1. מבוא

ב-Codelab הזה נסביר איך ליצור ולפרוס סוכן מבוסס-AI לתכנון תפריט תזונה. ממשק המשתמש נוצר באמצעות Streamlit, מודל ה-LLM נוצר באמצעות Gemini Pro 2.5, מנוע ה-AI האקטיבי לתזמור נוצר באמצעות Vertex AI לפיתוח AI אקטיבי, BigQuery משמש לאחסון נתונים ו-Cloud Run משמש לפריסה.
במהלך ה-codelab, תשתמשו בגישה שלב אחר שלב באופן הבא:
- הכנת הפרויקט ב-Google Cloud והפעלת כל ממשקי ה-API הנדרשים בו
- איך יוצרים סוכן AI אקטיבי לתכנון תפריט תזונה באמצעות Streamlit, Vertex AI ו-BigQuery
- פריסת האפליקציה ב-Cloud Run
סקירה כללית של הארכיטקטורה

דרישה מוקדמת
- פרויקט ב-Google Cloud Platform (GCP) עם חיוב מופעל.
- ידע בסיסי ב-Python
מה תלמדו
- איך בונים AI אקטיבי לתכנון תפריט תזונה באמצעות Streamlit ו-Vertex AI, ומאחסנים נתונים ב-BigQuery
- איך פורסים את האפליקציה ב-Cloud Run
מה תצטרכו
- דפדפן האינטרנט Chrome
- חשבון Gmail
- פרויקט ב-Cloud עם חיוב מופעל
2. הגדרה בסיסית ודרישות
הגדרת סביבה בקצב עצמי
- נכנסים ל-מסוף Google Cloud ויוצרים פרויקט חדש או משתמשים בפרויקט קיים. אם עדיין אין לכם חשבון Gmail או Google Workspace, אתם צריכים ליצור חשבון.



- שם הפרויקט הוא השם המוצג למשתתפים בפרויקט. זו מחרוזת תווים שלא נמצאת בשימוש ב-Google APIs. תמיד אפשר לעדכן את המידע.
- מזהה הפרויקט הוא ייחודי לכל הפרויקטים ב-Google Cloud ואי אפשר לשנות אותו אחרי שהוא מוגדר. מסוף Cloud יוצר באופן אוטומטי מחרוזת ייחודית. בדרך כלל לא צריך לדעת מה היא. ברוב המדריכים ללימוד תכנות, תצטרכו להפנות למזהה הפרויקט (בדרך כלל מסומן כ-
PROJECT_ID). אם אתם לא אוהבים את המזהה שנוצר, אתם יכולים ליצור מזהה אקראי אחר. אפשר גם לנסות כתובת משלכם ולבדוק אם היא זמינה. אי אפשר לשנות את ההגדרה הזו אחרי השלב הזה, והיא נשארת למשך הפרויקט. - לידיעתכם, יש ערך שלישי, מספר פרויקט, שחלק מממשקי ה-API משתמשים בו. מידע נוסף על שלושת הערכים האלה מופיע במאמרי העזרה.
- בשלב הבא, תצטרכו להפעיל את החיוב במסוף Cloud כדי להשתמש במשאבי Cloud או בממשקי API של Cloud. הפעלה של Codelab הזה לא תעלה לכם הרבה, אם בכלל. כדי להשבית את המשאבים ולוודא שלא תחויבו על שימוש בהם אחרי שתסיימו את המדריך הזה, תוכלו למחוק את המשאבים שיצרתם או למחוק את הפרויקט. משתמשים חדשים ב-Google Cloud זכאים לתוכנית תקופת ניסיון בחינם בשווי 300$.
3. לפני שמתחילים
הגדרת פרויקט בענן בכלי Cloud Shell Editor
ב-Codelab הזה אנחנו יוצאים מנקודת הנחה שכבר יש לכם פרויקט בענן ב-Google Cloud עם חיוב מופעל. אם עדיין אין לכם חשבון, אתם יכולים לפעול לפי ההוראות שבהמשך כדי להתחיל.
- ב-מסוף Google Cloud, בדף לבחירת הפרויקט, בוחרים או יוצרים פרויקט ב-Google Cloud.
- הקפידו לוודא שהחיוב מופעל בפרויקט שלכם ב-Cloud. כך בודקים אם החיוב מופעל בפרויקט
- תשתמשו ב-Cloud Shell, סביבת שורת פקודה שפועלת ב-Google Cloud ומגיעה עם bq שנטען מראש. לוחצים על 'הפעלת Cloud Shell' בחלק העליון של מסוף Google Cloud.

- אחרי שמתחברים ל-Cloud Shell, בודקים שכבר בוצע אימות ושהפרויקט מוגדר למזהה הפרויקט שלכם באמצעות הפקודה הבאה:
gcloud auth list
- מריצים את הפקודה הבאה ב-Cloud Shell כדי לוודא שפקודת gcloud מכירה את הפרויקט.
gcloud config list project
- אם הפרויקט לא מוגדר, משתמשים בפקודה הבאה כדי להגדיר אותו:
gcloud config set project <YOUR_PROJECT_ID>
אפשר גם לראות את המזהה PROJECT_ID במסוף

לוחצים עליו וכל הפרויקטים ומזהה הפרויקט יופיעו בצד שמאל.

- מפעילים את ממשקי ה-API הנדרשים באמצעות הפקודה שמוצגת למטה. זה יימשך כמה דקות, אז כדאי לחכות בסבלנות.
gcloud services enable aiplatform.googleapis.com \
run.googleapis.com \
cloudbuild.googleapis.com \
cloudresourcemanager.googleapis.com \
bigquery.googleapis.com
אם הפקודה תפעל בהצלחה, תוצג הודעה דומה לזו שמופיעה בהמשך:
Operation "operations/..." finished successfully.
אפשר גם להשתמש במסוף במקום בפקודת gcloud. לשם כך, מחפשים כל מוצר או משתמשים בקישור הזה.
אם פספסתם API כלשהו, תמיד תוכלו להפעיל אותו במהלך ההטמעה.
אפשר לעיין במאמרי העזרה בנושא פקודות gcloud ושימוש בהן.
הגדרת ספריית עבודה של האפליקציה
- לוחצים על הלחצן Open Editor (פתיחת העורך). כך ייפתח Cloud Shell Editor, שבו אפשר לכתוב את הקוד

- מוודאים שהפרויקט ב-Cloud Code מוגדר בפינה הימנית התחתונה (סרגל הסטטוס) של העורך ב-Cloud Shell, כמו שמודגש בתמונה שלמטה, ושהוא מוגדר לפרויקט הפעיל ב-Google Cloud שבו החיוב מופעל. אם מתבקשים, לוחצים על אישור. יכול להיות שיעבור זמן מה אחרי הפעלת Cloud Shell Editor עד שיופיע הלחצן Cloud Code - Sign In. צריך להתאזר בסבלנות.

בשלב הבא נכין את סביבת Python
הגדרת הסביבה
הכנת סביבה וירטואלית של Python
השלב הבא הוא הכנת סביבת הפיתוח. בשיעור Codelab הזה נשתמש ב-Python 3.12 וב-python virtualenv כדי לפשט את הצורך ביצירה ובניהול של גרסת Python וסביבה וירטואלית.
- אם עדיין לא פתחתם את הטרמינל, פותחים אותו על ידי לחיצה על Terminal -> New Terminal או באמצעות Ctrl + Shift + C.

- יוצרים תיקייה חדשה ומשנים את המיקום לתיקייה הזו באמצעות הפקודה הבאה
mkdir agent_diet_planner
cd agent_diet_planner
- יוצרים סביבת virtualenv חדשה באמצעות הפקודה הבאה
python -m venv .env
- מפעילים את virtualenv באמצעות הפקודה הבאה
source .env/bin/activate
- יצירת
requirements.txt. לוחצים על קובץ ← קובץ טקסט חדש וממלאים את התוכן שבהמשך. אחר כך שומרים אותו בתורrequirements.txt
streamlit==1.33.0
google-cloud-aiplatform
google-cloud-bigquery
pandas==2.2.2
db-dtypes==1.2.0
pyarrow==16.1.0
- לאחר מכן מתקינים את כל הרכיבים התלויים מקובץ requirements.txt באמצעות הפקודה הבאה
pip install -r requirements.txt
- מזינים את הפקודה הבאה כדי לבדוק אם כל התלות בספריות Python מותקנת
pip list
הגדרת קובצי תצורה
עכשיו צריך להגדיר קובצי הגדרה לפרויקט הזה. קבצי תצורה משמשים לאחסון משתנים ופרטי כניסה של חשבונות שירות.
- השלב הראשון הוא ליצור חשבון שירות. מקלידים חשבון שירות בחיפוש ולוחצים על חשבון שירות.

- לוחצים על + Create service account (יצירת חשבון שירות). מזינים את השם של חשבון השירות ולוחצים על 'יצירה והמשך'.

- בקטע 'הרשאה', בוחרים בתפקיד 'משתמש בחשבון שירות'. לוחצים על + Add another role (הוספת תפקיד נוסף) ובוחרים את תפקיד ה-IAM : BigQuery Admin (אדמין של BigQuery), Cloud Run Admin (אדמין של Cloud Run), Cloud Run Invoker (הפעלת Cloud Run) ו-Vertex AI Service Agent (סוכן שירות של Vertex AI). לאחר מכן לוחצים על Done (סיום)
. - לוחצים על כתובת האימייל בחשבון השירות, לוחצים על מקש Tab, לוחצים על add key (הוספת מפתח) → Create new key (יצירת מפתח חדש).

- בוחרים באפשרות json ולוחצים על Create (יצירה). שומרים את קובץ חשבון השירות באופן מקומי כדי להשתמש בו בשלב הבא

- יוצרים תיקייה בשם .streamlit עם ההגדרות הבאות. לוחצים לחיצה ימנית על העכבר, לוחצים על 'תיקייה חדשה' ומקלידים את שם התיקייה
.streamlit
- לוחצים לחיצה ימנית בתיקייה
.streamlitואז לוחצים על New File (קובץ חדש) ומזינים את הערך שבהמשך. אחר כך שומרים אותו בתורsecrets.toml
# secrets.toml (for Streamlit sharing)
# Store in .streamlit/secrets.toml
[gcp]
project_id = "your_gcp_project"
location = "us-central1"
[gcp_service_account]
type = "service_account"
project_id = "your-project-id"
private_key_id = "your-private-key-id"
private_key = '''-----BEGIN PRIVATE KEY-----
YOUR_PRIVATE_KEY_HERE
-----END PRIVATE KEY-----'''
client_email = "your-sa@project-id.iam.gserviceaccount.com"
client_id = "your-client-id"
auth_uri = "https://accounts.google.com/o/oauth2/auth"
token_uri = "https://oauth2.googleapis.com/token"
auth_provider_x509_cert_url = "https://www.googleapis.com/oauth2/v1/certs"
client_x509_cert_url = "https://www.googleapis.com/robot/v1/metadata/x509/your-sa%40project-id.iam.gserviceaccount.com"
- מעדכנים את הערך של
project_id,private_key_id,private_key,client_emailו-client_id , and auth_provider_x509_cert_urlבהתאם לחשבון השירות שנוצר בשלב הקודם
הכנת מערך נתונים ב-BigQuery
השלב הבא הוא ליצור מערך נתונים ב-BigQuery כדי לשמור את תוצאות היצירה ב-BigQuery.
- מקלידים BigQuery בשדה החיפוש ולוחצים על BigQuery.
- לוחצים על
ואז על 'יצירת מערך נתונים'. - מזינים את מזהה מערך הנתונים
diet_planner_dataואז לוחצים על 'יצירת מערך נתונים'
.
4. יצירת אפליקציות לתכנון תפריט תזונה
ניצור ממשק אינטרנט פשוט עם 4 קלטים שייראה כך

משנים את המשקל, הגובה, הגיל והמגדר על סמך הפרופיל ולוחצים על 'יצירה'. הוא יקרא למודל LLM Gemini Pro 2.5 בספריית Vertex AI ויאחסן את התוצאות שנוצרו ב-BigQuery.
הקוד יחולק ל-6 חלקים כדי שלא יהיה ארוך מדי.
יצירת הפונקציה calculate bmi status
- לוחצים לחיצה ימנית על התיקייה
agent_diet_planner→ קובץ חדש → מזינים את שם הקובץbmi_calc.pyואז מקישים על Enter. - מילוי הקוד באמצעות
# Add this function to calculate BMI and health status
def calculate_bmi_status(weight, height):
"""
Calculate BMI and return status message
"""
height_m = height / 100 # Convert cm to meters
bmi = weight / (height_m ** 2)
if bmi < 18.5:
status = "underweight"
message = "⚠️ Your BMI suggests you're underweight. Consider increasing calorie intake with nutrient-dense foods."
elif 18.5 <= bmi < 25:
status = "normal"
message = "✅ Your BMI is in the healthy range. Let's maintain this balance!"
elif 25 <= bmi < 30:
status = "overweight"
message = "⚠️ Your BMI suggests you're overweight. Focus on gradual weight loss through balanced nutrition."
else:
status = "obese"
message = "❗ Your BMI indicates obesity. Please consult a healthcare provider for personalized guidance."
return {
"value": round(bmi, 1),
"status": status,
"message": message
}
יצירת אפליקציות ראשיות של מתכנן תזונה לסוכנים
- לוחצים לחיצה ימנית על התיקייה
agent_diet_planner→ קובץ חדש → מזינים את שם הקובץapp.pyואז מקישים על Enter. - מילוי הקוד באמצעות
import os
from google.oauth2 import service_account
import streamlit as st
from google.cloud import bigquery
from vertexai.preview.generative_models import GenerativeModel
import vertexai
import datetime
import time
import pandas as pd
from bmi_calc import calculate_bmi_status
# Get configuration from environment
PROJECT_ID = os.environ.get("GCP_PROJECT_ID", "your_gcp_project_id")
LOCATION = os.environ.get("GCP_LOCATION", "us-central1")
#CONSTANTS Dataset and table in BigQuery
DATASET = "diet_planner_data"
TABLE = "user_plans"
# Initialize Vertex AI
vertexai.init(project=PROJECT_ID, location=LOCATION)
# Initialize BigQuery client
try:
# For Cloud Run, use default credentials
bq_client = bigquery.Client()
except:
# For local development, use service account from secrets
if "gcp_service_account" in st.secrets:
service_account_info = dict(st.secrets["gcp_service_account"])
credentials = service_account.Credentials.from_service_account_info(service_account_info)
bq_client = bigquery.Client(credentials=credentials, project=PROJECT_ID)
else:
st.error("BigQuery client initialization failed")
st.stop()
מחליפים את הערך your_gcp_project_id במזהה הפרויקט.
יצירת אפליקציות ראשיות לתכנון תזונה של סוכנים – setup_bq_tables
בקטע הזה ניצור פונקציה בשם setup_bq_table עם פרמטר קלט אחד bq_client. הפונקציה הזו תגדיר סכימה בטבלת BigQuery ותיצור טבלה אם היא לא קיימת.
מילוי הקוד עם הקוד הבא אחרי הקוד הקודם ב-app.py
# Create BigQuery table if not exists
def setup_bq_table(bq_client):
dataset_id = f"{st.secrets['gcp']['project_id']}.{DATASET}"
table_id = f"{dataset_id}.{TABLE}"
schema = [
bigquery.SchemaField("user_id", "STRING", mode="REQUIRED"),
bigquery.SchemaField("timestamp", "TIMESTAMP", mode="REQUIRED"),
bigquery.SchemaField("weight", "FLOAT", mode="REQUIRED"),
bigquery.SchemaField("height", "INTEGER", mode="REQUIRED"),
bigquery.SchemaField("age", "INTEGER", mode="REQUIRED"),
bigquery.SchemaField("gender", "STRING", mode="REQUIRED"),
bigquery.SchemaField("diet_plan", "STRING", mode="REQUIRED")
]
try:
bq_client.get_table(table_id)
except:
table = bigquery.Table(table_id, schema=schema)
bq_client.create_table(table)
st.toast("BigQuery table created successfully")
יצירת אפליקציות ראשיות של סוכן לתכנון תזונה – generate_diet_plan
בקטע הזה ניצור פונקציה בשם generate_diet_plan עם פרמטר קלט אחד. הפונקציה הזו תפעיל את מודל ה-LLM Gemini Pro 2.5 עם הנחיית הגדרה ותפיק תוצאות.
מילוי הקוד עם הקוד הבא אחרי הקוד הקודם ב-app.py
# Generate diet plan using Gemini Pro
def generate_diet_plan(params):
try:
model = GenerativeModel("gemini-2.5-pro")
prompt = f"""
Create a personalized 7-day diet plan for:
- {params['gender']}, {params['age']} years old
- Weight: {params['weight']} kg
- Height: {params['height']} cm
Include:
1. Daily calorie target
2. Macronutrient breakdown (carbs, protein, fat)
3. Meal timing and frequency
4. Food recommendations
5. Hydration guidance
Make the plan:
- Nutritionally balanced
- Practical for daily use
- Culturally adaptable
- With portion size guidance
"""
response = model.generate_content(prompt)
return response.text
except Exception as e:
st.error(f"AI generation error: {str(e)}")
return None
Create agent diet planner main apps - save_to_bq
בקטע הזה ניצור פונקציה בשם save_to_bq עם 3 פרמטרים של קלט : bq_client, user_id ו-plan. הפונקציה הזו תשמור את תוצאת היצירה בטבלת BigQuery
מילוי הקוד עם הקוד הבא אחרי הקוד הקודם ב-app.py
# Save user data to BigQuery
def save_to_bq(bq_client, user_id, plan):
try:
dataset_id = f"{st.secrets['gcp']['project_id']}.{DATASET}"
table_id = f"{dataset_id}.{TABLE}"
row = {
"user_id": user_id,
"timestamp": datetime.datetime.utcnow().isoformat(),
"weight": st.session_state.user_data["weight"],
"height": st.session_state.user_data["height"],
"age": st.session_state.user_data["age"],
"gender": st.session_state.user_data["gender"],
"diet_plan": plan
}
errors = bq_client.insert_rows_json(table_id, [row])
if errors:
st.error(f"BigQuery error: {errors}")
else:
return True
except Exception as e:
st.error(f"Data saving error: {str(e)}")
return False
Create agent diet planner main apps - main
בקטע הזה ניצור פונקציה בשם main ללא פרמטר קלט. הפונקציה הזו מטפלת בעיקר בסקריפט של ממשק המשתמש של Streamlit, מציגה תוצאה שנוצרה, מציגה תוצאה היסטורית שנוצרה מטבלת BigQuery ומאפשרת להוריד נתונים לקובץ Markdown.
מילוי הקוד עם הקוד הבא אחרי הקוד הקודם ב-app.py
# Streamlit UI
def main():
st.set_page_config(page_title="AI Diet Planner", page_icon="🍏", layout="wide")
# Initialize session state
if "user_data" not in st.session_state:
st.session_state.user_data = None
if "diet_plan" not in st.session_state:
st.session_state.diet_plan = None
# Initialize clients
#bq_client = init_clients()
setup_bq_table(bq_client)
st.title("🍏 AI-Powered Diet Planner")
st.markdown("""
<style>
.stProgress > div > div > div > div {
background-color: #4CAF50;
}
[data-testid="stForm"] {
background: #f0f5ff;
padding: 20px;
border-radius: 10px;
border: 1px solid #e6e9ef;
}
</style>
""", unsafe_allow_html=True)
# User input form
with st.form("user_profile", clear_on_submit=False):
st.subheader("Your Profile")
col1, col2 = st.columns(2)
with col1:
weight = st.number_input("Weight (kg)", min_value=30.0, max_value=200.0, value=70.0)
height = st.number_input("Height (cm)", min_value=100, max_value=250, value=170)
with col2:
age = st.number_input("Age", min_value=18, max_value=100, value=30)
gender = st.selectbox("Gender", ["Man", "Woman"])
submitted = st.form_submit_button("Generate Diet Plan")
if submitted:
user_data = {
"weight": weight,
"height": height,
"age": age,
"gender": gender
}
st.session_state.user_data = user_data
# Calculate BMI
bmi_result = calculate_bmi_status(weight, height)
# Display BMI results in a visually distinct box
with st.container():
st.subheader("📊 Your Health Assessment")
col1, col2 = st.columns([1, 3])
with col1:
st.metric("BMI", bmi_result["value"])
with col2:
if bmi_result["status"] != "normal":
st.warning(bmi_result["message"])
else:
st.success(bmi_result["message"])
# Add BMI scale visualization
st.markdown(f"""
<div style="background:#f0f2f6;padding:10px;border-radius:10px;margin-top:10px">
<small>BMI Scale:</small><br>
<div style="display:flex;height:20px;background:linear-gradient(90deg,
#4e79a7 0%,
#4e79a7 18.5%,
#60bd68 18.5%,
#60bd68 25%,
#f28e2b 25%,
#f28e2b 30%,
#e15759 30%,
#e15759 100%);position:relative">
<div style="position:absolute;left:{min(100, max(0, (bmi_result["value"]/40)*100))}%;top:-5px">
▼
</div>
</div>
<div style="display:flex;justify-content:space-between">
<span>Underweight (<18.5)</span>
<span>Healthy (18.5-25)</span>
<span>Overweight (25-30)</span>
<span>Obese (30+)</span>
</div>
</div>
""", unsafe_allow_html=True)
# Store BMI in session state
st.session_state.bmi = bmi_result
# Plan generation and display
if submitted and st.session_state.user_data:
with st.spinner("🧠 Generating your personalized diet plan using Gemini AI..."):
#diet_plan = generate_diet_plan(st.session_state.user_data)
diet_plan = generate_diet_plan({**st.session_state.user_data,"bmi": bmi_result["value"],
"bmi_status": bmi_result["status"]
})
if diet_plan:
st.session_state.diet_plan = diet_plan
# Generate unique user ID
user_id = f"user_{int(time.time())}"
# Save to BigQuery
if save_to_bq(bq_client, user_id, diet_plan):
st.toast("✅ Plan saved to database!")
# Display generated plan
if st.session_state.diet_plan:
st.subheader("Your Personalized Diet Plan")
st.markdown("---")
st.markdown(st.session_state.diet_plan)
# Download button
st.download_button(
label="Download Plan",
data=st.session_state.diet_plan,
file_name="my_diet_plan.md",
mime="text/markdown"
)
# Show history
st.subheader("Your Plan History")
try:
query = f"""
SELECT timestamp, weight, height, age, gender
FROM `{st.secrets['gcp']['project_id']}.{DATASET}.{TABLE}`
WHERE user_id LIKE 'user_%'
ORDER BY timestamp DESC
LIMIT 5
"""
history = bq_client.query(query).to_dataframe()
if not history.empty:
history["timestamp"] = pd.to_datetime(history["timestamp"])
st.dataframe(history.style.format({
"weight": "{:.1f} kg",
"height": "{:.0f} cm"
}))
else:
st.info("No previous plans found")
except Exception as e:
st.error(f"History load error: {str(e)}")
if __name__ == "__main__":
main()
שומרים את הקוד בשם app.py.
5. פריסת אפליקציות באמצעות Cloud Build ב-Cloud Run
עכשיו, ברור שאנחנו רוצים להציג את האפליקציה המדהימה הזו לאחרים. כדי לעשות זאת, אפשר לארוז את האפליקציה הזו ולפרוס אותה ב-Cloud Run כשירות ציבורי שאחרים יכולים לגשת אליו. כדי לעשות את זה, נחזור לארכיטקטורה

קודם צריך ליצור קובץ Dockerfile. לוחצים על File->New Text File (קובץ -> קובץ טקסט חדש), מעתיקים את הקוד הבא ומדביקים אותו,ואז שומרים אותו בשם Dockerfile.
# Use official Python image
FROM python:3.12-slim
# Set environment variables
ENV PYTHONDONTWRITEBYTECODE 1
ENV PYTHONUNBUFFERED 1
ENV PORT 8080
# Install system dependencies
RUN apt-get update && \
apt-get install -y --no-install-recommends \
build-essential \
libpq-dev \
&& rm -rf /var/lib/apt/lists/*
# Set working directory
WORKDIR /app
# Copy requirements
COPY requirements.txt .
# Install Python dependencies
RUN pip install --no-cache-dir -r requirements.txt
# Copy application files
COPY . .
# Expose port
EXPOSE $PORT
# Run the application
CMD ["streamlit", "run", "app.py", "--server.port", "8080", "--server.address", "0.0.0.0"]
בשלב הבא ניצור את cloudbuild.yaml כדי לבנות אפליקציות שיהפכו לקובצי אימג' של Docker, להעביר אותן בדחיפה ל-Artifact Registry ולפרוס אותן ב-Cloud Run.
לוחצים על File->New Text File (קובץ > קובץ טקסט חדש), מעתיקים את הקוד הבא, מדביקים אותו ושומרים אותו בשם cloudbuild.yaml.
steps:
# Build Docker image
- name: 'gcr.io/cloud-builders/docker'
args: ['build', '-t', 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID', '--no-cache',
'--progress=plain',
'.']
id: 'Build'
timeout: 1200s
waitFor: ['-']
dir: '.'
# Push to Container Registry
- name: 'gcr.io/cloud-builders/docker'
args: ['push', 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID']
id: 'Push'
waitFor: ['Build']
# Deploy to Cloud Run
- name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'
entrypoint: gcloud
args:
- 'run'
- 'deploy'
- 'diet-planner-service'
- '--image=gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID'
- '--port=8080'
- '--region=us-central1'
- '--platform=managed'
- '--allow-unauthenticated'
- '--set-env-vars=GCP_PROJECT_ID=$PROJECT_ID,GCP_LOCATION=us-central1'
- '--cpu=1'
- '--memory=1Gi'
- '--timeout=300'
waitFor: ['Push']
options:
logging: CLOUD_LOGGING_ONLY
machineType: 'E2_HIGHCPU_8'
diskSizeGb: 100
images:
- 'gcr.io/$PROJECT_ID/diet-planner:$BUILD_ID'
בשלב הזה, כבר יש לנו את כל הקבצים שדרושים כדי ליצור אפליקציות שיהפכו לקובצי אימג' של Docker, להעביר אותם בדחיפה ל-Artifact Registry ולפרוס אותם ב-Cloud Run. עכשיו נבצע את הפריסה. עוברים לטרמינל Cloud Shell ומוודאים שהפרויקט הנוכחי מוגדר לפרויקט הפעיל שלכם. אם לא, צריך להשתמש בפקודה gcloud configure כדי להגדיר את מזהה הפרויקט:
gcloud config set project [PROJECT_ID]
לאחר מכן, מריצים את הפקודה הבאה כדי ליצור אפליקציות שיהפכו לקובצי אימג' של Docker, להעביר אותן בדחיפה ל-Artifact Registry ולפרוס אותן ב-Cloud Run
gcloud builds submit --config cloudbuild.yaml
הכלי ייצור את קובץ ה-Docker על סמך קובץ ה-Dockerfile שסיפקנו קודם, ויעביר אותו בדחיפה ל-Artifact Registry. לאחר מכן נבצע פריסה של האימג' שנוצר ב-Cloud Run. כל התהליך הזה מוגדר בcloudbuild.yaml השלבים.
הערה: אנחנו מאפשרים כאן גישה ללא אימות כי זו אפליקציית הדגמה. מומלץ להשתמש באימות מתאים לאפליקציות הארגוניות ולאפליקציות הייצור.
אחרי שהפריסה מסתיימת, אפשר לבדוק אותה בדף Cloud Run. כדי לעשות זאת, מחפשים את Cloud Run בסרגל החיפוש העליון במסוף Cloud ולוחצים על המוצר Cloud Run.

אחרי זה אפשר לבדוק את השירות שנפרס שמופיע בדף Cloud Run Service. לוחצים על השירות כדי לקבל את כתובת ה-URL של השירות.

כתובת ה-URL של השירות תופיע בסרגל העליון
אפשר להשתמש באפליקציה מהחלון הפרטי או מהנייד. הוא כבר אמור להיות פעיל.
6. הסרת המשאבים
כדי לא לצבור חיובים לחשבון Google Cloud על המשאבים שבהם השתמשתם ב-codelab הזה:
- במסוף Google Cloud, עוברים לדף Manage resources.
- ברשימת הפרויקטים, בוחרים את הפרויקט שרוצים למחוק ולוחצים על מחיקה.
- כדי למחוק את הפרויקט, כותבים את מזהה הפרויקט בתיבת הדו-שיח ולוחצים על Shut down.
- אפשר גם להיכנס אל Cloud Run במסוף, לבחור את השירות שפרסתם ולמחוק אותו.