אתם יכולים להשתמש ב-Gemini ב-Firebase במסוף Firebase כדי ליצור שאילתות ומוטציות שאפשר לכלול בקוד בצד הלקוח. מתארים את השאילתה או המוטציה שרוצים ליצור בשפה טבעית, ו-Gemini ב-Firebase יספק את המקבילה שלו ב- GraphQL. מריצים את הפלט ובודקים אותו במסוף Firebase, ולאחר מכן מעתיקים את השאילתות והמוטציות הסופיות לקוד.
מידע נוסף על שאילתות ומוטציות זמין במאמר Data Connect סכמות, שאילתות ומוטציות.
איך AI assistance for Data Connect in the Firebase console משתמשת בנתונים שלכם
AI assistance for Data Connect in the Firebase console לא משתמש בהנחיות או בתשובות שלו כנתונים כדי לאמן את המודל. 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 Generate.
לדוגמה, אם אתם משתמשים במקור הנתונים Movies שמצוין ב מדריך למתחילים של Firebase Data Connect ובcodelab של Build with Data Connect, תוכלו לבקש הצגת חמשת הסרטים המובילים של שנת 2022, בסדר יורד לפי דירוג. התוצאה עשויה להיות דומה לזו:
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 את התשובה לעורך הקוד.
- אם אפשר לשפר את התשובה, לוחצים על Edit, מעדכנים את ההנחיה ולוחצים על Regenerate.
אחרי שמאשרים את התשובה, צריך להגדיר את הדברים הבאים בקטע Parameters (פרמטרים), 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"}
. - הרשאה: בוחרים את הקשר ההרשאה (אדמין, מאומת או לא מאומת) שבו רוצים להריץ 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
. כדי להפעיל את הלחצן Run, מעבירים את הסמן לשורה הראשונה של השאילתה או המוטציה.
query GetMovie($myKey: Movie_Key!) {
movie(key: $myKey) { title }
}
AI assistance for Data Connect in the Firebase console תרחישים לדוגמה
בקטעים הבאים מתוארים תרחישים לדוגמה, כולל אחד שבו אפשר לבקש מ-Gemini לעזור לכם ליצור מוטציה כדי לאכלס את Data Connect, ואז להריץ שאילתה כדי לאמת את התוצאות.
- יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט של משתמש
- יצירת שאילתה שמציגה ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים
יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט של משתמשים
בקטע הזה נסביר על דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL עבור מוטציה שאפשר להשתמש בה כדי לאכלס את מסד הנתונים. בדוגמה הזו נניח שאתם משתמשים בסכימה של מסד נתוני הסרטים שמופיעה במסמכי העזרה של Firebase Data Connect ובcodelab של Build with Data Connect.
במסוף Firebase, פותחים את Data Connect.
בוחרים את השירות ואת מקור הנתונים, ופותחים את הכרטיסייה נתונים.
לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:
Create a movie based on user input.
לוחצים על יצירה. המוטציה מוחזרת. לדוגמה, הפונקציה Gemini עשויה להחזיר מוטציה כמו:
mutation CreateMovie($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: $tags }) }
בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ולוחצים על יצירה מחדש.
לאחר מכן, לוחצים על Insert (הוספה) כדי להוסיף את המוטציה לעורך הנתונים.
כדי להפעיל את המוטציה, צריך להוסיף משתנים. בקטע Parameters, פותחים את Variables ומוסיפים כמה משתני בדיקה:
{"title":"My amazing movie", "releaseYear":2024, "genre": "Comedy", "rating": 8, "description": "A new movie to test mutations", "imageUrl": "", "tags": ["comedy","space travel"]}
לוחצים על Run.
בשלב הבא יוצרים שאילתה שמאשרת שהסרט נוסף. לוחצים על Help me Write GraphQL pen_spark, ובתיבה שמופיעה, מקלידים את ההנחיה:
List all movies from 2024 that include all of thse tags: 'space travel', 'comedy'.
Gemini עשוי להחזיר תשובה כמו זו:
query ComedySpaceTravelMovies2024 @auth(level: PUBLIC) { movies( where: { releaseYear: { eq: 2024 }, tags: { includesAll: ["space travel", "comedy"] } } ) { id title imageUrl releaseYear genre rating description tags } }
מזינים את השאילתה ומפעילים אותה. הסרט שהוספתם אמור להופיע בשדה היסטוריה.
יצירת שאילתה שמציגה ביקורות על סמך ז'אנר ודירוגים שסופקו על ידי משתמשים
בקטע הזה נסביר על דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL לשאילתה. בדוגמה הזו ההנחה היא שאתם משתמשים במסד הנתונים של הסרטים שמוצג במסמכי העזרה של Firebase Data Connect ובקודלאב של Build with Data Connect.
במסוף Firebase, פותחים את Data Connect.
בוחרים את השירות ואת מקור הנתונים, ופותחים את הכרטיסייה נתונים.
לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:
List all movie reviews, based on user-configurable genre and ratings.
לוחצים על יצירה. השאילתה מוחזרת. לדוגמה, הפקודה Gemini יכולה להחזיר שאילתה כמו:
query ListReviewsByGenreAndRating($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 Edit כדי לצמצם את ההנחיה, ואז לוחצים על Regenerate.
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, שכלול ב-Gemini Code Assist. אפשר לנסות את Gemini Code Assist ללא עלות עד 8 בנובמבר 2024, במגבלה של משתמש אחד לכל חשבון לחיוב. מידע נוסף זמין במאמר 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