שימוש בעזרה מ-AI ל-SQL Connect

אפשר להשתמש ב-Gemini ב-Firebase כדי ליצור סכימות, שאילתות ומוטציות לקוד בצד הלקוח.

אתם יכולים לתאר את האפליקציה, את מודל הנתונים או את השאילתה או המוטציה הרצויות בשפה טבעית, ו-Gemini ב-Firebase ייצור את המקבילה SQL Connect.

הסיוע מבוסס-AI זמין בהקשרים הבאים של פיתוח:

  • במסוף Firebase אפשר ליצור, לבדוק ולפרוס את הסכימות והפעולות.
  • בסביבה המקומית, אפשר להשתמש ב-Firebase CLI ובתוסף SQL Connect VS Code כדי ליצור, לבדוק ולפתח באפליקציה באמצעות האמולטור.
  • כלים לפיתוח מבוססי-AI יכולים להשתמש בשרת Firebase MCP כדי ליצור, לבדוק ולפתח את האפליקציה.

במדריכים אפשר לקרוא מידע נוסף על התחביר של SQL Connect סכימה, שאילתה ומוטציה.

איך AI assistance for SQL Connect משתמש בנתונים שלכם

מידע נוסף זמין במאמר איך Gemini ב-Firebase משתמש בנתונים שלכם.

הגדר את AI assistance for SQL Connect

כדי להשתמש בעזרה מ-AI ב-SQL Connect, צריך להפעיל את Gemini ב-Firebase כמו שמתואר במאמר הגדרת Gemini ב-Firebase.

יצירת סכימה, שאילתות ומוטציות באמצעות Gemini ב-Firebase

אתם יכולים להשתמש בעזרה מבוססת-AI עבור SQL Connect בהרבה מתהליכי העבודה שלכם.

במסוף Firebase

כשיוצרים שירות SQL Connect, במסוף Firebase מוצגות הוראות להתחלת העבודה עם Gemini.

אתם יכולים לתאר רעיון לאפליקציה, ועזרה מבוססת-AI תיצור את הדברים הבאים:

  • סכימה מלאה שמבוססת על הרעיון לאפליקציה.
  • דוגמאות לפעולות ולשינויים בנתונים.

בדף הנתונים, אפשר להשתמש בלחצן עזרה בכתיבת GraphQLpen_spark כדי ליצור ולהפעיל פעולות על סמך שפה טבעית. כאן תמצאו כמה מקרים לדוגמה.

תהליך העבודה הזה מתואר במדריך לתחילת העבודה. אפשר להמשיך בסביבת הפיתוח המקומית עם הסכימה והפעולות שנפרסו.

בסביבה המקומית

אפשר גם לקבל עזרה מ-AI דרך Firebase CLI והתוסף SQL Connect VS Code.

אתם יכולים לספק את הרעיון לאפליקציה ל-firebase init dataconnect, והוא ייצור את הדברים הבאים:

  • סכימה מלאה שמבוססת על הרעיון לאפליקציה.
  • דוגמאות לפעולות ולשינוי של נתוני התחלה.

התוסף SQL Connect VS Code כולל את התכונות הבאות:

  • Generates/Refine Operations Code Lens כדי להמיר הערות GraphQL לפעולות SQL Connect.
  • שילוב חלק עם שרת ה-MCP של Firebase.

תהליך העבודה הזה מתואר במדריך לתחילת העבודה עם אבות טיפוס מקומיים.

שימוש בשרת Firebase MCP עם כלים לפיתוח מבוססי-AI

שרת Firebase MCP פועל עם כל כלי של עוזר AI שיכול לשמש כלקוח MCP, כולל Antigravity,‏ Gemini CLI ו-Gemini Code Assist,‏ Claude Code ו-Claude Desktop,‏ Cline,‏ Cursor,‏ VS Code Copilot,‏ Windsurf ועוד.

שרת ה-MCP של Firebase מספק הקשר ויכולות נוספים כדי לעזור לכלים מבוססי-AI לפיתוח לעבוד טוב יותר עם SQL Connect. הוא יכול:

  • הגדרת ספריות פרויקט חדשות וערכות SDK שנוצרו.
  • בנייה של סכימות ופעולות וביצוע איטרציות על סמך שגיאות קומפילציה.
  • ביצוע פעולות מול שירותי קצה עורפיים או אמולטור מקומי.
  • אוספים מידע על שירותים קיימים.

כדי להשתמש בשרת Firebase MCP:

  1. מגדירים את לקוח ה-MCP לפי המדריך הזה.
  2. לשאול שאלה שקשורה ל-SQL Connect. הנחיות לדוגמה:
    1. ‫"Set up a SQL Connect project for a pizza delivery app.‎" (הגדרת פרויקט SQL Connect לאפליקציה למשלוחי פיצה)
    2. "תיקון שגיאות קומפילציה של SQL Connect".
    3. "בדף הבית, אני רוצה להציג את חדרי הצ'אט הפעילים ואת רשימת החברים. תצור שאילתת SQL Connect".
    4. ‫"What users are in my local SQL Connect emulator?" (אילו משתמשים יש באמולטור המקומי של SQL Connect?)
    5. "באילו אזורים ב-Google Cloud נמצאים שירותי SQL Connect שלי?"

תרחישים לדוגמה ליצירת פעולות

בקטעים הבאים מתוארים תרחישים לדוגמה:

החזרת חמשת הסרטים המובילים בסדר יורד לפי דירוג

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

  1. במסוף Firebase, עוברים אל Databases & Storage ‏ >‏ SQL Connect.

  2. בוחרים את השירות ואת מקור הנתונים, ואז פותחים את הכרטיסייה נתונים.

  3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark. מתארים בשפה טבעית את השאילתה או את המוטציה שרוצים ליצור, ולוחצים על יצירה.

    לדוגמה, אם אתם משתמשים במקור הנתונים Movies שמוזכר ב-codelab "Build with SQL Connect (web)", אתם יכולים לשאול את השאלה Return the top five movies of 2022, in descending order by rating, והתשובה שתקבלו עשויה להיות כזו:

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

  4. בודקים את התשובה:

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

  5. אחרי שמקבלים את התשובה, מגדירים את הפרטים הבאים בקטע Parameters (פרמטרים), אם רלוונטי:

    • משתנים: אם השאילתה או המוטציה מכילות משתנים, צריך להגדיר אותם כאן. אפשר להשתמש ב-JSON כדי להגדיר אותם, למשל, {"title":"The Matrix", "releaseYear":"1999"}.
    • הרשאה: בוחרים את הקשר של ההרשאה (אדמין, מאומת או לא מאומת) שדרכו יופעלו השאילתה או השינוי.

  6. לוחצים על Run בעורך הקוד ובודקים את התוצאות.

כדי לבדוק כמה שאילתות או מוטציות בעורך הקוד, צריך לוודא שיש להן שם. 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 }
}

יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט של משתמש

בדוגמה הזו מוסבר איך להשתמש בשפה טבעית כדי ליצור מוטציה של GraphQL שמאכלסת את מסד הנתונים. בדוגמה הזו אנחנו מניחים שאתם משתמשים בסכימת מסד הנתונים של הסרט שבה נעשה שימוש בFirebase SQL Connectמסמכי התיעוד ובשיעור ה-Codelab "Build with SQL Connect(web)".

  1. במסוף Firebase, עוברים אל Databases & Storage ‏ >‏ SQL Connect.

  2. בוחרים את השירות ואת מקור הנתונים, ואז פותחים את הכרטיסייה נתונים.

  3. לוחצים על הסמל עזרה בכתיבת GraphQLpen_spark ומתארים את המוטציה:

    Create a movie based on user input.

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

    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 התוצאה. 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 להריץ 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.

  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

בדוגמה הזו מוסבר איך להשתמש בשפה טבעית כדי ליצור שאילתת GraphQL. בדוגמה הזו אנחנו מניחים שאתם משתמשים במסד הנתונים של הסרטים שמופיע במסמכי התיעוד של Firebase SQL Connect וב-Codelab "Build with SQL Connect (web)".

  1. במסוף Firebase, עוברים אל Databases & Storage ‏ >‏ SQL Connect.

  2. בוחרים את השירות ואת מקור הנתונים, ואז פותחים את הכרטיסייה נתונים.

  3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ומתארים 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 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
  }
}

  5. בודקים את התוצאה. 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.

הנחיות עיצוב לכלים מבוססי-AI של צד שלישי

כמו בכל כלי עזר מבוסס-AI, ככל שההנחיות טובות יותר, כך התוצאות מועילות יותר.

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

אם אתם עובדים עם כלי AI של צד שלישי כמו Cursor או Windsurf, תוכלו לקבל SQL Connectהמלצות טובות יותר באמצעות הנחיות דומות ומפורטות יותר.

פרסמנו תבניות של הנחיות שאפשר להוריד, להתאים ולהעתיק אל סביבת הפיתוח המשולבת (IDE):

אחרי שמורידים ומשנים את ההצעה, יוצרים הצעה 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 + Global או + Workspace כדי ליצור כללים חדשים ברמה הגלובלית או ברמת סביבת העבודה, בהתאמה.
    4. מעתיקים ומדביקים את הכלל.

פתרון בעיות AI assistance for SQL Connect

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

תמחור

‫AI assistance for SQL Connect זמין כחלק מ-Gemini ב-Firebase והוא כלול עבור משתמשים פרטיים.

מידע נוסף זמין במאמר תמחור של Gemini ב-Firebase.

השלבים הבאים