此页面由 Cloud Translation API 翻译。

使用 Streamlit、Gemini Pro、Vertex AI 和 BigQuery 构建和部署 AI 赋能的代理饮食规划器

1. 简介

在此 Codelab 中，您将学习如何构建和部署 AI 赋能的代理饮食规划器。对于使用 Streamlit 的界面，LLM 模型使用 Gemini Pro 2.5，Agentic AI Engine Orchestrator 使用 Vertex AI 进行开发 Agentic AI，BigQuery 用于存储数据，Cloud Run 用于部署。

在此 Codelab 中，您将采用以下分步方法：

准备好您的 Google Cloud 项目，并在其中启用所有必需的 API
使用 Streamlit、Vertex AI 和 BigQuery 构建 Agentic AI 饮食规划器
将应用部署到 Cloud Run

架构概览

前提条件

启用了结算功能的 Google Cloud Platform (GCP) 项目。
Python 基础知识

学习内容

如何使用 Streamlit 和 Vertex AI 构建 Agentic AI 饮食规划器，并将数据存储到 BigQuery
如何将应用部署到 Cloud Run

所需条件

Chrome 网络浏览器
Gmail 账号
启用了结算功能的 Cloud 项目

2. 基本设置和要求

自定进度的环境设置

项目名称是此项目参与者的显示名称。它是 Google API 尚未使用的字符串。您可以随时对其进行更新。
项目 ID 在所有 Google Cloud 项目中是唯一的，并且是不可变的（一经设置便无法更改）。Cloud 控制台会自动生成一个唯一字符串；通常情况下，您无需关注该字符串。在大多数 Codelab 中，您都需要引用项目 ID（通常用 PROJECT_ID 标识）。如果您不喜欢生成的 ID，可以再随机生成一个 ID。或者，您也可以尝试自己的项目 ID，看看是否可用。完成此步骤后便无法更改该 ID，并且此 ID 在项目期间会一直保留。
此外，还有第三个值，即部分 API 使用的项目编号，供您参考。如需详细了解所有这三个值，请参阅文档。

接下来，您需要在 Cloud 控制台中启用结算功能，以便使用 Cloud 资源/API。运行此 Codelab 应该不会产生太多的费用（如果有的话）。若要关闭资源以避免产生超出本教程范围的结算费用，您可以删除自己创建的资源或删除项目。Google Cloud 新用户符合参与 300 美元免费试用计划的条件。

3. 准备工作

在 Cloud Shell 编辑器中设置 Cloud 项目

此 Codelab 假设您已拥有一个启用了结算功能的 Google Cloud 项目。如果您还没有，可以按照以下说明开始使用。

在 Google Cloud Console 的项目选择器页面上，选择或创建一个 Google Cloud 项目。
确保您的 Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。
您将使用 Cloud Shell，这是一个在 Google Cloud 中运行的命令行环境，它预加载了 bq。点击 Google Cloud 控制台顶部的“激活 Cloud Shell”。

连接到 Cloud Shell 后，您可以使用以下命令检查自己是否已通过身份验证，以及项目是否已设置为您的项目 ID：

gcloud auth list

在 Cloud Shell 中运行以下命令，以确认 gcloud 命令了解您的项目。

gcloud config list project

如果项目未设置，请使用以下命令进行设置：

gcloud config set project <YOUR_PROJECT_ID>

或者，您也可以在控制台中看到 PROJECT_ID ID

点击该项目，您将在右侧看到您的所有项目和项目 ID

通过以下命令启用必需的 API。这可能需要几分钟的时间，请耐心等待。

gcloud services enable aiplatform.googleapis.com \
                           run.googleapis.com \
                           cloudbuild.googleapis.com \
                           cloudresourcemanager.googleapis.com \
                    bigquery.googleapis.com

成功执行该命令后，您应该会看到类似于以下消息的消息：

Operation "operations/..." finished successfully.

除了使用 gcloud 命令，您还可以通过控制台搜索每个产品或使用此链接。

如果遗漏了任何 API，您始终可以在实施过程中启用它。

如需了解 gcloud 命令和用法，请参阅文档。

设置应用工作目录

点击“打开编辑器”按钮，系统会打开 Cloud Shell 编辑器，我们可以在这里编写代码
确保 Cloud Shell 编辑器的左下角（状态栏）已设置 Cloud Code 项目，如下图中突出显示的那样，并且已设置为已启用结算的有效 Google Cloud 项目。如果系统提示，请点击授权。初始化 Cloud Shell 编辑器后，Cloud Code - 登录按钮可能需要一段时间才会显示，请耐心等待。

接下来，我们将准备 Python 环境

环境设置

准备 Python 虚拟环境

下一步是准备开发环境。在此 Codelab 中，我们将使用 Python 3.12，并使用 Python virtualenv 来简化创建和管理 Python 版本和虚拟环境的需求

如果您尚未打开终端，请依次点击 Terminal -> New Terminal 将其打开，或者使用 Ctrl + Shift + C

运行以下命令，创建新文件夹并将位置更改为该文件夹

mkdir agent_diet_planner
cd agent_diet_planner

运行以下命令创建新的 virtualenv

python -m venv .env

使用以下命令激活 virtualenv

source .env/bin/activate

创建 requirements.txt。依次点击“文件”→“新建文本文件”，然后填充以下内容。然后将其保存为 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

然后，运行以下命令，从 requirements.txt 安装所有依赖项

pip install -r requirements.txt

输入以下命令，检查是否已安装所有 Python 库依赖项

pip list

设置配置文件

现在，我们需要为此项目设置配置文件。配置文件用于存储变量和服务账号凭据。

第一步是创建服务账号。在搜索框中输入“服务账号”，然后点击“服务账号”。
点击“+ 创建服务账号”。输入服务账号名称，然后点击“创建并继续”。
在“权限”中，选择“Service Account User”角色。依次点击“+ 添加其他角色”和 IAM 角色：“BigQuery Admin”“Cloud Run Admin”“Cloud Run Invoker”“Vertex AI Service Agent”和“Vertex AI User”，然后点击“完成”图标
依次点击“服务账号电子邮件地址”“Tab”键、“添加密钥”→“创建新密钥”。
选择 json，然后点击“创建”。将此服务账号文件保存到本地，以供在下一步中使用
创建一个名为 .streamlit 的文件夹，其中包含以下配置。右键点击鼠标，点击“新建文件夹”，然后输入文件夹名称 .streamlit
在文件夹 .streamlit 中点击右键，然后点击“新建文件”，并填写以下值。然后将其保存为 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"

根据您在上一步中创建的服务账号，更新 project_id、private_key_id、private_key、client_email、client_id , and auth_provider_x509_cert_url 的值

准备 BigQuery 数据集

下一步是创建 BigQuery 数据集，以便将生成结果保存到 BigQuery。

在搜索框中输入“BigQuery”，然后点击“BigQuery”。
点击，然后点击“创建数据集”
输入数据集 ID diet_planner_data，然后点击“创建数据集”图标

4. 构建 Agent 饮食规划应用

我们将构建一个包含 4 个输入的简单网页界面，如下所示

根据您的个人资料更改体重、身高、年龄和性别，然后点击“生成”。它将调用 Vertex AI 库中的 LLM 模型 Gemini Pro 2.5，并将生成的结果存储到 BigQuery 中。

为了避免代码过长，系统会将其分成 6 个部分。

创建函数来计算 BMI 状态

右键点击 agent_diet_planner 文件夹 → 新建文件 .. → 输入文件名 bmi_calc.py，然后按 Enter 键
使用以下代码填充代码

# 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
   }

创建代理饮食规划器主应用

右键点击 agent_diet_planner 文件夹 → 新建文件 .. → 输入文件名 app.py，然后按 Enter 键。
使用以下代码填充代码

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()

将值 your_gcp_project_id 替换为您的项目 ID。

创建代理饮食规划器主应用 - setup_bq_tables

在本部分中，我们将创建一个名为 setup_bq_table 的函数，该函数具有 1 个输入形参 bq_client。此函数将在 BigQuery 表中定义架构，并在表不存在时创建表。

在 app.py 中，使用以下代码填充代码

# 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")

创建代理饮食规划器主应用 - generate_diet_plan

在本部分中，我们将创建一个名为 generate_diet_plan 且带有 1 个输入参数的函数。此函数将使用定义的提示调用 LLM 模型 Gemini Pro 2.5 并生成结果。

在 app.py 中，使用以下代码填充代码

# 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

创建代理饮食规划器主应用 - save_to_bq

在此部分中，我们将创建一个名为 save_to_bq 的函数，该函数具有 3 个输入参数：bq_client、user_id 和 plan。此函数会将生成的结果保存到 BigQuery 表中

在 app.py 中，使用以下代码填充代码

# 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

创建代理饮食规划器主应用 - main

在本部分中，我们将创建一个名为 main 且不带输入参数的函数。此函数主要用于处理 Streamlit 界面脚本、显示生成的结果、显示来自 BigQuery 表的历史生成结果，以及将数据下载到 Markdown 文件。

在 app.py 中，使用以下代码填充代码

# 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()

将代码保存为 app.py。

5. 使用 Cloud Build 将应用部署到 Cloud Run

当然，我们希望向其他人展示这款出色的应用。为此，我们可以将此应用打包并将其部署到 Cloud Run，使其成为可供他人访问的公共服务。为此，我们来回顾一下架构

首先，我们需要 Dockerfile，点击文件->新建文本文档，然后复制粘贴以下代码并将其另存为 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"]

接下来，我们将创建 cloudbuild.yaml，以构建应用并将其转换为 Docker 映像，然后将其推送到 Artifact Registry 并部署到 Cloud Run。

点击文件->新建文本文件，然后复制并粘贴以下代码，并将其另存为 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'

至此，我们已拥有构建应用以生成 Docker 映像、推送到 Artifact Registry 并部署到 Cloud Run 所需的所有文件，接下来我们来部署它。前往 Cloud Shell 终端，确保当前项目已配置为您的有效项目。如果不是，您可以使用 gcloud configure 命令设置项目 ID：

gcloud config set project [PROJECT_ID]

然后，运行以下命令来构建应用，使其成为 Docker 映像，并将其推送到 Artifact Registry 并部署到 Cloud Run

gcloud builds submit --config cloudbuild.yaml

它将根据我们之前提供的 Dockerfile 构建 Docker 容器，并将其推送到 Artifact Registry。之后，我们将构建的映像部署到 Cloud Run。整个流程在 cloudbuild.yaml 步骤中定义。

请注意，我们在此处允许未经身份验证的访问，因为这是一个演示应用。建议为企业应用和生产应用使用适当的身份验证。

部署完成后，我们可以在 Cloud Run 页面中查看部署情况。在顶部 Cloud 控制台搜索栏中搜索 Cloud Run，然后点击 Cloud Run 产品

之后，您可以检查 Cloud Run 服务页面中列出的已部署服务，点击该服务以获取服务网址

服务网址将显示在顶部栏中

接下来，您可以在无痕式窗口或移动设备上使用该应用。该功能应该已经上线。

6. 清理

为避免系统因本 Codelab 中使用的资源向您的 Google Cloud 账号收取费用，请按照以下步骤操作：

在 Google Cloud 控制台中，前往管理资源页面。
在项目列表中，选择要删除的项目，然后点击删除。
在对话框中输入项目 ID，然后点击关停以删除项目。
或者，您也可以在控制台中前往 Cloud Run，选择刚刚部署的服务，然后将其删除。