שימוש בסיוע מבוסס-AI ב-Data Connect

אתם יכולים 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 ב-Data 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 ובהרחבה Data Connect VS Code כדי ליצור, לבדוק ולפתח באפליקציה באמצעות האמולטור.
  • אפשר להשתמש בשרת Firebase MCP כדי ליצור, לבדוק ולפתח את האפליקציה באמצעות כלים לפיתוח שמבוססים על AI.

במדריכים אפשר לקרוא מידע נוסף על Data Connect סכימה, שאילתה ועל תחביר של שינוי.

איך AI assistance for Data Connect משתמש בנתונים שלכם

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

הגדר את AI assistance for Data Connect

כדי להשתמש בעזרה מ-AI עם Data 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 ב-Data Connect בהרבה מתהליכי העבודה שלכם.

במסוף Firebase

כשיוצרים שירות Data 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 אפשר לראות כמה תרחישים לדוגמה.

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

בסביבה המקומית

אפשר גם לקבל עזרה מ-AI באמצעות Firebase CLI והתוסף Data Connect ל-VS Code.

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

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

התוסף Data Connect ל-VS Code כולל את התכונות הבאות:

  • Generates/Refine Operations Code Lens כדי להמיר הערות GraphQL לData Connect פעולות.
  • שילוב חלק עם Gemini Code Assist ועם שרת Firebase MCP.

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

שימוש בשרת Firebase MCP עם כלי פיתוח מבוססי-AI

שרת Firebase MCP פועל עם כל כלי עזר מבוסס-AI שיכול לשמש כלקוח MCP, כולל Gemini CLI‏, Gemini Code Assist‏, Cursor‏, Visual Studio Code Copilot‏, Claude Desktop ו-Windsurf Editor.

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

  • הגדרת ספריות פרויקט חדשות וערכות SDK שנוצרו.
  • ליצור סכימות ולחזור עליהן, פעולות שמבוססות על שגיאות קומפילציה.
  • ליצור סכימות חדשות ופעולות על סמך דרישות.
  • ליצור פעולות ולהריץ אותן מול שירותי אמולטור מקומי או שירותי קצה עורפי.
  • אוספים מידע על שירותים קיימים.

כדי להשתמש בשרת Firebase MCP:

  1. מגדירים את לקוח ה-MCP לפי המדריך הזה.
  2. בקשת עזרה בנושא Data Connect. דוגמאות להנחיות:
    1. ‫"Set up a Data Connect project for a pizza delivery app."
    2. "תיקון שגיאות קומפילציה של Data Connect".
    3. "בדף הבית, אני רוצה להציג את חדרי הצ'אט הפעילים ואת רשימת החברים. תצור שאילתת Data Connect".
    4. "What users are in my local Data Connect emulator?"
    5. "באילו אזורים ב-Google Cloud נמצאים שירותי Data 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 Data Connect כדי ליצור GraphQL שמבוסס על שפה טבעית:

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

  2. לוחצים על נתונים.

  3. לוחצים על הסמל עזרה בכתיבה ב-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 Data Connect (web)", אתם יכולים לשאול "Return the top five movies of 2022, in descending order by rating" (החזרת חמשת הסרטים המובילים משנת 2022, בסדר יורד לפי דירוג), ואולי תקבלו תוצאה כמו זו:

    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 אפשר לשפר את התשובה, לוחצים על עריכה, מעדכנים את ההנחיה ולוחצים על יצירה מחדש.

  5. 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.

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

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

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

יצירת מוטציה שמוסיפה סרט למסד הנתונים על סמך קלט משתמש

בדוגמה הזו אפשר לראות איך להשתמש בשפה טבעית כדי ליצור מוטציה של GraphQL שממלאת את מסד הנתונים. בדוגמה הזו ההנחה היא שאתם משתמשים בסכימת מסד הנתונים של הסרט שמופיעה במסמכי 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 בכתיבה של GraphQLpen_spark ומתארים את המוטציה:

    Create a movie based on user input.

  4. לוחצים על יצירה. המוטציה מוחזרת. לדוגמה, Gemini יכול להחזיר 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 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 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 הסמל pen_spark של עזרה בכתיבת GraphQL, 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 מוצג איך להשתמש בשפה טבעית כדי ליצור שאילתת GraphQL. בדוגמה הזו אנחנו מניחים שאתם משתמשים במסד הנתונים של הסרטים שמופיע במאמרי העזרה של Firebase Data Connect וב-codelab‏ Data Connect (אינטרנט).

  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 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 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.

הנחיות עיצוב לכלים מבוססי-AI של צד שלישי

כמו בכל כלי עזר מבוסס-AI, ככל שההנחיות טובות יותר, כך הפלט שימושי יותר.

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

אם אתם עובדים עם כלים של AI מצד שלישי כמו Cursor או Windsurf, תוכלו לקבל Data Connectהמלצות טובות יותר אם תשתמשו בהנחיות דומות ומפורטות יותר.

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

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 האחרונות 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 Data Connect

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

תמחור

‫AI assistance for Data Connect זמין כחלק מ-Gemini ב-Firebase והוא כלול למשתמשים פרטיים.

מידע נוסף זמין במאמר תמחור של Gemini ב-Firebase.

השלבים הבאים