Trang này được dịch bởi Cloud Translation API.

Sử dụng Cấu hình từ xa phía máy chủ bằng Cloud Functions và Vertex AI

Hướng dẫn này mô tả cách bắt đầu sử dụng thế hệ thứ 2 Cloud Functions thông qua tính năng Remote Config phía máy chủ để tạo phía máy chủ lệnh gọi đến Vertex AI Gemini API.

Trong hướng dẫn này, bạn sẽ thêm Remote Config vào một hàm giống như bot trò chuyện sẽ sử dụng mô hình Gemini để trả lời câu hỏi của người dùng. Remote Config sẽ quản lý đầu vào Gemini API (bao gồm cả câu lệnh mà bạn sẽ thêm vào trước truy vấn đến của người dùng) và bạn có thể cập nhật thông tin đầu vào này theo yêu cầu từ bảng điều khiển Firebase. Bạn cũng sẽ sử dụng Firebase Local Emulator Suite để kiểm thử và gỡ lỗi hàm này, sau đó sau khi xác minh rằng hàm này hoạt động, bạn sẽ triển khai và thử nghiệm trên Google Cloud.

Điều kiện tiên quyết

Hướng dẫn này giả định rằng bạn đã quen với việc sử dụng JavaScript để phát triển .

Thiết lập dự án Firebase

Nếu bạn chưa có dự án Firebase:

Đăng nhập vào bảng điều khiển của Firebase.
Nhấp vào Create project (Tạo dự án) rồi sử dụng một trong các tuỳ chọn sau:
- Cách 1: Tạo một dự án Firebase mới (và cơ sở dự án đó) tự động Google Cloud dự án) bằng cách nhập tên dự án mới vào bước đầu tiên của "Tạo dự án" quy trình làm việc.
- Cách 2: "Thêm Firebase" cho một dự án Google Cloud hiện có bằng cách chọn tên dự án Google Cloud từ trình đơn thả xuống trong bước đầu tiên của thao tác "Tạo dự án" quy trình làm việc.
Khi được nhắc, bạn không cần thiết lập Google Analytics để sử dụng giải pháp này.
Tiếp tục làm theo hướng dẫn trên màn hình để tạo dự án.

Nếu bạn đã có một dự án Firebase:

Tiếp tục chuyển đến phần Định cấu hình môi trường phát triển.

Định cấu hình môi trường phát triển

Bạn cần có một môi trường Node.js để viết các hàm, và bạn sẽ cần CLI Firebase để triển khai các hàm cho Cloud Functions thời gian chạy.

Cài đặt Node.js và npm.

Để cài đặt Node.js và npm, bạn nên sử dụng Trình quản lý phiên bản nút.

Lưu ý quan trọng: Bạn nên sử dụng Node.js phiên bản 20 trở lên. Xem Đặt tuỳ chọn thời gian chạy để biết thông tin quan trọng về dịch vụ hỗ trợ liên tục cho Phiên bản Node.js.
Cài đặt CLI Firebase bằng ưu tiên. Ví dụ: để cài đặt CLI bằng npm, hãy chạy lệnh này :
```
npm install -g firebase-tools@latest
```
Lệnh này sẽ cài đặt lệnh firebase có sẵn trên toàn cầu. Nếu trường hợp này không thành công, bạn có thể cần thay đổi quyền npm.

Để cập nhật lên phiên bản firebase-tools mới nhất, hãy chạy lại lệnh đó.
Cài đặt firebase-functions và firebase-admin rồi dùng --save để tiết kiệm chúng vào package.json của bạn:
```
npm install firebase-functions@latest firebase-admin@latest --save
```

Giờ thì bạn đã sẵn sàng để tiến hành triển khai yêu cầu này. Cloud.

Triển khai

Làm theo các bước sau để tạo, thử nghiệm và triển khai thế hệ thứ 2 Cloud Functions với Remote Config và Vertex AI:

Bật Vertex AI API được đề xuất trong bảng điều khiển của Google Cloud.
Khởi chạy dự án và cài đặt các phần phụ thuộc của Nút.
Định cấu hình các quyền quản lý danh tính và quyền truy cập (IAM) cho tài khoản dịch vụ Admin SDK của bạn và lưu khoá của bạn.
Tạo hàm.
Tạo mẫu Remote Config dành riêng cho máy chủ.
Triển khai hàm và kiểm thử trong Firebase Local Emulator Suite.
Triển khai hàm cho Google Cloud.

Bước 1: Bật các API được đề xuất của Vertex AI trong bảng điều khiển Google Cloud

Mở Bảng điều khiển Google Cloud và khi được nhắc, hãy chọn dự án của bạn.
Trong trường Tìm kiếm ở đầu bảng điều khiển, hãy nhập Vertex AI và đợi Vertex AI xuất hiện dưới dạng kết quả.
Chọn biểu tượng Vertex AI. Trang tổng quan Vertex AI sẽ xuất hiện.
Nhấp vào Bật tất cả API được đề xuất.

Quá trình bật API có thể mất vài phút để hoàn tất. Giữ lại trang này đang hoạt động và mở cho đến khi quá trình bật kết thúc.
Nếu tính năng thanh toán chưa được bật, bạn sẽ được nhắc thêm hoặc liên kết Tài khoản Cloud Billing. Sau khi bật tài khoản thanh toán, hãy quay lại Trang tổng quan của Vertex AI và kiểm tra để đảm bảo bạn đã bật tất cả API đề xuất.

Bước 2: Khởi chạy dự án và cài đặt các phần phụ thuộc Nút

Mở cửa sổ dòng lệnh trên máy tính và chuyển đến thư mục mà bạn sử dụng để tạo hàm của bạn.
Đăng nhập vào Firebase:
```
firebase login
```
Chạy lệnh sau để khởi chạy Cloud Functions for Firebase:
```
firebase init functions
```
Chọn Use an existing project (Sử dụng dự án hiện có) rồi chỉ định mã dự án của bạn.
Khi được nhắc chọn ngôn ngữ để sử dụng, hãy chọn JavaScript rồi nhấn Nhập.
Đối với tất cả các lựa chọn khác, hãy chọn chế độ mặc định.

Một thư mục functions được tạo trong thư mục hiện tại. Bên trong, bạn sẽ tìm một tệp index.js mà bạn sẽ dùng để tạo hàm, một thư mục node_modules chứa các phần phụ thuộc của hàm, và một tệp package.json chứa các phần phụ thuộc của gói.
Thêm các gói Admin SDK và Vertex AI bằng cách chạy bằng cách dùng --save để đảm bảo rằng thông tin này được lưu vào Tệp package.json:
```
cd functions
npm install firebase-admin@latest @google-cloud/vertexai --save
```

Bây giờ, tệp functions/package.json của bạn sẽ có dạng như sau, với phần tử phiên bản mới nhất được chỉ định:

  {
    "name": "functions",
    "description": "Cloud Functions for Firebase",
    "scripts": {
      "serve": "firebase emulators:start --only functions",
      "shell": "firebase functions:shell",
      "start": "npm run shell",
      "deploy": "firebase deploy --only functions",
      "logs": "firebase functions:log"
    },
    "engines": {
      "node": "20"
    },
    "main": "index.js",
    "dependencies": {
      "@google-cloud/vertexai": "^1.1.0",
      "firebase-admin": "^12.1.0",
      "firebase-functions": "^5.0.0"
    },
    "devDependencies": {
      "firebase-functions-test": "^3.1.0"
    },
    "private": true
  }

Lưu ý rằng nếu bạn đang sử dụng ESLint, bạn sẽ thấy một thông báo có chứa ngôn ngữ này. Trong hãy đảm bảo rằng phiên bản công cụ nút khớp với phiên bản đã cài đặt của Node.js và phiên bản mà bạn chạy trên Google Cloud. Ví dụ: nếu khổ engines trong package.json của bạn được định cấu hình là Nút phiên bản 18 và bạn đang dùng Node.js 20, hãy cập nhật tệp này để sử dụng 20:

  "engines": {
    "node": "20"
  },

Bước 3: Thiết lập quyền IAM cho tài khoản dịch vụ Admin SDK và lưu khoá

Trong giải pháp này, bạn sẽ sử dụng tài khoản dịch vụ Firebase Admin SDK để chạy chức năng của bạn.

Trong bảng điều khiển Google Cloud, hãy mở IAM và quản trị, và tìm tài khoản dịch vụ Admin SDK (có tên là firebase-adminsdk).
Chọn tài khoản và nhấp vào Chỉnh sửa tài khoản chính. Trang Chỉnh sửa quyền truy cập sẽ xuất hiện.
Nhấp vào Thêm vai trò khác, rồi chọn Remote Config Người xem.
Nhấp vào Thêm vai trò khác, chọn Nhà phát triển nền tảng AI.
Nhấp vào Thêm vai trò khác, rồi chọn Vertex AI người dùng.
Nhấp vào Add another role (Thêm vai trò khác), chọn Cloud Run Invoker (Trình thu thập thông tin trên Cloud Run).
Nhấp vào Lưu.

Tiếp theo, hãy xuất thông tin đăng nhập của tài khoản dịch vụ Admin SDK và lưu lại trong biến môi trường GOOGLE_APPLICATION_CREDENTIALS.

Trong bảng điều khiển Google Cloud, hãy mở Trang Thông tin đăng nhập.
Nhấp vào tài khoản dịch vụ Admin SDK để mở trang Chi tiết.
Nhấp vào Khoá.
Nhấp vào Thêm khoá > Tạo khoá mới.
Đảm bảo rằng bạn đã chọn JSON làm Loại khoá, sau đó nhấp vào Tạo.
Tải khoá này xuống một nơi an toàn trên máy tính của bạn.
Trên cửa sổ dòng lệnh, hãy xuất khoá dưới dạng một biến môi trường:
```
export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/service-account-key.json"
```

Bước 4: Tạo hàm

Ở bước này, bạn sẽ xây dựng một hàm xử lý hoạt động đầu vào của người dùng và tạo Phản hồi dựa trên AI. Bạn sẽ kết hợp nhiều đoạn mã để tạo hàm toàn diện để khởi chạy Admin SDK và Vertex AI Gemini API, định cấu hình các tham số mặc định bằng cách sử dụng Remote Config, tìm nạp các thông số, quy trình Remote Config mới nhất hoạt động đầu vào của người dùng và truyền trực tuyến phản hồi cho người dùng.

Trong cơ sở mã của bạn, hãy mở functions/index.js trong trình chỉnh sửa văn bản hoặc IDE.

Xoá nội dung hiện có rồi thêm Admin SDK, Remote Config và SDK Vertex AI, rồi khởi chạy ứng dụng bằng cách dán mã sau vào tệp:

const { onRequest } = require("firebase-functions/v2/https");
const logger = require("firebase-functions/logger");

const { initializeApp } = require("firebase-admin/app");
const { VertexAI } = require('@google-cloud/vertexai');
const { getRemoteConfig } = require("firebase-admin/remote-config");

// Set and check environment variables.
const project = process.env.GCLOUD_PROJECT;

// Initialize Firebase.
const app = initializeApp();index.js

Định cấu hình các giá trị mặc định mà hàm của bạn sẽ sử dụng nếu hàm không kết nối được máy chủ Remote Config. Giải pháp này định cấu hình textModel, generationConfig, safetySettings, textPrompt và location dưới dạng Tham số Remote Config tương ứng với Remote Config mà bạn sẽ định cấu hình thêm trong hướng dẫn này. Để biết thêm thông tin về các thông số này, hãy xem Ứng dụng Node.js của Vertex AI.

Nếu muốn, bạn cũng có thể định cấu hình một thông số để kiểm soát việc bạn truy cập vào Vertex AI Gemini API (trong ví dụ này, một tham số có tên là vertex_enabled). Chế độ thiết lập này có thể hữu ích khi kiểm thử chức năng của bạn. Trong các đoạn mã sau, giá trị này được đặt thành false, nên giá trị này sẽ bỏ qua bằng Vertex AI trong khi kiểm thử việc triển khai hàm cơ bản. Đang đặt thành true sẽ gọi Vertex AI Gemini API.
```
// Define default (fallback) parameter values for Remote Config.
const defaultConfig = {

  // Default values for Vertex AI.
  model_name: "gemini-1.5-flash-preview-0514",
  generation_config: [{
    "stopSequences": [], "temperature": 0.7,
    "maxOutputTokens": 64, "topP": 0.1, "topK": 20
  }],
  prompt: "I'm a developer who wants to learn about Firebase and you are a \
    helpful assistant who knows everything there is to know about Firebase!",
  safety_settings: [{
    "category":
      "HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT",
    "threshold": "HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE"
  }],
  location: 'us-central1',

  // Disable Vertex AI Gemini API access for testing.
  vertex_enabled: false
};index.js
```

Tạo hàm và thiết lập Remote Config phía máy chủ:

// Export the function.
exports.generateWithVertex = onRequest(async (request, response) => {

  try {

    // Set up Remote Config.
    const rc = getRemoteConfig(app);

    // Get the Remote Config template and assign default values.
    const template = await rc.getServerTemplate({
      defaultConfig: defaultConfig
    });

    // Add the template evaluation to a constant.
    const config = template.evaluate();

    // Obtain values from Remote Config.
    const textModel = config.getString("model_name") ||
        defaultConfig.model_name;
    const textPrompt = config.getString("prompt") || defaultConfig.prompt;
    const generationConfig = config.getString("generation_config") ||
        defaultConfig.generation_config;
    const safetySettings = config.getString("safety_settings") ||
        defaultConfig.safety_settings;
    const location = config.getString("location") ||
        defaultConfig.location;
    const vertexEnabled = config.getBoolean("is_vertex_enabled") ||
        defaultConfig.vertex_enabled;index.js

Thiết lập Vertex AI rồi thêm logic trò chuyện và trả lời:

  // Allow user input.
  const userInput = request.query.prompt || '';

  // Instantiate Vertex AI.
    const vertex_ai = new VertexAI({ project: project, location: location });
    const generativeModel = vertex_ai.getGenerativeModel({
      model: textModel,
      safety_settings: safetySettings,
      generation_config: generationConfig,
    });

    // Combine prompt from Remote Config with optional user input.
    const chatInput = textPrompt + " " + userInput;

    if (!chatInput) {
      return res.status(400).send('Missing text prompt');
    }
    // If vertexEnabled isn't true, do not send queries to Vertex AI.
    if (vertexEnabled !== true) {
      response.status(200).send({
        message: "Vertex AI call skipped. Vertex is not enabled."
      });
      return;
    }

    logger.log("\nRunning with model ", textModel, ", prompt: ", textPrompt,
      ", generationConfig: ", generationConfig, ", safetySettings: ",
      safetySettings, " in ", location, "\n");

    const result = await generativeModel.generateContentStream(chatInput); 
    response.writeHead(200, { 'Content-Type': 'text/plain' });

    for await (const item of result.stream) {
      const chunk = item.candidates[0].content.parts[0].text;
      logger.log("Received chunk:", chunk);
      response.write(chunk);
    }

    response.end();

  } catch (error) {
    logger.error(error);
    response.status(500).send('Internal server error');
  }
});index.js

Lưu và đóng tệp.

Bước 5: Tạo mẫu Remote Config dành riêng cho máy chủ

Tiếp theo, hãy tạo mẫu Remote Config phía máy chủ và định cấu hình các tham số và các giá trị để sử dụng trong hàm. Để tạo một máy chủ cụ thể Mẫu Remote Config:

Mở bảng điều khiển Firebase và mở rộng từ trình đơn điều hướng Chạy và chọn Remote Config.
Chọn Máy chủ trong bộ chọn Ứng dụng/Máy chủ ở phía trên cùng Remote Config.
- Nếu đây là lần đầu tiên bạn dùng Remote Config hoặc mẫu máy chủ, nhấp vào Tạo cấu hình. Mã Tạo phía máy chủ đầu tiên của bạn sẽ xuất hiện.
- Nếu đây không phải là lần đầu tiên bạn sử dụng mẫu máy chủ Remote Config, nhấp vào Thêm thông số.

Xác định các tham số Remote Config sau:

Tên thông số	Nội dung mô tả	Loại	Giá trị mặc định
`model_name`	Tên mô hình Để biết danh sách mới nhất về tên mô hình để sử dụng trong mã của bạn, hãy xem Mẫu phiên bản và vòng đời hoặc Có sẵn tên mô hình.	Chuỗi	`gemini-1.5-pro-preview-0514`
`prompt`	Lời nhắc thêm vào trước truy vấn của người dùng.	Chuỗi	`I'm a developer who wants to learn about Firebase and you are a helpful assistant who knows everything there is to know about Firebase!`
`generation_config`	Tham số gửi cho mô hình.	JSON	`[{"stopSequences": ["I hope this helps"],"temperature": 0.7,"maxOutputTokens": 512, "topP": 0.1,"topK": 20}]`
`safety_settings`	An toàn cho Vertex AI.	JSON	`[{"category": "HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT", "threshold": "HarmBlockThreshold.BLOCK_LOW_AND_ABOVE"}]`
`location`	Vị trí để chạy dịch vụ và mô hình Vertex AI.	Chuỗi	`us-central1`
`is_vertex_enabled`	Tham số không bắt buộc kiểm soát việc liệu các truy vấn có được gửi đến hay không Vertex AI.	Boolean	`true`

Sau khi bạn thêm xong các thông số, hãy kiểm tra kỹ các thông số và để đảm bảo loại dữ liệu chính xác, rồi nhấp vào Xuất bản các thay đổi.

Bước 6: Triển khai hàm và kiểm thử hàm đó trong Firebase Local Emulator Suite

Bây giờ, bạn đã sẵn sàng triển khai và kiểm thử cục bộ chức năng của mình bằng Firebase Local Emulator Suite.

Hãy đảm bảo rằng bạn đã đặt GOOGLE_APPLICATION_CREDENTIALS làm môi trường biến như mô tả trong Bước 3: Định cấu hình quyền IAM cho Admin SDK tài khoản dịch vụ và lưu . Sau đó, từ thư mục mẹ của thư mục functions, hãy triển khai hàm của bạn vào Trình mô phỏng Firebase:
```
firebase emulators:start --project PROJECT_ID --only functions
```
Mẹo: Bạn cũng có thể chạy các hàm trong trình mô phỏng bằng cách chạy npm run serve khỏi thư mục functions.
Mở nhật ký của trình mô phỏng . Điều này sẽ cho thấy rằng hàm của bạn đã được tải.
Truy cập hàm của bạn bằng cách chạy lệnh sau, trong đó PROJECT_ID là mã dự án của bạn và LOCATION là khu vực mà bạn đã triển khai để (ví dụ: us-central1):
```
curl http://localhost:5001/PROJECT_ID/LOCATION/generateWithVertex
```
Lưu ý: Đường liên kết này cũng sẽ xuất hiện trong dữ liệu đầu ra của bảng điều khiển sau khi bắt đầu trình mô phỏng. Bạn cũng có thể cắt và dán đường liên kết vào trình duyệt.
Đợi phản hồi, sau đó quay lại trang nhật ký của Trình mô phỏng Firebase hoặc bảng điều khiển và kiểm tra xem có lỗi hoặc cảnh báo nào không.
Hãy thử gửi một số hoạt động đầu vào của người dùng, lưu ý rằng vì is_vertex_enabled là được định cấu hình trong mẫu máy chủ Remote Config của bạn, thì URL này sẽ truy cập Gemini thông qua Vertex AI Gemini API và quá trình này có thể phải chịu phí:
```
curl http://localhost:5001/PROJECT_ID/LOCATION/generateWithVertex?prompt=Tell%20me%20everything%20you%20know%20about%20cats
```
Thực hiện các thay đổi đối với mẫu máy chủ Remote Config trên Firebase, sau đó truy cập lại vào hàm của bạn để quan sát các thay đổi.

Bước 7: Triển khai hàm cho Google Cloud

Sau khi kiểm thử và xác minh chức năng, bạn đã sẵn sàng triển khai Google Cloud rồi kiểm thử hàm đang hoạt động.

Triển khai hàm

Triển khai hàm bằng CLI Firebase:

firebase deploy --only functions

Chặn quyền truy cập khi chưa xác thực vào hàm này

Khi các hàm được triển khai bằng Firebase, các lệnh gọi chưa được xác thực sẽ được phép theo mặc định nếu chính sách của tổ chức bạn không hạn chế việc này. Trong quá trình thử nghiệm và trước khi bảo mật bằng App Check, chúng tôi bạn nên chặn quyền truy cập không được xác thực.

Cách chặn quyền truy cập khi chưa xác thực vào hàm:

Trong bảng điều khiển Google Cloud, hãy mở Cloud Run.
Nhấp vào generateWithVertex, rồi nhấp vào thẻ Security (Bảo mật).
Bật tuỳ chọn Yêu cầu xác thực rồi nhấp vào Lưu.

Định cấu hình tài khoản người dùng của bạn để sử dụng thông tin đăng nhập tài khoản dịch vụ Admin SDK

Bởi vì tài khoản dịch vụ Admin SDK có tất cả các vai trò cần thiết và quyền để chạy hàm này cũng như tương tác với Remote Config và Vertex AI Gemini API, bạn sẽ cần dùng hàm này để chạy hàm. Việc cần làm di chuyển, bạn phải có thể tạo mã thông báo cho tài khoản từ tài khoản người dùng của mình.

Các bước sau đây mô tả cách định cấu hình tài khoản người dùng và chức năng để chạy bằng các đặc quyền đối với tài khoản dịch vụ Admin SDK.

Trong bảng điều khiển Google Cloud, hãy bật API thông tin xác thực tài khoản dịch vụ IAM.
Chỉ định vai trò Người tạo mã thông báo tài khoản dịch vụ cho tài khoản người dùng của bạn: Từ Bảng điều khiển của Google Cloud, mở IAM và Quản trị > IAM, chọn người dùng của bạn tài khoản, rồi nhấp vào Chỉnh sửa tài khoản chính > Thêm vai trò khác.
Chọn Trình tạo mã thông báo cho tài khoản dịch vụ, rồi nhấp vào Lưu.

Để biết thêm thông tin chi tiết về việc mạo danh tài khoản dịch vụ, hãy tham khảo Tài khoản dịch vụ mạo danh trong tài liệu Google Cloud.
Mở trang bảng điều khiển Google Cloud Cloud Functions rồi nhấp vào hàm generateWithVertex trong danh sách Functions.
Chọn Trình kích hoạt > Chỉnh sửa và mở rộng Thời gian chạy, bản dựng, kết nối và cài đặt bảo mật.
Trên thẻ Thời gian chạy, hãy thay đổi Tài khoản dịch vụ thời gian chạy thành Tài khoản SDK dành cho quản trị viên.
Nhấp vào Next (Tiếp theo), rồi nhấp vào Deploy (Triển khai).

Thiết lập giao diện dòng lệnh (CLI) của gcloud

Để chạy và kiểm thử hàm một cách an toàn từ dòng lệnh, bạn cần xác thực bằng dịch vụ Cloud Functions và lấy thông tin mã xác thực.

Để bật tính năng tạo mã thông báo, hãy cài đặt và định cấu hình giao diện dòng lệnh (CLI) của gcloud:

Nếu bạn chưa cài đặt trên máy tính, hãy cài đặt gcloud CLI dưới dạng như mô tả trong bài viết Cài đặt gcloud Giao diện dòng lệnh (CLI).
Lấy thông tin xác thực truy cập cho tài khoản Google Cloud của bạn:
```
gcloud auth login
```
Đặt mã dự án trong gcloud:
```
gcloud config set project PROJECT_ID
```

Kiểm thử hàm

Giờ đây, bạn đã sẵn sàng kiểm thử hàm trong Google Cloud. Để kiểm tra hàm này, chạy lệnh sau:

curl -X POST https://LOCATION-PROJECT_ID.cloudfunctions.net/generateWithVertex \
  -H "Authorization: bearer $(gcloud auth print-identity-token)" \
  -H "Content-Type: application/json"

Hãy thử lại với dữ liệu do người dùng cung cấp:

curl -X POST https://LOCATION-PROJECT_ID.cloudfunctions.net/generateWithVertex?prompt=Tell%20me%20everything%20you%20know%20about%20dogs \
 -H "Authorization: bearer $(gcloud auth print-identity-token)" \
 -H "Content-Type: application/json"

Bạn hiện có thể thay đổi mẫu máy chủ Remote Config của mình, hãy xuất bản những thay đổi đó và thử nghiệm các tuỳ chọn khác nhau.

Các bước tiếp theo

Firebase khuyên bạn nên sử dụng App Check để bảo mật Cloud Functions. Xem phần Cho phép thực thi App Check đối với Cloud Functions để biết thêm thông tin về cách bảo mật chức năng của bạn bằng App Check
Hãy thử một hàm có thể gọi mẫu với Remote Config phía máy chủ và App Check bằng Gọi cho Vertex AI Gemini API bằng Remote Config và App Check.
Tìm hiểu thêm về Cloud Functions cho Firebase.
Tìm hiểu thêm về cách sử dụng Remote Config trong máy chủ môi trường.