使用 Streamlit、Gemini Pro、Vertex AI 和 BigQuery 建構及部署 AI 輔助的飲食計畫虛擬服務專員

1. 簡介

在本程式碼研究室中，您將瞭解如何建構及部署 AI 輔助的 Agent 飲食規劃工具。使用者介面使用 Streamlit、LLM 模型使用 Gemini Pro 2.5、Agentic AI Engine Orchestrator 使用 Vertex AI 開發 Agentic AI、BigQuery 儲存資料，以及 Cloud Run 進行部署。

在本程式碼研究室中，您將逐步完成下列步驟：

1. 準備 Google Cloud 專案，並啟用所有必要 API
2. 使用 Streamlit、Vertex AI 和 BigQuery 建構代理式 AI 飲食規劃工具
3. 將應用程式部署至 Cloud Run

架構總覽

必要條件

• 啟用計費功能的 Google Cloud Platform (GCP) 專案。
• Python 的基本知識

課程內容

• 如何使用 Streamlit 和 Vertex AI 建立 Agentic AI 飲食規劃工具，並將資料儲存至 BigQuery
• 如何將應用程式部署至 Cloud Run

軟硬體需求

• Chrome 網路瀏覽器
• Gmail 帳戶
• 已啟用計費功能的 Cloud 專案

2. 基本設定和需求

自行設定環境

1. 登入 Google Cloud 控制台，然後建立新專案或重複使用現有專案。如果沒有 Gmail 或 Google Workspace 帳戶，請建立帳戶。

• 專案名稱是這個專案參與者的顯示名稱。這是 Google API 未使用的字元字串。你隨時可以更新。
• 專案 ID 在所有 Google Cloud 專案中不得重複，且設定後即無法變更。Cloud 控制台會自動產生專屬字串，通常您不需要理會該字串。在大多數程式碼研究室中，您需要參照專案 ID (通常標示為 PROJECT_ID)。如果您不喜歡產生的 ID，可以產生另一個隨機 ID。你也可以嘗試使用自己的名稱，看看是否可用。完成這個步驟後就無法變更，且專案期間都會維持這個設定。
• 請注意，部分 API 會使用第三個值，也就是專案編號。如要進一步瞭解這三種值，請參閱說明文件。

注意：專案 ID 在全域中是唯一的，選定後就無法再供他人使用。您是該 ID 的唯一使用者。即使專案已刪除，ID 也無法再次使用

注意：如果使用 Gmail 帳戶，預設位置可以設為「沒有機構」。如果你使用 Google Workspace 帳戶，請選擇適合貴機構的位置。

2. 接著，您需要在 Cloud 控制台中啟用帳單，才能使用 Cloud 資源/API。完成這個程式碼研究室的費用不高，甚至可能完全免費。如要關閉資源，避免在本教學課程結束後繼續計費，您可以刪除建立的資源或專案。Google Cloud 新使用者可參加價值$300 美元的免費試用計畫。

3. 事前準備

在 Cloud Shell 編輯器中設定 Cloud 專案

本程式碼研究室假設您已擁有啟用計費功能的 Google Cloud 專案。如果尚未取得，請按照下列操作說明開始使用。

1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
2. 確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。
3. 您將使用 Cloud Shell，這是 Google Cloud 中執行的指令列環境，已預先載入 bq。按一下 Google Cloud 控制台上方的「啟用 Cloud Shell」。

4. 連線至 Cloud Shell 後，請使用下列指令檢查您是否已通過驗證，且專案已設為您的專案 ID：

gcloud auth list

5. 在 Cloud Shell 中執行下列指令，確認 gcloud 指令已瞭解您的專案。

gcloud config list project

6. 如果未設定專案，請使用下列指令來設定：

gcloud config set project <YOUR_PROJECT_ID>

或者，您也可以在控制台中查看 PROJECT_ID id

按一下該專案，右側就會顯示所有專案和專案 ID

7. 透過下列指令啟用必要的 API。這可能需要幾分鐘的時間，請耐心等候。

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

成功執行指令後，您應該會看到類似下方的訊息：

Operation "operations/..." finished successfully.

除了使用 gcloud 指令，您也可以透過主控台搜尋各項產品，或使用這個連結。

如果遺漏任何 API，您隨時可以在導入過程中啟用。

如要瞭解 gcloud 指令和用法，請參閱說明文件。

設定應用程式工作目錄

1. 按一下「Open Editor」(開啟編輯器) 按鈕，開啟 Cloud Shell 編輯器，即可在此編寫程式碼
2. 請確認 Cloud Shell 編輯器的左下角 (狀態列) 已設定 Cloud Code 專案，如下圖所示，且已設為啟用計費功能的有效 Google Cloud 專案。如果出現提示訊息，請點選「授權」。初始化 Cloud Shell 編輯器後，Cloud Code - Sign In 按鈕可能需要一段時間才會顯示，請耐心等候。

接著準備 Python 環境

環境設定

準備 Python 虛擬環境

下一步是準備開發環境。在本程式碼研究室中，我們將使用 Python 3.12，並使用 Python virtualenv 簡化建立及管理 Python 版本和虛擬環境的需求

1. 如果尚未開啟終端機，請依序點選「Terminal」->「New Terminal」，或使用 Ctrl + Shift + C 開啟終端機

2. 建立新資料夾，然後執行下列指令，將位置變更為這個資料夾

mkdir agent_diet_planner
cd agent_diet_planner

3. 執行下列指令，建立新的 virtualenv

python -m venv .env

4. 使用下列指令啟動 virtualenv

source .env/bin/activate

5. 建立 requirements.txt。按一下「檔案」→「新增文字檔」，然後填入下列內容。然後儲存為 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

6. 然後執行下列指令，從 requirements.txt 安裝所有依附元件

pip install -r requirements.txt

7. 輸入下列指令，檢查是否已安裝所有 Python 程式庫依附元件

pip list

設定設定檔

現在我們需要為這個專案設定設定檔。設定檔用於儲存變數和服務帳戶憑證。

1. 第一步是建立服務帳戶。在搜尋欄位中輸入服務帳戶，然後按一下服務帳戶。
2. 按一下「+ 建立服務帳戶」。輸入服務帳戶名稱，然後按一下「建立並繼續」。
3. 在權限中，選擇「服務帳戶使用者」角色。按一下「+ 新增其他角色」，然後選擇 IAM 角色：「BigQuery 管理員」、「Cloud Run 管理員」、「Cloud Run Invoker」、「Vertex AI 服務代理程式」和「Vertex AI 使用者」，然後按一下「完成」圖示 。
4. 依序點選服務帳戶電子郵件、Tab 鍵、新增金鑰 → 建立新的金鑰。
5. 選擇「json」，然後按一下「建立」。將這個服務帳戶檔案儲存到本機，以供下一個步驟使用
6. 建立名為 .streamlit 的資料夾，並加入下列設定。按一下滑鼠右鍵，然後依序點選「新增資料夾」並輸入資料夾名稱 .streamlit
7. 在 .streamlit 資料夾中按一下滑鼠右鍵，然後按一下「New File」，並填入下列值。然後儲存為 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 = "[e-mail]"
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"

8. 根據上一個步驟中建立的服務帳戶，更新 project_id、private_key_id、private_key、client_email 和 client_id , and auth_provider_x509_cert_url 的值

準備 BigQuery 資料集

下一步是建立 BigQuery 資料集，將生成結果儲存至 BigQuery。

1. 在搜尋框中輸入 BigQuery，然後按一下 BigQuery。
2. 按一下 ，然後按一下「建立資料集」。
3. 輸入資料集 ID diet_planner_data，然後按一下「建立資料集」圖示

4. 建構虛擬服務專員飲食規劃應用程式

我們將建構簡單的網頁介面，其中包含 4 個輸入內容，如下所示

根據個人資料變更體重、身高、年齡和性別，然後按一下「產生」。這項作業會呼叫 Vertex AI 程式庫中的 LLM 模型 Gemini Pro 2.5，並將生成的結果儲存至 BigQuery。

為避免驗證碼過長，系統會將驗證碼分成 6 個部分。

建立函式 calculate bmi status

1. 在 agent_diet_planner 資料夾上按一下滑鼠右鍵 →「New File ..」(新增檔案) → 輸入檔案名稱 bmi_calc.py，然後按下 Enter 鍵
2. 填入下列程式碼

# 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
   }

建立虛擬服務專員飲食規劃工具主要應用程式

1. 在 agent_diet_planner 資料夾上按一下滑鼠右鍵 →「New File ..」→ 輸入檔案名稱 app.py，然後按下 Enter 鍵。
2. 填入下列程式碼

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()

將 your_gcp_project_id 值改為您的專案 ID。

建立虛擬服務專員飲食計畫工具的主要應用程式 - setup_bq_tables

在本節中，我們將建立名為 setup_bq_table 的函式，並使用 1 個輸入參數 bq_client。這個函式會在 BigQuery 資料表中定義結構定義，並在資料表不存在時建立資料表。

在 app.py 中，於前一段程式碼下方填入程式碼

# 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")

建立代理程式飲食計畫工具的主要應用程式 - generate_diet_plan

在本節中，我們將建立名為 generate_diet_plan 的函式，並使用 1 個輸入參數。這個函式會呼叫 LLM 模型 Gemini Pro 2.5，並定義提示和生成結果。

在 app.py 中，於前一段程式碼下方填入程式碼

# 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

建立代理程式飲食規劃工具主要應用程式 - save_to_bq

在本節中，我們將建立名為 save_to_bq 的函式，並使用 3 個輸入參數：bq_client、user_id 和 plan。這個函式會將生成結果儲存至 BigQuery 資料表

在 app.py 中，於前一段程式碼下方填入程式碼

# 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

建立代理程式飲食規劃工具的主要應用程式 - main

在本節中，我們將建立名為 main 的函式，該函式不含輸入參數。這個函式主要會處理 Streamlit UI 指令碼、顯示產生的結果、顯示 BigQuery 資料表中的過往生成結果，以及將資料下載至 Markdown 檔案。

在 app.py 中，於前一段程式碼下方填入程式碼

# 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()

將程式碼儲存為 app.py。

5. 使用 Cloud Build 將應用程式部署至 Cloud Run

現在，我們當然要向其他人展示這個出色的應用程式。為此，我們可以將這個應用程式封裝並部署至 Cloud Run，做為可供他人存取的公開服務。為此，我們來回顧一下架構

首先，我們需要 Dockerfile。依序點選「File」->「New Text File」，然後複製並貼上下列程式碼，再將其儲存為「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"]

接下來，我們要建立 cloudbuild.yaml，將應用程式建構為 Docker 映像檔、推送至 Artifact Registry，並部署至 Cloud Run。

依序點選「File」->「New Text File」，然後複製並貼上下列程式碼，並儲存為 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'

此時，我們已備妥所有檔案，可建構應用程式成為 Docker 映像檔、推送至 Artifact Registry，並部署至 Cloud Run。現在就來部署吧！前往 Cloud Shell 終端機，確認目前專案已設為有效專案。如果不是，請使用 gcloud 設定指令設定專案 ID：

gcloud config set project [PROJECT_ID]

接著執行下列指令，將應用程式建構為 Docker 映像檔、推送至 Artifact Registry，並部署至 Cloud Run：

gcloud builds submit --config cloudbuild.yaml

這項作業會根據先前提供的 Dockerfile 建構 Docker 容器，並將容器推送至 Artifact Registry。接著，我們會將建構的映像檔部署至 Cloud Run。所有程序都定義在 cloudbuild.yaml 步驟中。

請注意，我們允許未經驗證的存取要求，因為這是示範應用程式。建議您為企業和正式版應用程式使用適當的驗證機制。

部署完成後，我們可以在 Cloud Run 頁面中檢查，方法是在頂端的 Cloud 控制台搜尋列中搜尋 Cloud Run，然後點選 Cloud Run 產品

完成後，您可以在 Cloud Run 服務頁面中檢查已部署的服務，然後按一下該服務，取得服務網址。

服務網址會顯示在頂端列

現在即可透過無痕視窗或行動裝置使用應用程式。這項功能應該已經上線。

6. 清除所用資源

如要避免系統向您的 Google Cloud 帳戶收取本程式碼研究室所用資源的費用，請按照下列步驟操作：

1. 前往 Google Cloud 控制台的「管理資源」頁面。
2. 在專案清單中選取要刪除的專案，然後點按「刪除」。
3. 在對話方塊中輸入專案 ID，然後按一下「Shut down」(關閉) 即可刪除專案。
4. 或者，您也可以前往控制台的「Cloud Run」，選取剛部署的服務並刪除。