Как создать и развернуть ИИ-агента для планирования питания с помощью Streamlit, Gemini Pro, Vertex AI и BigQuery

1. Введение

9370c0f92c692ebb.png

В этой практической работе вы узнаете, как создать и развернуть ИИ-агента для планирования питания. Для создания интерфейса мы будем использовать Streamlit, для LLM-модели – Gemini Pro 2.5, для оркестратора агентного ИИ – Vertex AI для разработки агентного ИИ, для хранения данных – BigQuery, а для развертывания – Cloud Run.

В ходе практической работы вы будете выполнять следующие действия:

  1. Подготовьте свой облачный проект Google Cloud и включите в нем все необходимые API.
  2. Как создать агентный ИИ для планирования питания с помощью Streamlit, Vertex AI и BigQuery
  3. Развертывание приложения в Cloud Run

Обзор архитектуры

84e3f3620dc4ed68.png

Требования

  • Проект Google Cloud Platform (GCP) с включенной оплатой.
  • Базовые знания Python

Что вы узнаете

  • Как создать агентный ИИ для планирования питания с помощью Streamlit и Vertex AI и хранить данные в BigQuery
  • Как развернуть приложение в Cloud Run

Что вам понадобится

  • веб-браузер Chrome;
  • аккаунт Gmail;
  • Проект Google Cloud с включенной оплатой.

2. Базовая настройка и требования

Самостоятельная настройка среды

  1. Войдите в консоль Google Cloud и создайте новый проект или используйте существующий. Если у вас ещё нет аккаунта Gmail или Google Workspace, создайте его.

fbef9caa1602edd0.png37d264871000675d.png5e3ff691252acf41.png

  • Название проекта – это отображаемое название для участников проекта. Это строка символов, которая не используется API Google. Вы всегда можете изменить его.
  • Идентификатор проекта уникален для всех проектов Google Cloud и неизменяем (его нельзя изменить после установки). Консоль Google Cloud автоматически генерирует уникальную строку, и обычно вам не нужно знать, что это за строка. В большинстве лабораторных работ вам нужно будет указать идентификатор проекта (обычно обозначается как PROJECT_ID). Если сгенерированный идентификатор вам не нравится, вы можете сгенерировать другой случайный идентификатор. Вы также можете попробовать ввести свой вариант и посмотреть, доступен ли он. После этого изменить его будет нельзя.
  • Некоторые API используют третий тип идентификатора – номер проекта. Подробнее о всех трех значениях…
  1. Затем вам нужно будет включить оплату в Cloud Console, чтобы использовать ресурсы и API Cloud. Выполнение этого руководства не потребует больших затрат, а может быть и вовсе бесплатным. Чтобы избежать расходов после завершения этого руководства, вы можете удалить созданные ресурсы или проект. Новым пользователям Google Cloud доступна бесплатная пробная версия с бонусом в размере 300 долларов США.

3. Подготовка

Как настроить облачный проект в редакторе Cloud Shell

В этой практической работе предполагается, что у вас уже есть проект Google Cloud с включенной оплатой. Если у вас его ещё нет, следуйте инструкциям ниже.

  1. В консоли Google Cloud на странице выбора проекта выберите или создайте проект Google Cloud.
  2. Убедитесь, что для вашего облачного проекта включены платежные функции. Подробнее о том, как проверить, включены ли платежные функции для проекта…
  3. Вы будете использовать Cloud Shell – среду командной строки, работающую в Google Cloud и поставляемую с предустановленным инструментом bq. В верхней части консоли Google Cloud нажмите "Активировать Cloud Shell".

26f20e837ff06119.png

  1. После подключения к Cloud Shell убедитесь, что вы уже прошли аутентификацию и что для проекта задан ваш идентификатор проекта, используя следующую команду:
gcloud auth list
  1. Чтобы убедиться, что команда gcloud знает о вашем проекте, выполните в Cloud Shell следующую команду:
gcloud config list project
  1. Если проект не задан, используйте следующую команду:
gcloud config set project <YOUR_PROJECT_ID>

Также идентификатор PROJECT_ID можно посмотреть в консоли.

bb98435b79995b15.jpeg

Нажмите на него, и справа появятся все ваши проекты и идентификаторы проектов.

ffa73dee57de5307.jpeg

  1. Включите необходимые API с помощью команды ниже. Это может занять несколько минут.
gcloud services enable aiplatform.googleapis.com \
                           run.googleapis.com \
                           cloudbuild.googleapis.com \
                           cloudresourcemanager.googleapis.com \
                    bigquery.googleapis.com

После успешного выполнения команды вы увидите сообщение, похожее на приведенное ниже.

Operation "operations/..." finished successfully.

Вместо команды gcloud можно использовать консоль, выполнив поиск по названию каждого продукта или перейдя по ссылке.

Если вы пропустили какой-либо API, его можно включить в процессе реализации.

Информацию о командах gcloud и их использовании можно найти в документации.

Настройка рабочего каталога приложения

  1. Нажмите кнопку "Открыть редактор". Откроется редактор Cloud Shell, в котором можно написать код 6f8e18e89d3198c0.png.
  2. Убедитесь, что облачный проект Cloud Code задан в левом нижнем углу (строке состояния) редактора Cloud Shell, как показано на изображении ниже, и что он соответствует активному проекту Google Cloud, в котором включены платежные функции. При необходимости нажмите Авторизоваться. После инициализации редактора Cloud Shell может пройти некоторое время, прежде чем появится кнопка Cloud Code - Sign In (Cloud Code – войти).

4e372d87c51afa30.png

Затем мы подготовим среду Python.

Настройка среды

Подготовка виртуальной среды Python

Следующий шаг – подготовка среды разработки. В этой практической работе мы будем использовать Python 3.12 и виртуальную среду Python, чтобы упростить создание и управление версией Python и виртуальной средой.

  1. Если вы ещё не открыли терминал, сделайте это , нажав Терминал > Новый терминал или сочетание клавиш Ctrl + Shift + C.

8635b60ae2f45bbc.jpeg

  1. Создайте новую папку и измените местоположение на эту папку, выполнив следующую команду:
mkdir agent_diet_planner
cd agent_diet_planner
  1. Создайте новую виртуальную среду, выполнив следующую команду:
python -m venv .env
  1. Активируйте виртуальную среду с помощью следующей команды:
source .env/bin/activate
  1. Создать requirements.txt. Нажмите "Файл > Новый текстовый файл" и вставьте в него приведенный ниже контент. Сохраните его как requirements.txt.
streamlit==1.33.0
google-cloud-aiplatform
google-cloud-bigquery
pandas==2.2.2
db-dtypes==1.2.0
pyarrow==16.1.0
  1. Затем установите все зависимости из файла requirements.txt, выполнив следующую команду:
pip install -r requirements.txt
  1. Чтобы проверить, установлены ли все зависимости библиотек Python, введите следующую команду:
pip list

Как настроить файлы конфигурации

Теперь нам нужно настроить файлы конфигурации для этого проекта. Файлы конфигурации используются для хранения переменных и учетных данных сервисного аккаунта.

  1. Первым шагом будет создание сервисного аккаунта. Введите в строку поиска "сервисный аккаунт" и нажмите на результат. 18c210d5d1e2a666.png
  2. Нажмите "+ Создать сервисный аккаунт". Введите название сервисного аккаунта и нажмите "Создать и продолжить". 67cad62d367e236a.png
  3. В разделе "Разрешения" выберите роль "Пользователь сервисного аккаунта". Нажмите "+ Добавить ещё одну роль" и выберите роль IAM: "Администратор BigQuery", "Администратор Cloud Run", "Вызывающий Cloud Run" и "Агент сервиса Vertex AI". Затем нажмите "Готово" 6givcjd8pof60.png.
  4. Нажмите "Адрес электронной почты сервисного аккаунта", нажмите клавишу Tab, нажмите "Добавить ключ" > "Создать новый ключ". 50989af3bb9e1538.png
  5. Выберите JSON и нажмите "Создать". Сохраните этот файл сервисного аккаунта на локальном устройстве для следующего шага a4a119672da532da.png
  6. Создайте папку .streamlit со следующей конфигурацией. Нажмите правой кнопкой мыши, выберите "Создать папку" и введите название папки..streamlit
  1. Нажмите правой кнопкой мыши на папку .streamlit, выберите "Новый файл" и введите указанное ниже значение. Сохраните его как secrets.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"
  1. Обновите значения для project_id, private_key_id, private_key, client_email и client_id , and auth_provider_x509_cert_url на основе сервисного аккаунта , созданного на предыдущем шаге.

Подготовка набора данных BigQuery

Следующий шаг – создать набор данных BigQuery для сохранения результатов генерации в BigQuery.

  1. Введите в поиске BigQuery и нажмите на результат.
  2. Нажмите 2f2e87396859bc74.png, а затем выберите "Создать набор данных".
  3. Введите идентификатор набора данных diet_planner_data и нажмите "Создать набор данных" 2055cda1ee0360bd.png.

4. Создание приложений для планирования диеты агента

Мы создадим простой веб-интерфейс с четырьмя полями ввода, который будет выглядеть следующим образом:

43b20db2d5f94f38.png

Измените вес, рост, возраст и пол в профиле, а затем нажмите "Создать". Он будет вызывать модель Gemini Pro 2.5 из библиотеки Vertex AI и сохранять сгенерированные результаты в BigQuery.

Код будет разделен на шесть частей, чтобы не быть слишком длинным.

Создайте функцию calculate bmi status

  1. Нажмите правой кнопкой мыши на папку agent_diet_planner → "Новый файл" → введите имя файла bmi_calc.py и нажмите Ввод.
  2. Заполнить код следующим образом
# 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
   }

Создание основных приложений для планировщика диеты

  1. Нажмите правой кнопкой мыши на папку agent_diet_planner > "Новый файл" > введите название файла app.py и нажмите Ввод.
  2. Заполнить код следующим образом
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()

Замените значение your_gcp_project_id идентификатором своего проекта.

Создание основных приложений агента по планированию диеты – setup_bq_tables

В этом разделе мы создадим функцию setup_bq_table с одним входным параметром bq_client. Эта функция определяет схему в таблице BigQuery и создает таблицу, если она не существует.

Вставьте код после предыдущего кода в файле 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")

Создать основные приложения для планирования диеты агента – generate_diet_plan

В этом разделе мы создадим функцию generate_diet_plan с одним входным параметром. Эта функция вызывает модель Gemini Pro 2.5 с запросом на определение и генерирует результаты.

Вставьте код после предыдущего кода в файле 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

Создание основных приложений для планирования диеты агента – save_to_bq

В этом разделе мы создадим функцию с названием save_to_bq и тремя входными параметрами : bq_client, user_id и plan. Эта функция сохраняет результаты в таблице BigQuery.

Вставьте код после предыдущего кода в файле 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

Создай основные приложения для планирования диеты

В этом разделе мы создадим функцию с названием main без входных параметров. Эта функция в основном обрабатывает скрипт интерфейса Streamlit, отображает сгенерированный результат, показывает ранее сгенерированный результат из таблицы BigQuery и позволяет скачивать данные в файл Markdown.

Вставьте код после предыдущего кода в файле 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()

Сохраните код с именем app.py.

5. Развертывание приложений с помощью Cloud Build в Cloud Run

Конечно, мы хотим показать это замечательное приложение другим. Чтобы это сделать, мы можем упаковать приложение и развернуть его в Cloud Run как общедоступный сервис, к которому смогут получить доступ другие пользователи. Чтобы это сделать, давайте вернемся к архитектуре

84e3f3620dc4ed68.png

Сначала нам понадобится Dockerfile. Нажмите Файл > Создать текстовый файл, скопируйте и вставьте следующий код,а затем сохраните его как 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"]

Затем мы создадим файл cloudbuild.yaml для сборки приложений в образы Docker, отправки в реестр артефактов и развертывания в Cloud Run.

Нажмите Файл > Создать текстовый файл, скопируйте и вставьте следующий код, а затем сохраните его как 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'

Теперь у нас есть все файлы, необходимые для создания приложений в виде образов Docker, их загрузки в реестр артефактов и развертывания в Cloud Run. Давайте развернем приложение. Перейдите в терминал Cloud Shell и убедитесь, что текущий проект настроен на ваш активный проект. Если нет, используйте команду gcloud configure, чтобы задать идентификатор проекта:

gcloud config set project [PROJECT_ID]

Затем выполните следующую команду, чтобы создать приложения в виде образов Docker, отправить их в реестр артефактов и развернуть в Cloud Run:

gcloud builds submit --config cloudbuild.yaml

Он создаст контейнер Docker на основе ранее предоставленного файла Dockerfile и отправит его в Artifact Registry. После этого мы развернем созданный образ в Cloud Run. Все эти действия описаны в cloudbuild.yaml.

Обратите внимание, что в этом примере мы разрешаем доступ без аутентификации, поскольку это демонстрационное приложение. Рекомендуем использовать подходящую аутентификацию для корпоративных и рабочих приложений.

После завершения развертывания мы можем проверить его на странице Cloud Run. Для этого введите "Cloud Run" в строке поиска в верхней части облачной консоли и нажмите на продукт Cloud Run.

3c460765656fc072.png

После этого вы можете проверить развернутый сервис, указанный на странице сервиса Cloud Run. Нажмите на сервис, чтобы получить его URL.

93dc975d3caeab0e.png

URL сервиса будет указан на верхней панели.

9325464321c106f8.pngИспользуйте приложение в окне инкогнито или на мобильном устройстве. Она уже должна быть доступна.

6. Организовать

Чтобы избежать списания средств с аккаунта Google Cloud за ресурсы, использованные в этой практической работе, выполните следующие действия:

  1. В консоли Google Cloud перейдите на страницу Управление ресурсами.
  2. В списке проектов выберите проект, который хотите удалить, и нажмите Удалить.
  3. В диалоговом окне введите идентификатор проекта и нажмите Закрыть, чтобы удалить проект.
  4. Вы также можете перейти в раздел Cloud Run в консоли, выбрать только что развернутый сервис и удалить его.