสารประกอบFirebase Data ConnectและCodelab "สร้างด้วย Data Connect (เว็บ)"

  1. จากคอนโซล Firebase ให้เปิด Data Connect

  2. เลือกบริการและแหล่งข้อมูล แล้วเปิดแท็บข้อมูล

  3. คลิกไอคอนช่วยฉันเขียน GraphQLpen_spark แล้วพิมพ์การค้นหาในช่องที่ปรากฏขึ้น 

    List all movie reviews, based on user-configurable genre and ratings.

  4. คลิกสร้าง ระบบจะแสดงผลการค้นหา เช่น Gemini อาจแสดงผลการค้นหาต่อไปนี้

    query ListReviewsByGenreAndRating($genre: String, $minRating: Int, $maxRating: Int) @auth(level: PUBLIC) {
  reviews(where: {
    movie: {
      genre: {eq: $genre}
    },
    rating: {ge: $minRating, le: $maxRating}
  }) {
    id
    user {
      username
    }
    movie {
      title
      genre
    }
    rating
    reviewText
    reviewDate
  }
}

  5. ตรวจสอบเอาต์พุต หากจำเป็น ให้คลิกแก้ไขเพื่อปรับแต่งพรอมต์ แล้วคลิกสร้างใหม่

  6. จากนั้นคลิกแทรกเพื่อแทรกการเปลี่ยนแปลงลงในเอดิเตอร์ข้อมูล

  7. หากต้องการทดสอบคําค้นหานี้ คุณจะต้องเพิ่มตัวแปร จากส่วนพารามิเตอร์ ให้เปิดตัวแปรและใส่ตัวแปรที่จะใช้ในการทดสอบ

    {"genre":"sci-fi", "minRating":4, "maxRating":9}

  8. คลิกเรียกใช้

ออกแบบพรอมต์เพื่อใช้กับเครื่องมือความช่วยเหลือจาก AI ของบุคคลที่สาม

เช่นเดียวกับเครื่องมือและเอเจนต์ความช่วยเหลือจาก AI ทั้งหมด พรอมต์ของคุณยิ่งดีเท่าไร เอาต์พุตก็จะยิ่งมีประโยชน์มากขึ้นเท่านั้น

เมื่อคุณระบุพรอมต์ภาษาที่เป็นธรรมชาติให้กับ Gemini ใน Firebase เบื้องหลัง ผู้ช่วยจะแปลข้อมูลที่คุณป้อนเป็นพรอมต์ที่ ได้รับการพัฒนาอย่างเต็มรูปแบบมากขึ้น

หากคุณไม่ได้ใช้ Gemini ใน Firebase หรือความช่วยเหลือจาก AI อื่นๆ ของ Firebase และใช้เครื่องมือ AI ของบุคคลที่สาม เช่น Cursor หรือ Windsurf คุณจะได้รับ คำแนะนำที่ดียิ่งขึ้นเกี่ยวกับ Data Connect โดยใช้พรอมต์ที่คล้ายกัน ซึ่งมีรายละเอียดครบถ้วน

เราได้เผยแพร่เทมเพลตพรอมต์ให้คุณดาวน์โหลด ปรับเปลี่ยน และคัดลอกลงใน IDE

หลังจากดาวน์โหลดและแก้ไขแล้ว ให้สร้างพรอมต์ในเครื่องมือที่คุ้นเคย (เช่น Cursor หรือ Windsurf) ดังนี้

  • ใน Cursor (โปรดอ่านวิธีการล่าสุดจาก Cursor)

    1. คลิกไอคอนการตั้งค่าที่ด้านขวาบน
    2. เลือกแท็บกฎ
    3. ในส่วนกฎของโปรเจ็กต์ ให้คลิกปุ่มเพิ่มกฎใหม่
    4. คัดลอกและวางกฎ

  • ใน Windsurf (โปรดอ่านวิธีการล่าสุดจาก Windsurf)

    1. เปิดหน้าต่างแบบเรียงซ้อนโดยคลิกปุ่มเรียงซ้อนที่มุมขวาบน
    2. คลิกไอคอนการปรับแต่งในเมนูแถบเลื่อนด้านขวาบนใน Cascade จากนั้นไปที่แผงกฎ
    3. คลิกปุ่ม + ทั่วโลกหรือ + พื้นที่ทำงาน เพื่อสร้างกฎใหม่ที่ระดับส่วนกลางหรือระดับพื้นที่ทำงานตามลำดับ
    4. คัดลอกและวางกฎ

แก้ปัญหา AI assistance for Data Connect

โปรดดูแก้ปัญหา Gemini ใน Firebase

ราคา

AI assistance for Data Connect พร้อมให้บริการเป็นส่วนหนึ่งของ Gemini ใน Firebase ซึ่งรวมไว้สำหรับผู้ใช้ทั่วไป

ดูข้อมูลเพิ่มเติมได้ที่การกำหนดราคาของ Gemini ใน Firebase

ขั้นตอนถัดไป