אפשר להשתמש ב-Gemini ב-Firebase במסוף Firebase כדי ליצור שאילתות ומוטציות שייכללו בקוד בצד הלקוח. מתארים בשפה טבעית את השאילתה או את המוטציה שרוצים ליצור, ו-Gemini ב-Firebase יספק את המקבילה שלהם ב-GraphQL. מריצים את הפלט ובודקים אותו במסוף Firebase, ולאחר מכן מעתיקים את השאילתות והמוטציות הסופיות לקוד.
מידע נוסף על שאילתות ומוטציות זמין במאמר סכימות, שאילתות ומוטציות של Data Connect.
איך AI assistance for Data Connect in the Firebase console משתמשת בנתונים שלכם
AI assistance for Data Connect in the Firebase console לא משתמש בהודעות ובתשובות שלכם כנתונים לאימון המודל שלו. מידע נוסף זמין במאמר איך Gemini ב-Google Cloud משתמש בנתונים שלכם.
הגדר את AI assistance for Data Connect in the Firebase console
כדי להגדיר עזרה מבוססת-AI ב-Data Connect, מפעילים את Gemini ב-Firebase כפי שמתואר במאמר הגדרת Gemini ב-Firebase, ולאחר מכן עוברים למאמר יצירת שאילתות וטרנספורמציות של GraphQL באמצעות Gemini ב-Firebase.
יצירת שאילתות ומוטציות של GraphQL באמצעות Gemini ב-Firebase
כדי להשתמש ב-AI assistance for Data Connect in the Firebase console כדי ליצור שאילתות GraphQL על סמך שפה טבעית:
פותחים את Data Connect בפרויקט ובוחרים את מקור הנתונים בקטע Services.
לוחצים על נתונים.
לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark.
בשדה הטקסט שמופיע, מתארים את השאילתה או המוטציה שרוצים ליצור בשפה טבעית ולוחצים על יצירה.
לדוגמה, אם אתם משתמשים במקור הנתונים של Movies שיש הפניה אליו ב מדריך למתחילים של Firebase Data Connect ובגרסה של Build with Data Connect Codelab, אתם יכולים לשאול את השאלה "Return the Top 5 מתאים של 2022, בסדר יורד לפי דירוג', שעשוי להחזיר תוצאה כמו בדוגמה הבאה:
query TopMovies2022 { movies(where: {releaseYear: {eq: 2022}}, orderBy: [{rating: DESC}], limit: 5) { id title rating releaseYear } }
בודקים את התשובה:
- אם התשובה נראית נכונה, לוחצים על Insert כדי להוסיף אותה לעורך הקוד.
- אם אפשר לשפר את התשובה, לוחצים על עריכה, מעדכנים את ההנחיה ולוחצים על יצירה מחדש.
אחרי שמאשרים את התגובה, מגדירים את הפרמטרים הבאים בקטע Parameters, אם רלוונטי:
- משתנים: אם השאילתה או המוטציה מכילות משתנים, מגדירים אותם כאן. אפשר להשתמש ב-JSON כדי להגדיר אותם, לדוגמה,
{"title":"The Matrix", "releaseYear":"1999"}
. - Authorization: בוחרים בהקשר ההרשאה (אדמין, מאומת או לא מאומת) שבעזרתו מריצים את השאילתה או את המוטציה.
- משתנים: אם השאילתה או המוטציה מכילות משתנים, מגדירים אותם כאן. אפשר להשתמש ב-JSON כדי להגדיר אותם, לדוגמה,
לוחצים על הפעלה בעורך הקוד ובודקים את התוצאות.
כדי לבדוק כמה שאילתות או מוטציות בכלי העריכה של הקוד, צריך לוודא שהן ניתנות לשמות. לדוגמה, השאילתה הבאה נקראת GetMovie
. מעבירים את הסמן לשורה הראשונה של השאילתה או השינוי כדי להפעיל את הלחצן Run.
query GetMovie($myKey: Movie_Key!) {
movie(key: $myKey) { title }
}
תרחישים לדוגמה ל-AI assistance for Data Connect in the Firebase console
בקטעים הבאים מתוארים תרחישים לדוגמה, כולל אחד שבו אפשר לבקש מ-Gemini לעזור לכם ליצור מוטציה כדי לאכלס את Data Connect, ואז להריץ שאילתה כדי לאמת את התוצאות.
- יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט של משתמש
- יצירת שאילתה שמציגה ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים
יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט של משתמש
בקטע הזה נסביר על דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL עבור מוטציה שאפשר להשתמש בה כדי לאכלס את מסד הנתונים. בדוגמה הזו נניח שאתם משתמשים בסכימה של מסד נתוני הסרטים שמופיעה במסמכי העזרה של Firebase Data Connect ובcodelab של Build with Data Connect.
במסוף Firebase, פותחים את Data Connect.
בוחרים את השירות ומקור הנתונים, ואז פותחים את הכרטיסייה נתונים.
לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:
Create a movie based on user input.
לוחצים על יצירה. המוטציה מוחזרת. לדוגמה, הפונקציה Gemini יכולה להחזיר מוטציה כמו:
mutation CreateMovie($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: $tags }) }
בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ולוחצים על יצירה מחדש.
לאחר מכן, לוחצים על Insert (הוספה) כדי להוסיף את המוטציה לעורך הנתונים.
כדי לבצע את המוטציה, צריך להוסיף משתנים. בקטע Parameters, פותחים את Variables ומוסיפים כמה משתני בדיקה:
{"title":"My amazing movie", "releaseYear":2024, "genre": "Comedy", "rating": 8, "description": "A new movie to test mutations", "imageUrl": "", "tags": ["comedy","space travel"]}
לוחצים על Run.
בשלב הבא יוצרים שאילתה שמאמתת שהסרט נוסף. לוחצים על Help me Write GraphQL pen_spark, ובתיבה שמופיעה, מקלידים את ההנחיה:
List all movies from 2024 that include all of thse tags: 'space travel', 'comedy'.
Gemini עשוי להחזיר תגובה כמו:
query ComedySpaceTravelMovies2024 @auth(level: PUBLIC) { movies( where: { releaseYear: { eq: 2024 }, tags: { includesAll: ["space travel", "comedy"] } } ) { id title imageUrl releaseYear genre rating description tags } }
מוסיפים ומריצים את השאילתה. הסרט שהוספתם אמור להופיע בשדה היסטוריה.
יצירת שאילתה שמציגה ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים
בקטע הזה נסביר על דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL לשאילתה. בדוגמה הזו ההנחה היא שאתם משתמשים במסד הנתונים של הסרט שמופיע במסמכי התיעוד של Firebase Data Connect וב-Build באמצעות Data Connect Codelab.
במסוף Firebase, פותחים את Data Connect.
בוחרים את השירות ומקור הנתונים, ואז פותחים את הכרטיסייה נתונים.
לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ומקלידים את השאילתה בתיבה שמופיעה:
List all movie reviews, based on user-configurable genre and ratings.
לוחצים על יצירה. השאילתה מוחזרת. לדוגמה, הפקודה Gemini יכולה להחזיר שאילתה כמו:
query ListReviewsByGenreAndRating($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 } }
בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ולוחצים על יצירה מחדש.
לאחר מכן, לוחצים על Insert (הוספה) כדי להוסיף את המוטציה לעורך הנתונים.
כדי לבדוק את השאילתה הזו, צריך להוסיף משתנים. בקטע Parameters (פרמטרים), פותחים את Variables (משתנים) ומצרפים את המשתנים לשימוש בבדיקה:
{"genre":"sci-fi", "minRating":4, "maxRating":9}
לוחצים על Run.
פתרון בעיות AI assistance for Data Connect in the Firebase console
אפשר לעיין במאמר פתרון בעיות ב-Gemini ב-Firebase.
תמחור
AI assistance for Data Connect in the Firebase console זמין כחלק מ-Gemini ב-Firebase, שנכלל ב-Gemini Code Assist. למידע נוסף, ראו תמחור של Gemini ב-Firebase.
השלבים הבאים
- מידע נוסף על שאילתות ומוטציות זמין במאמר Data Connect סכמות, שאילתות ומוטציות.
- מידע נוסף על Gemini ב-Firebase