שימוש בעזרה של AI לסכמות, לשאילתות ולמוטציות של Firebase Data Connect

אתם יכולים להשתמש ב-Gemini ב-Firebase כדי ליצור סכימות, שאילתות ושינויים שתוכלו לכלול בקוד בצד הלקוח.

אתם יכולים לתאר אפליקציה ולסכם את מודל הנתונים שלה, או לתאר שאילתה או מוטציה שאתם רוצים ליצור בשפה טבעית, ו-Gemini ב-Firebase יספק לכם את המקבילה שלה ב-GraphQL.

העזרה של ה-AI זמינה בהקשרים רבים של פיתוח:

• במסוף Firebase, מריצים את הפלט ובודקים אותו, פורסים את הסכימה והפעולות בסביבת הייצור ומסנכרנים אותם עם סביבת הפיתוח המקומית.
• באופן מקומי, בתוסף Data Connect VS Code, מעצבים, מריצים ובודקים באמצעות Gemini Code Assist עם מסד נתונים מקומי של PostgreSQL ואמולטור.

מידע נוסף על שאילתות ומוטציות זמין במאמר Data Connect סכימות, שאילתות ומוטציות.

איך AI assistance for Data Connect משתמש בנתונים שלכם

במאמר איך Gemini ב-Firebase משתמש בנתונים שלכם מוסבר איך Gemini ב-Firebase משתמש בנתונים שלכם.

הגדר את AI assistance for Data Connect

כדי להגדיר עזרה מבוססת-AI ב-Data Connect, צריך להפעיל את Gemini ב-Firebase כמו שמתואר במאמר הגדרת Gemini ב-Firebase, ואז להמשיך אל יצירת שאילתות ומוטציות של GraphQL באמצעות Gemini ב-Firebase.

חשוב: כדי ליצור שאילתות ומוטציות של Data Connect GraphQL באמצעות Gemini ב-Firebase, חברי הפרויקט צריכים להיות בתפקיד אדמין של API‏ (Firebase Data Connect) (roles/firebasedataconnect.admin), שנכלל בתפקיד הבעלים או העריכה ב-IAM.

יצירת סכימות, שאילתות ומוטציות של GraphQL באמצעות Gemini ב-Firebase

עזרה מבוססת-AI ל-Data Connect זמינה בהקשרים רבים ובתהליכי עבודה רבים.

חשוב: AI assistance for Data Connect היא טכנולוגיה בשלב מוקדם של פיתוח, ולכן יכול להיות שהיא תפיק פלט שנראה סביר אבל כולל עובדות שגויות. יכול להיות שהתשובות יכילו מידע לא מדויק שלא מייצג את הדעות של Google. מומלץ לאמת כל פלט של Gemini לפני שמשתמשים בו, ולא להשתמש בקוד שנוצר ולא נבדק לצורכי פיתוח. אל תזינו פרטים אישיים מזהים (PII) או נתוני משתמשים בהנחיה של עזרה בכתיבת GraphQL. מידע נוסף זמין במאמרים איך AI assistance for Data Connect משתמש בנתונים שלכם וGemini ב-Google Cloud ואתיקה של בינה מלאכותית.

יצירת אפליקציה חדשה והסכימה והפעולות הראשוניות שלה בFirebaseמסוף

כשיוצרים פרויקט חדש ב-Firebase ומגדירים פיתוח של אפליקציה חדשה, Firebase המסוף מציע באופן אוטומטי עזרה מבוססת-AI ליצירת סכימה ופעולות.

בתהליך ההגדרה הזה, אתם מתארים אפליקציה ואז נעזרים ב-AI כדי:

• יצירת סכימת Data Connect מלאה
• יוצר קבוצה שימושית של שאילתות ומוטציות שאפשר לשלב עם קוד הלקוח.

אתם מסנכרנים את המשאבים האלה שנוצרו במסוף עם סביבת הפיתוח המקומית כדי להמשיך בשילוב עם הלקוחות שלכם.

תהליך העבודה הזה מתואר במדריך לתחילת העבודה.

הוספת שאילתות ומוטציות חדשות להרצה במסוף Firebase

כדי להשתמש ב-AI assistance for Data Connect כדי ליצור GraphQL על סמך שפה טבעית:

1. פותחים את הקובץ Data Connect בפרויקט, ובקטע Services (שירותים) בוחרים את מקור הנתונים.

2. לוחצים על נתונים.

3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark.

4. בתוך שדה הטקסט שמופיע, מתארים בשפה טבעית את השאילתה או המוטציה שרוצים ליצור ולוחצים על יצירה.

   לדוגמה, אם אתם משתמשים במקור הנתונים Movies שמוזכר ב-codelab "Build with Data Connect (web)", תוכלו לשאול את השאלה Return the top five movies of 2022, in descending order by rating (הצגת חמשת הסרטים המובילים משנת 2022, בסדר יורד לפי דירוג), ותקבלו תוצאה כמו זו:

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

5. בודקים את התשובה:

   • אם התשובה נראית נכונה, לוחצים על הוספה כדי להוסיף את התשובה לכלי לעריכת קוד.
   • אם אפשר לשפר את התשובה, לוחצים על עריכה, מעדכנים את ההנחיה ולוחצים על יצירה מחדש.

6. אחרי שמאשרים את התשובה, מגדירים את הפרמטרים הבאים בקטע Parameters, אם רלוונטי:

   • משתנים: אם השאילתה או המוטציה מכילות משתנים, צריך להגדיר אותם כאן. משתמשים ב-JSON כדי להגדיר אותם, לדוגמה, {"title":"The Matrix", "releaseYear":"1999"}.
   • הרשאה: בוחרים את הקשר של ההרשאה (אדמין, מאומת או לא מאומת) שדרכו רוצים להריץ את השאילתה או את השינוי.
   אזהרה: אם מריצים מוטציה, צריך לבדוק אותה בקפידה לפני שמריצים אותה. הפעלת מוטציה בכלי לעריכת נתונים תגרום להפעלת הבקשה.

7. לוחצים על Run (הפעלה) בעורך הקוד ובודקים את התוצאות.

כדי לבדוק כמה שאילתות או מוטציות בכלי לעריכת קוד, צריך לוודא שיש להן שם. לדוגמה, השאילתה הבאה נקראת GetMovie. מזיזים את הסמן לשורה הראשונה של השאילתה או של השינוי כדי להפעיל את הלחצן Run.

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

יצירה של סכימה ופעולות ראשוניות במהלך אב טיפוס מקומי

אפשר לקבל עזרה מ-AI מ-Gemini Code Assist בעבודה על אב טיפוס מקומי כשמשתמשים ב-Visual Studio Code ובתוסף Data Connect VS Code שלנו.

התוסף מאפשר לכם לתאר אפליקציה ואז Gemini Code Assist:

• יצירת סכימת Data Connect מלאה
• יוצר קבוצה שימושית של שאילתות ומוטציות שאפשר לשלב עם קוד הלקוח.

הסבר על תהליך העבודה הזה מופיע במדריך לתחילת העבודה עם אבות טיפוס מקומיים.

שימוש בשרת Firebase MCP באב טיפוס מקומי

שרת ה-MCP של Firebase, שזמין בממשק שורת הפקודה (CLI) של Firebase, מאפשר לכלים מבוססי-AI לפיתוח לעבוד עם הפרויקטים שלכם ב-Firebase. שרת ה-MCP של Firebase פועל עם כל סביבת פיתוח משולבת (IDE) מבוססת-AI שיכולה לשמש כלקוח MCP, כולל Cursor,‏ Visual Studio Code Copilot ו-Windsurf Editor.

אפשר להשתמש בשרת MCP כדי ליצור סכימות, שאילתות ומוטציות, ולאסוף קלטים לביצוע פעולות נפוצות באמצעות Firebase CLI.

כדי להשתמש בשרת MCP:

1. מתקינים את השרת לפי המדריך הזה.
2. מפעילים את הכלי dataconnect_generate_schema, מתארים אפליקציה ובודקים את הסכימה המומלצת שמתקבלת.
3. מפעילים את הכלי dataconnect_generate_operation, מתארים פעולה שרוצים לבצע בסכימה ובודקים את השאילתה או המוטציה המומלצת שמתקבלת.

מידע נוסף על כלים של Data Connect זמין במדריך לשרת MCP.

AI assistance for Data Connect תרחישים נוספים לדוגמה

בקטעים הבאים מתוארים תרחישים לדוגמה, כולל תרחיש שבו אפשר לבקש מ-Gemini לעזור לכם ליצור מוטציה כדי לאכלס את Data Connect, ואז לשלוח שאילתה כדי לאמת את התוצאות.

• יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט מהמשתמש
• יצירת שאילתה שמציגה רשימה של ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים

יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט משתמש

בקטע הזה נציג דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL למוטציה שאפשר להשתמש בה כדי לאכלס את מסד הנתונים. בדוגמה הזו אנחנו מניחים שאתם משתמשים בסכימה של מסד הנתונים של הסרטים שמופיעה במסמכי התיעוד של Firebase Data Connect וב-codelab "Build with Data Connect (web)".

אזהרה: הפעלת מוטציה בכלי לעריכת נתונים תבצע את המוטציה ועשויה לשנות את הנתונים.

1. במסוף Firebase, פותחים את Data Connect.

2. בוחרים את השירות ואת מקור הנתונים ופותחים את הכרטיסייה נתונים.

3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:

   Create a movie based on user input.
   

4. לוחצים על יצירה. המוטציה מוחזרת. לדוגמה, Gemini עשוי 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
     })
   }
   

5. בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ואז לוחצים על יצירה מחדש.

6. לאחר מכן לוחצים על הוספה כדי להוסיף את השינוי לכלי לעריכת נתונים.

7. כדי להפעיל 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"]}
   

8. לוחצים על Run.

   כדאי לדעת: אפשר גם לבקש מ-Gemini להרחיב את הפלט בדרכים שימושיות יותר. לדוגמה, כדי לכלול בתפוקה הערות והנחיה למקור, אפשר להשתמש בהנחיה 'יצירת סרט על סמך קלט משתמש. חשוב לכלול את ההנחיה"תתעד את השינוי ותכלול את ההנחיה הזו בתשובה שלך" כדי ש-Gemini ב-Firebase יכלול בתשובה הערות ואת הנחיית המקור.

9. לאחר מכן, יוצרים שאילתה שמאמתת שהסרט נוסף. לוחצים על עזרה בכתיבת GraphQL pen_spark ובתיבה שמופיעה מקלידים את ההנחיה:

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

   יכול להיות ש-Gemini יחזיר תשובה כמו זו:

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

10. מוסיפים את השאילתה ומריצים אותה. הסרט שהוספתם אמור להופיע בשדה היסטוריה.

יצירת שאילתה שמציגה רשימה של ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים

בקטע הזה נסביר איך להשתמש בשפה טבעית כדי ליצור GraphQL לשאילתה. בדוגמה הזו אנחנו מניחים שאתם משתמשים במסד הנתונים של הסרטים שמופיע במסמכי התיעוד של Firebase Data Connect וב-codelab‏ 'Build with Data Connect (web)'.

1. במסוף Firebase, פותחים את Data Connect.

2. בוחרים את השירות ואת מקור הנתונים ופותחים את הכרטיסייה נתונים.

3. לוחצים על הסמל עזרה בכתיבת GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:

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

4. לוחצים על יצירה. השאילתה מוחזרת. לדוגמה, יכול להיות ש-Gemini יחזיר שאילתה כזו:

   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. בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ואז לוחצים על יצירה מחדש.

6. לאחר מכן לוחצים על הוספה כדי להוסיף את השינוי לכלי לעריכת נתונים.

7. כדי לבדוק את השאילתה הזו, צריך להוסיף משתנים. בקטע Parameters (פרמטרים), פותחים את Variables (משתנים) וכוללים משתנים לשימוש בבדיקה:

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

8. לוחצים על Run.

כדאי לדעת: אפשר גם לבקש מ-Gemini להרחיב את הפלט בדרכים שימושיות יותר. לדוגמה, כדי לכלול בתפוקה תגובות והנחיה למקור, אפשר להשתמש בהנחיה 'תכין רשימה של כל הביקורות על סרטים, על סמך ז'אנר ודירוגים שניתנים להגדרה על ידי המשתמש'. חשוב לתעד את השאילתה ולכלול את ההנחיה הזו בתשובה שלך", כדי לכלול הערות ואת הנחיית המקור בפלט מ-Gemini.

הנחיות לעיצוב לשימוש בכלים מבוססי-AI של צד שלישי

כמו בכל הכלים והסוכנים שמבוססים על AI, ככל שההנחיות שלכם יהיו טובות יותר, כך התוצאות יהיו שימושיות יותר.

כשמספקים הנחיות בשפה טבעית ל-Gemini ב-Firebase, מאחורי הקלעים, העוזר הדיגיטלי מתרגם את הקלט להנחיה מפורטת יותר.

אם אתם לא משתמשים ב-Gemini ב-Firebase או בעזרה אחרת מבוססת-AI של Firebase, ואתם עובדים עם כלים מבוססי-AI של צד שלישי כמו Cursor או Windsurf, תוכלו לקבל המלצות טובות יותר לגבי Data Connect באמצעות הנחיות מפורטות דומות.

פרסמנו תבניות של הנחיות שתוכלו להוריד, להתאים ולהעתיק אל סביבת הפיתוח המשולבת שלכם:

• הנחיה ליצירת תבנית של סכימה
• הנחיית תבנית ליצירת פעולה

אחרי שמורידים ומשנים את הקובץ, יוצרים הנחיה בכלי מוכר (לדוגמה, Cursor או Windsurf) באופן הבא:

• ב-Cursor (חשוב לעיין בהוראות העדכניות של Cursor):

  1. לוחצים על סמל ההגדרות בפינה השמאלית העליונה.
  2. לוחצים על הכרטיסייה כללים.
  3. בקטע Project Rules, לוחצים על הלחצן Add a new rule.
  4. מעתיקים ומדביקים את הכלל.

• ב-Windsurf (חשוב לעיין בהוראות העדכניות של Windsurf):

  1. לוחצים על הלחצן Cascade בפינה השמאלית העליונה כדי לפתוח את החלון Cascade.
  2. ב-Cascade, לוחצים על סמל ההתאמות האישיות בתפריט הנפתח שבפינה השמאלית העליונה, ואז עוברים לחלונית כללים.
  3. לוחצים על הלחצן + כללי או על הלחצן + Workspace כדי ליצור כללים חדשים ברמה הגלובלית או ברמת ה-Workspace, בהתאמה.
  4. מעתיקים ומדביקים את הכלל.

פתרון בעיות AI assistance for Data Connect

אפשר לעיין במאמר פתרון בעיות ב-Gemini ב-Firebase.

תמחור

‫AI assistance for Data Connect זמין כחלק מ-Gemini ב-Firebase, שכלול למשתמשים פרטיים.

מידע נוסף זמין במאמר תמחור של Gemini ב-Firebase.

השלבים הבאים

• מידע נוסף על שאילתות ומוטציות זמין במאמר Data Connect סכימות, שאילתות ומוטציות.
• מידע נוסף על Gemini ב-Firebase