از کمک هوش مصنوعی برای اتصال داده استفاده کنید

از Gemini در Firebase برای کمک به ساخت طرحواره‌ها، کوئری‌ها و جهش‌ها برای کد سمت کلاینت خود استفاده کنید.

برنامه، مدل داده یا یک پرس و جو یا جهش مورد نظر خود را به زبان طبیعی توصیف کنید، و Gemini در Firebase معادل Data Connect تولید می‌کند.

این کمک هوش مصنوعی در زمینه‌های توسعه زیر موجود است:

  • در کنسول Firebase ، می‌توانید طرح‌ها و عملیات خود را تولید، آزمایش و مستقر کنید.
  • در محیط محلی خود، می‌توانید از Firebase CLI و افزونه Data Connect VS Code برای تولید، آزمایش و توسعه برنامه خود با استفاده از شبیه‌ساز استفاده کنید.
  • ابزارهای توسعه مبتنی بر هوش مصنوعی می‌توانند از سرور Firebase MCP برای تولید، آزمایش و توسعه برنامه شما استفاده کنند.

برای کسب اطلاعات بیشتر در مورد طرحواره ، پرس‌وجو و سینتکس جهش در Data Connect به راهنماها مراجعه کنید.

چگونه AI assistance for Data Connect از داده‌های شما استفاده می‌کند

برای اطلاعات بیشتر، به نحوه استفاده Gemini در Firebase از داده‌های شما مراجعه کنید.

تنظیم AI assistance for Data Connect

برای استفاده از دستیار هوش مصنوعی با Data Connect ، Gemini را در Firebase همانطور که در بخش «راه‌اندازی Gemini در Firebase توضیح داده شده است، فعال کنید.

ایجاد طرحواره، کوئری و جهش با Gemini در Firebase

شما می‌توانید در بسیاری از گردش‌های کاری خود از کمک هوش مصنوعی برای Data Connect استفاده کنید.

در کنسول Firebase

وقتی یک سرویس Data Connect ایجاد می‌کنید، کنسول Firebase یک تجربه «شروع به کار با Gemini» ارائه می‌دهد.

شما می‌توانید ایده یک اپلیکیشن را توصیف کنید، و دستیار هوش مصنوعی موارد زیر را تولید می‌کند:

  • یک طرح کامل بر اساس ایده اپلیکیشن شما.
  • مثال‌هایی از عملیات و جهش‌های داده‌ای

از صفحه داده، می‌توانید از دکمه «به من در نوشتن GraphQL کمک کنید» (Help me write GraphQL pen_spark) برای تولید و اجرای عملیات بر اساس زبان طبیعی استفاده کنید. به چند نمونه از موارد استفاده نگاهی بیندازید.

این گردش کار در راهنمای شروع به کار ما شرح داده شده است. می‌توانید در محیط توسعه محلی خود با طرحواره و عملیات مستقر شده ادامه دهید.

در محیط محلی شما

همچنین می‌توانید از رابط خط فرمان فایربیس و افزونه‌ی Data Connect VS Code برای هوش مصنوعی کمک بگیرید.

شما می‌توانید ایده برنامه خود را به firebase init dataconnect ارائه دهید و موارد زیر را تولید می‌کند:

  • یک طرح کامل بر اساس ایده اپلیکیشن شما.
  • عملیات نمونه و جهش داده اولیه.

افزونه‌ی Data Connect VS Code ویژگی‌های زیر را ارائه می‌دهد:

  • لنز کد عملیات را تولید/اصلاح می‌کند تا نظرات GraphQL را به عملیات Data Connect تبدیل کند.
  • ادغام یکپارچه با Gemini Code Assist و سرور Firebase MCP.

این گردش کار در راهنمای شروع به کار برای نمونه‌سازی محلی ما شرح داده شده است.

استفاده از سرور Firebase MCP به همراه ابزارهای توسعه مبتنی بر هوش مصنوعی

سرور Firebase MCP با هر ابزار دستیار هوش مصنوعی که بتواند به عنوان یک کلاینت MCP عمل کند، از جمله Gemini CLI، Gemini Code Assist ، Cursor، Visual Studio Code Copilot، Claude Desktop و Windsurf Editor کار می‌کند.

سرور Firebase MCP زمینه و قابلیت‌های بیشتری را برای کمک به ابزارهای توسعه مبتنی بر هوش مصنوعی فراهم می‌کند تا با Data Connect بهتر کار کنند. این سرور می‌تواند موارد زیر را انجام دهد:

  • دایرکتوری‌های پروژه جدید را تنظیم کرده و SDK های تولید شده را ایجاد کنید.
  • ساخت و تکرار طرحواره‌ها، عملیات بر اساس خطاهای کامپایل.
  • ایجاد طرحواره‌ها و عملیات جدید بر اساس الزامات.
  • عملیات را روی شبیه‌ساز محلی یا سرویس‌های backend تولید و اجرا کنید.
  • جمع‌آوری اطلاعات در مورد سرویس‌های موجود

برای استفاده از سرور Firebase MCP:

  1. کلاینت MCP خود را طبق این راهنما تنظیم کنید.
  2. برای کمک در مورد Data Connect درخواست دهید. مثال‌هایی از سوالات:
    1. «یک پروژه Data Connect برای یک اپلیکیشن تحویل پیتزا راه‌اندازی کنید.»
    2. "رفع خطاهای کامپایل Data Connect ."
    3. «در صفحه اصلی، باید اتاق‌های گفتگوی فعال و لیست دوستان را نشان دهم. یک پرس‌وجوی Data Connect ایجاد کنید.»
    4. «چه کاربرانی در شبیه‌ساز محلی Data Connect من هستند؟»
    5. «سرویس‌های Data Connect من در کدام مناطق گوگل کلود قرار دارند؟»

مثال‌هایی از موارد استفاده برای تولید عملیات

بخش‌های زیر موارد استفاده نمونه را شرح می‌دهند:

پنج فیلم برتر را به ترتیب نزولی بر اساس امتیاز نمایش بده

برای استفاده از AI assistance for Data Connect جهت تولید GraphQL بر اساس زبان طبیعی:

  1. Data Connect در پروژه خود باز کنید و در قسمت Services ، منبع داده خود را انتخاب کنید.

  2. روی داده‌ها کلیک کنید.

  3. روی آیکون «به من در نوشتن GraphQL کمک کن» (Help me write GraphQL pen_spark) کلیک کنید. به زبان طبیعی، پرس‌وجو یا جهشی را که می‌خواهید تولید کنید، شرح دهید و روی « تولید» (Generate) کلیک کنید.

    برای مثال، اگر از منبع داده Movies که در codelab مربوط به "Build with Data Connect (web)" به آن اشاره شده است استفاده می‌کنید، می‌توانید بپرسید: " پنج فیلم برتر سال ۲۰۲۲ را به ترتیب نزولی بر اساس امتیازدهی برگردان "، که ممکن است نتیجه‌ای مانند زیر را برگرداند:

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

  4. پاسخ را مرور کنید:

    • اگر پاسخ درست به نظر می‌رسد، روی «درج» کلیک کنید تا پاسخ در ویرایشگر کد وارد شود.
    • اگر پاسخ قابل اصلاح بود، روی ویرایش کلیک کنید، اعلان را به‌روزرسانی کنید و روی بازسازی کلیک کنید.

  5. پس از پذیرش پاسخ، در صورت لزوم موارد زیر را در بخش پارامترها تنظیم کنید:

    • متغیرها : اگر پرس‌وجو یا جهش شما شامل متغیرها است، آنها را اینجا تعریف کنید. برای تعریف آنها از JSON استفاده کنید، برای مثال، {"title":"The Matrix", "releaseYear":"1999"} .
    • مجوز : زمینه مجوز (مدیر، احراز هویت شده یا احراز هویت نشده) را برای اجرای پرس و جو یا جهش انتخاب کنید.

  6. در ویرایشگر کد روی Run کلیک کنید و نتایج را بررسی کنید.

برای آزمایش چندین پرس‌وجو یا جهش در ویرایشگر کد، مطمئن شوید که نام‌گذاری شده‌اند. برای مثال، پرس‌وجوی زیر GetMovie نام دارد. مکان‌نما را به خط اول پرس‌وجو یا جهش ببرید تا دکمه‌ی اجرا فعال شود.

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

یک جهش ایجاد کنید که بر اساس ورودی کاربر، یک فیلم به پایگاه داده اضافه کند.

این مثال نحوه استفاده از زبان طبیعی برای تولید یک جهش GraphQL را نشان می‌دهد که پایگاه داده شما را پر می‌کند. این مثال فرض می‌کند که شما از طرحواره پایگاه داده فیلم استفاده شده در مستندات Firebase Data Connect و codelab "Build with Data Connect (web)" استفاده می‌کنید.

  1. از کنسول Firebase ، Data Connect باز کنید.

  2. سرویس و منبع داده خود را انتخاب کنید، سپس برگه داده (Data) را باز کنید.

  3. روی آیکون «به من کمک کن GraphQL بنویسم» کلیک کنید و جهش خود را شرح دهید:

    Create a movie based on user input.

  4. روی Generate کلیک کنید. جهش برگردانده می‌شود. برای مثال، Gemini ممکن است جهشی مانند زیر را برگرداند:

    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. خروجی را بررسی کنید. در صورت نیاز، برای اصلاح اعلان، روی ویرایش کلیک کنید و سپس روی بازسازی کلیک کنید.

  6. سپس، روی «درج» کلیک کنید تا جهش در ویرایشگر داده وارد شود.

  7. برای اجرای جهش، باید متغیرها را اضافه کنید. از بخش پارامترها ، متغیرها را باز کنید و چند متغیر آزمایشی را اضافه کنید:

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

  8. روی اجرا کلیک کنید.

  9. در مرحله بعد، یک کوئری ایجاد کنید که تأیید کند فیلم شما اضافه شده است. روی گزینه Help me write GraphQL pen_spark کلیک کنید و در کادری که ظاهر می‌شود، عبارت مورد نظر خود را تایپ کنید:

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

    Gemini ممکن است پاسخی مانند زیر برگرداند:

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

  10. کوئری را وارد و اجرا کنید. فیلمی که اضافه کرده‌اید باید در فیلد History ظاهر شود.

یک کوئری ایجاد کنید که نقدها را بر اساس ژانر و رتبه‌بندی‌های ارائه شده توسط کاربر فهرست کند.

این مثال نحوه استفاده از زبان طبیعی برای تولید یک کوئری GraphQL را نشان می‌دهد. این مثال فرض می‌کند که شما از پایگاه داده فیلم استفاده شده در مستندات Firebase Data Connect و codelab "Build with Data Connect (web)" استفاده می‌کنید.

  1. از کنسول Firebase ، Data Connect باز کنید.

  2. سرویس و منبع داده خود را انتخاب کنید، سپس برگه داده (Data) را باز کنید.

  3. روی آیکون «به من کمک کن GraphQL بنویسم» (Help me write GraphQL pen_spark) کلیک کنید و کوئری خود را شرح دهید:

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

  4. روی Generate کلیک کنید. کوئری برگردانده می‌شود. برای مثال، Gemini ممکن است کوئری مانند زیر برگرداند:

    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. خروجی را بررسی کنید. در صورت نیاز، برای اصلاح اعلان، روی ویرایش کلیک کنید و سپس روی بازسازی کلیک کنید.

  6. سپس، روی «درج» کلیک کنید تا جهش در ویرایشگر داده وارد شود.

  7. برای آزمایش این پرس‌وجو، باید متغیرها را اضافه کنید. از بخش پارامترها ، متغیرها را باز کنید و متغیرهایی را که برای آزمایش استفاده می‌کنید، اضافه کنید: 

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

  8. روی اجرا کلیک کنید.

دستورالعمل‌های طراحی برای ابزارهای کمکی هوش مصنوعی شخص ثالث

همانند تمام ابزارهای کمکی هوش مصنوعی، درخواست‌های بهتر، خروجی‌های مفیدتری را به همراه دارند.

وقتی در پشت صحنه، دستورات زبان طبیعی را در Firebase به جمینی ارائه می‌دهید، این دستیار ورودی‌های شما را به یک دستور کامل‌تر تبدیل می‌کند.

اگر با ابزارهای هوش مصنوعی شخص ثالث مانند Cursor یا Windsurf کار می‌کنید، می‌توانید با استفاده از دستورالعمل‌های مشابه و دقیق‌تر، توصیه‌های بهتری Data Connect دریافت کنید.

ما قالب‌های آماده‌ای را برای دانلود، تطبیق و کپی کردن در IDE شما منتشر کرده‌ایم:

پس از دانلود و اعمال تغییرات، یک اعلان با ابزارهای آشنا (مثلاً Cursor یا Windsurf) به صورت زیر ایجاد کنید:

  • در Cursor (حتماً آخرین دستورالعمل‌های Cursor را مرور کنید):

    1. روی آیکون تنظیمات در بالا سمت راست کلیک کنید.
    2. برگه قوانین را انتخاب کنید.
    3. در قسمت قوانین پروژه ، روی دکمه‌ی «افزودن یک قانون جدید» کلیک کنید.
    4. قانون را کپی و جایگذاری کنید.

  • در موج‌سواری (حتماً آخرین دستورالعمل‌های موج‌سواری را مطالعه کنید):

    1. با کلیک روی دکمه Cascade در گوشه بالا سمت راست، پنجره Cascade را باز کنید.
    2. روی آیکون سفارشی‌سازی‌ها در منوی کشویی بالا سمت راست در Cascade کلیک کنید، سپس به پنل قوانین بروید.
    3. برای ایجاد قوانین جدید در سطح سراسری یا فضای کاری، به ترتیب روی دکمه‌های + سراسری یا + فضای کاری کلیک کنید.
    4. قانون را کپی و جایگذاری کنید.

عیب‌یابی AI assistance for Data Connect

به عیب‌یابی Gemini در Firebase مراجعه کنید.

قیمت‌گذاری

AI assistance for Data Connect به عنوان بخشی از Gemini در Firebase در دسترس است و برای کاربران شخصی نیز در نظر گرفته شده است.

برای اطلاعات بیشتر به قیمت‌گذاری Gemini در Firebase مراجعه کنید.

مراحل بعدی