Korzystanie z pomocy AI w przypadku schematów, zapytań i mutacji Firebase Data Connect

Możesz używać Gemini w Firebase do tworzenia schematów, zapytań i mutacji, które możesz uwzględnić w kodzie po stronie klienta.

Opisz aplikację i podsumuj jej model danych lub opisz zapytanie lub mutację, które chcesz wygenerować w języku naturalnym, a Gemini Firebase poda Ci jego odpowiednik w GraphQL.

Ta pomoc oparta na AI jest dostępna w wielu kontekstach programistycznych:

  • W konsoli Firebase uruchom i przetestuj dane wyjściowe, wdróż schemat i operacje w środowisku produkcyjnym oraz zsynchronizuj je z lokalnym środowiskiem programistycznym.
  • Lokalnie, w rozszerzeniu Data Connect VS Code, projektuj, uruchamiaj i testuj za pomocą Gemini Code Assist z lokalną bazą danych PostgreSQL i emulatorem.

Więcej informacji o zapytaniach i mutacjach znajdziesz w artykule Data Connect Schematy, zapytania i mutacje.

Jak AI assistance for Data Connect wykorzystuje Twoje dane

Więcej informacji o tym, jak Gemini w Firebase wykorzystuje Twoje dane, znajdziesz w artykule Jak Gemini w Firebase korzysta z Twoich danych.

Skonfiguruj usługę AI assistance for Data Connect

Aby skonfigurować pomoc AI w Data Connect, włącz Gemini w Firebase zgodnie z opisem w artykule Konfigurowanie Gemini w Firebase, a następnie przejdź do sekcji Generowanie zapytań i mutacji GraphQL za pomocą Gemini w Firebase.

Generowanie schematów, zapytań i mutacji GraphQL za pomocą Gemini w Firebase

Pomoc AI w Data Connect jest dostępna w wielu kontekstach i w wielu przepływach pracy.

Tworzenie nowej aplikacji oraz jej początkowego schematu i operacji w konsoli Firebase

Gdy utworzysz nowy projekt Firebase i skonfigurujesz go pod kątem tworzenia nowej aplikacji, konsola automatycznie zaoferuje Ci pomoc AI w generowaniu schematu i operacji.Firebase

Ten proces konfiguracji umożliwia opisanie aplikacji, a następnie skorzystanie z pomocy AI:

  • Generuje kompletny schemat Data Connect
  • Generuje przydatny, podstawowy zestaw zapytań i mutacji, które możesz następnie zintegrować z kodem klienta.

Zsynchronizuj te zasoby utworzone w konsoli z lokalnym środowiskiem programistycznym, aby kontynuować integrację z klientami.

Ten przepływ pracy opisaliśmy w przewodniku dla początkujących.

Dodawanie nowych zapytań i mutacji do uruchamiania w konsoli Firebase

Aby użyć AI assistance for Data Connect do wygenerowania kodu GraphQL na podstawie języka naturalnego:

  1. Otwórz Data Connect w projekcie i w sekcji Usługi wybierz źródło danych.

  2. Kliknij Dane.

  3. Kliknij ikonę Pomóż mi pisać w GraphQLpen_spark.

  4. W wyświetlonym polu tekstowym opisz w języku naturalnym zapytanie lub mutację, które chcesz wygenerować, i kliknij Wygeneruj.

    Jeśli na przykład korzystasz ze źródła danych Movies, do którego odwołuje się samouczek „Tworzenie aplikacji za pomocą Data Connect (internet)”, możesz zadać pytanie: „Zwróć 5 najlepszych filmów z 2022 roku, posortowanych malejąco według oceny”. W odpowiedzi możesz otrzymać np. takie wyniki:

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

  5. Sprawdź odpowiedź:

    • Jeśli odpowiedź wygląda prawidłowo, kliknij Wstaw, aby wstawić ją do edytora kodu.
    • Jeśli odpowiedź można ulepszyć, kliknij Edytuj, zaktualizuj prompt i kliknij Wygeneruj ponownie.

  6. Po zaakceptowaniu odpowiedzi w sekcji Parametry ustaw te wartości (w odpowiednich przypadkach):

    • Zmienne: jeśli zapytanie lub mutacja zawiera zmienne, zdefiniuj je tutaj. Do ich definiowania używaj formatu JSON, np. {"title":"The Matrix", "releaseYear":"1999"}.
    • Autoryzacja: wybierz kontekst autoryzacji (Administrator, Uwierzytelniony lub Nieuwierzytelniony), w którym chcesz uruchomić zapytanie lub mutację.

  7. W edytorze kodu kliknij Uruchom i sprawdź wyniki.

Aby przetestować wiele zapytań lub mutacji w edytorze kodu, upewnij się, że mają one nazwy. Na przykład to zapytanie ma nazwę GetMovie. Umieść kursor w pierwszym wierszu zapytania lub mutacji, aby aktywować przycisk Uruchom.

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

Tworzenie wstępnego schematu i operacji podczas lokalnego prototypowania

Pomoc AI jest dostępna od Gemini Code Assist w przypadku lokalnych prac nad prototypami, gdy używasz Visual Studio Code i naszego rozszerzenia Data Connect VS Code.

Rozszerzenie umożliwia opisanie aplikacji, a następnie:Gemini Code Assist

  • Generuje kompletny schemat Data Connect
  • Generuje przydatny, podstawowy zestaw zapytań i mutacji, które możesz następnie zintegrować z kodem klienta.

Ten przepływ pracy opisaliśmy w naszym przewodniku dla początkujących dotyczącym lokalnego prototypowania.

Korzystanie z serwera MCP Firebase w lokalnym prototypowaniu

Serwer MCP Firebase, dostępny w Firebasewierszu poleceń, umożliwia narzędziom deweloperskim opartym na AI pracę z Twoimi projektami Firebase. Serwer Firebase MCP współpracuje z dowolnym środowiskiem IDE asystenta AI, które może działać jako klient MCP, w tym z Cursor, Visual Studio Code Copilot i Windsurf Editor.

Serwer MCP może generować schematy, zapytania i mutacje oraz zbierać dane wejściowe do wykonywania typowych operacji za pomocą interfejsu wiersza poleceń Firebase.

Aby korzystać z serwera MCP:

  1. Zainstaluj serwer, postępując zgodnie z tym przewodnikiem.
  2. Wywołaj narzędzie dataconnect_generate_schema, opisz aplikację i sprawdź wynikowy zalecany schemat.
  3. Wywołaj narzędzie dataconnect_generate_operation, opisz operację, którą chcesz wykonać na schemacie, i sprawdź wynikowe zalecane zapytanie lub mutację.

Więcej Data Connect narzędzi znajdziesz w przewodniku po serwerze MCP.

Więcej AI assistance for Data Connect przypadków użycia

W kolejnych sekcjach opisujemy przykładowe zastosowania, w tym takie, w których możesz poprosić Gemini o pomoc w utworzeniu mutacji, aby wypełnić Data Connect, a następnie wysłać zapytanie w celu sprawdzenia wyników.

Utwórz mutację, która dodaje film do bazy danych na podstawie danych wprowadzonych przez użytkownika.

W tej sekcji znajdziesz przykład użycia języka naturalnego do wygenerowania kodu GraphQL dla mutacji, której możesz użyć do wypełnienia bazy danych. W tym przykładzie założono, że używasz schematu bazy danych filmów, który jest używany w Firebase Data Connectdokumentacji i samouczku „Tworzenie aplikacji za pomocą Data Connect (internet)”.

  1. Na Firebasekonsoli otwórz Data Connect.

  2. Wybierz usługę i źródło danych, a następnie otwórz kartę Dane.

  3. Kliknij ikonę Pomóż mi pisać w GraphQLpen_spark i w wyświetlonym polu wpisz zapytanie:

    Create a movie based on user input.

  4. Kliknij Wygeneruj. Zwracana jest mutacja. Na przykład Gemini może zwrócić mutację w postaci:

    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. Sprawdź dane wyjściowe. W razie potrzeby kliknij Edytuj, aby doprecyzować prompt, a następnie kliknij Wygeneruj ponownie.

  6. Następnie kliknij Wstaw, aby wstawić zmianę w edytorze danych.

  7. Aby wykonać mutację, musisz dodać zmienne. W sekcji Parametry otwórz Zmienne i uwzględnij kilka zmiennych testowych:

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

  8. Kliknij Wykonaj.

  9. Następnie utwórz zapytanie, które sprawdzi, czy film został dodany. Kliknij Pomóż mi napisać zapytanie GraphQL pen_spark i w wyświetlonym polu wpisz prompt:

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

    Gemini może zwrócić odpowiedź podobną do tej:

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

  10. Wstaw i uruchom zapytanie. Dodany film powinien pojawić się w polu Historia.

Utwórz zapytanie, które wyświetla recenzje na podstawie podanego przez użytkownika gatunku i ocen.

W tej sekcji znajdziesz przykład użycia języka naturalnego do wygenerowania kodu GraphQL na potrzeby zapytania. W tym przykładzie zakładamy, że używasz bazy danych filmów, która jest używana w Firebase Data Connectdokumentacji i samouczku „Tworzenie aplikacji za pomocą Data Connect (internet)”.

  1. Na Firebasekonsoli otwórz Data Connect.

  2. Wybierz usługę i źródło danych, a następnie otwórz kartę Dane.

  3. Kliknij ikonę Pomóż mi pisać w GraphQLpen_spark i w wyświetlonym polu wpisz zapytanie:

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

  4. Kliknij Wygeneruj. Zapytanie zostanie zwrócone. Na przykład Gemini może zwrócić zapytanie w tym stylu:

    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. Sprawdź dane wyjściowe. W razie potrzeby kliknij Edytuj, aby doprecyzować prompt, a następnie kliknij Wygeneruj ponownie.

  6. Następnie kliknij Wstaw, aby wstawić zmianę w edytorze danych.

  7. Aby przetestować to zapytanie, musisz dodać zmienne. W sekcji Parametry otwórz Zmienne i uwzględnij zmienne, które chcesz wykorzystać do testowania:

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

  8. Kliknij Wykonaj.

Tworzenie promptów do użycia z narzędziami innych firm opartymi na AI

Podobnie jak w przypadku wszystkich narzędzi i agentów opartych na AI, im lepsze prompty, tym bardziej przydatne wyniki.

Gdy podajesz Gemini w Firebaseprompty w języku naturalnym, asystent tłumaczy je w tle na bardziej rozbudowane prompty.

Jeśli nie korzystasz z Gemini w Firebase ani z innych funkcji AI w Firebase i używasz narzędzi AI innych firm, takich jak Cursor czy Windsurf, możesz uzyskać lepsze rekomendacje dotyczące Data Connect, stosując podobne, bardziej rozbudowane prompty.

Opublikowaliśmy szablony promptów, które możesz pobrać, dostosować i skopiować do środowiska IDE:

Po pobraniu i zmodyfikowaniu utwórz prompt w znanym narzędziu (np. Cursor lub Windsurf) w ten sposób:

  • W usłudze Cursor (zapoznaj się z najnowszymi instrukcjami dotyczącymi tej usługi):

    1. Kliknij ikonę ustawień w prawym górnym rogu.
    2. Wybierz kartę Reguły.
    3. W sekcji Reguły projektu kliknij przycisk Dodaj nową regułę.
    4. Skopiuj i wklej regułę.

  • W Windsurf (zapoznaj się z najnowszymi instrukcjami od Windsurf):

    1. Otwórz okno kaskadowe, klikając przycisk Kaskadowo w prawym górnym rogu.
    2. W menu suwaka w prawym górnym rogu w Cascade kliknij ikonę Dostosowywanie, a następnie przejdź do panelu Reguły.
    3. Kliknij przycisk + Globalne lub + Obszar roboczy, aby utworzyć nowe reguły na poziomie globalnym lub obszaru roboczego.
    4. Skopiuj i wklej regułę.

Rozwiązywanie problemów AI assistance for Data Connect

Zapoznaj się z sekcją Rozwiązywanie problemów z Gemini w Firebase.

Ceny

AI assistance for Data Connect jest dostępna w ramach Gemini w usłudze Firebase, która jest uwzględniona w przypadku użytkowników indywidualnych.

Więcej informacji znajdziesz w cenniku Gemini w Firebase.

Dalsze kroki