שימוש בעזרה של AI לסכמות, לשאילתות ולמוטציות של Firebase Data Connect

אתם יכולים להשתמש ב-Gemini ב-Firebase כדי ליצור סכימות, שאילתות ומוטציות שאפשר לכלול בקוד בצד הלקוח.

אתם יכולים לתאר אפליקציה ולסכם את מודל הנתונים שלה, או לתאר שאילתה או מוטציה שאתם רוצים ליצור בשפה טבעית, ו-Gemini ב-Firebase יספק לכם את המקבילה שלה ב-GraphQL.

התמיכה הזו מבוססת-AI זמינה בהקשרים רבים של פיתוח:

  • במסוף Firebase, מריצים את הפלט ובודקים אותו, פורסים את הסכימה והפעולות בסביבת הייצור ומסנכרנים אותם עם סביבת הפיתוח המקומית.
  • באופן מקומי, באמצעות התוסף של Data Connect ל-VS Code, אפשר לתכנן, להריץ ולבדוק באמצעות Gemini Code Assist עם מעבד ומסד נתונים מקומיים של PostgreSQL.

מידע נוסף על שאילתות ומוטציות זמין במאמר Data Connect סכימות, שאילתות ומוטציות.

איך AI assistance for Data Connect משתמשת בנתונים שלכם

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

הגדר את AI assistance for Data Connect

כדי להגדיר את התכונה 'עזרה מ-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 סכימות, שאילתות ומוטציות של GraphQL באמצעות Gemini ב-Firebase

התכונה 'עזרה מבוססת-AI' ב-Data Connect זמינה בהקשרים רבים ובחלק גדול מתהליכי העבודה.

יצירת אפליקציה חדשה, הסכימה והפעולות הראשוניות שלה במסוף Firebase

כשאתם יוצרים פרויקט חדש ב-Firebase ומגדירים פיתוח של אפליקציה חדשה, במסוף Firebase תוצג לכם באופן אוטומטי הצעה לקבלת עזרה מ-AI ליצירת סכימות ופעולות.

תהליך ההגדרה הזה מאפשר לתאר אפליקציה ואז לקבל עזרה מ-AI:

  • יצירת סכימה מלאה של Data Connect
  • יצירת קבוצת שאילתות ומוטציות מרכזיות ומועילות, שאפשר לשלב עם קוד הלקוח.

כדי להמשיך את השילוב עם הלקוחות, מסנכרנים את המשאבים שנוצרו במסוף עם סביבת הפיתוח המקומית.

תהליך העבודה הזה מתואר במדריך לתחילת העבודה.

הוספת שאילתות ומוטציות חדשות להרצה במסוף Firebase

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

  1. פותחים את Data Connect בפרויקט ובוחרים את מקור הנתונים בקטע Services.

  2. לוחצים על נתונים.

  3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark.

  4. בשדה הטקסט שמופיע, מתארים בשפה טבעית את השאילתה או המוטציה שרוצים ליצור ולוחצים על Generate.

    לדוגמה, אם אתם משתמשים במקור הנתונים Movies שמצוין בcodelab 'פיתוח עם Data Connect (אינטרנט)', 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
  }
}

  5. בודקים את התשובה:

    • אם התשובה נראית נכונה, לוחצים על הוספה כדי להוסיף את התשובה לעורך הקוד.
    • אם אפשר לשפר את התשובה, לוחצים על עריכה, מעדכנים את ההנחיה ולוחצים על יצירה מחדש.

  6. אחרי שמאשרים את התשובה, מגדירים את הפרמטרים הבאים בקטע Parameters, אם רלוונטי:

    • משתנים: אם השאילתה או המוטציה מכילות משתנים, מגדירים אותם כאן. אפשר להגדיר אותם באמצעות JSON, לדוגמה, {"title":"The Matrix", "releaseYear":"1999"}.
    • הרשאה: בוחרים את הקשר ההרשאה (אדמין, מאומת או לא מאומת) שבו רוצים להריץ את השאילתה או את המוטציה.

  7. 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 }
}

יצירה של סכימה ופעולות ראשוניות במהלך פיתוח אב טיפוס מקומי

אפשר לקבל עזרה מ-AI ב-Gemini Code Assist ליצירת אב טיפוס מקומי כשמשתמשים ב-Visual Studio Code ובתוסף Data Connect ל-VS Code.

התוסף מאפשר לתאר אפליקציה ואז Gemini Code Assist:

  • יצירת סכימה מלאה של Data Connect
  • יצירת קבוצת שאילתות ומוטציות מרכזיות ומועילות, שאפשר לשלב עם קוד הלקוח.

תהליך העבודה הזה מתואר במדריך לתחילת העבודה עם יצירת אב טיפוס מקומי.

תרחישים נוספים לדוגמה בנושא AI assistance for Data Connect

בקטעים הבאים מתוארים תרחישים לדוגמה, כולל תרחיש שבו תוכלו 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

בקטע הזה נסביר על דוגמה לשימוש בשפה טבעית כדי ליצור GraphQL עבור מוטציה שאפשר להשתמש בה כדי לאכלס את מסד הנתונים. בדוגמה הזו נעשה שימוש בהסכימה של מסד נתוני הסרטים שמופיעה במסמכי העזרה של Firebase Data Connect ובקודלאב 'פיתוח עם Data Connect (אינטרנט)'.

  1. במסוף Firebase, פותחים את Data Connect.

  2. בוחרים את השירות ומקור הנתונים, ואז פותחים את הכרטיסייה נתונים.

  3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים את השאילתה:

    Create a movie based on user input.

  4. לוחצים על יצירה. המוטציה מוחזרת. לדוגמה, יכול להיות ש-Gemini יחזיר 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
  })
}

  5. בודקים את הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ולוחצים על יצירה מחדש.

  6. לאחר מכן, לוחצים על Insert (הוספה) כדי להוסיף את המוטציה לעורך הנתונים.

  7. כדי לבצע 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. בשלב הבא יוצרים שאילתה שמאשרת שהסרט נוסף. לוחצים על עזרה בכתיבה של 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. 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. הדוגמה הזו מבוססת על ההנחה שאתם משתמשים במסד הנתונים של הסרטים שמופיע במסמכי התיעוד של Firebase Data Connect ובcodelab 'פיתוח עם Data Connect (אינטרנט)'.

  1. במסוף Firebase, פותחים את Data Connect.

  2. בוחרים את השירות ומקור הנתונים, ואז פותחים את הכרטיסייה נתונים.

  3. לוחצים על הסמל עזרה בכתיבה של GraphQLpen_spark ובתיבה שמופיעה מקלידים 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 הפלט. אם צריך, לוחצים על עריכה כדי לשפר את ההנחיה ולוחצים על יצירה מחדש.

  6. לאחר מכן, לוחצים על Insert (הוספה) כדי להוסיף את המוטציה לעורך הנתונים.

  7. כדי לבדוק את השאילתה הזו, צריך להוסיף משתנים. בקטע Parameters (פרמטרים), פותחים את Variables (משתנים) וכוללים את המשתנים לשימוש בבדיקה:

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

  8. לוחצים על Run.

פתרון בעיות AI assistance for Data Connect

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

תמחור

AI assistance for Data Connect זמין כחלק מ-Gemini ב-Firebase, שכלול במינויים של משתמשים פרטיים.

למידע נוסף, ראו תמחור של Gemini ב-Firebase.

השלבים הבאים