สร้างและติดตั้งใช้งานใน Google Cloud ด้วย Antigravity

1. บทนำ

fca14bb9f4bb74f4.png

ใน Codelab นี้ คุณจะได้เรียนรู้วิธีใช้ Google Antigravity เพื่อออกแบบ สร้าง และติดตั้งใช้งานแอปพลิเคชันแบบไร้เซิร์ฟเวอร์ใน Google Cloud เราจะสร้างไปป์ไลน์เอกสารแบบ Serverless และแบบอิงตามเหตุการณ์ซึ่งจะนำเข้าไฟล์จาก Google Cloud Storage (GCS) ประมวลผลโดยใช้ Cloud Run และ Gemini แล้วสตรีมข้อมูลเมตาไปยัง BigQuery

สิ่งที่คุณจะได้เรียนรู้

  • วิธีใช้ Antigravity ในการวางแผนและออกแบบสถาปัตยกรรม
  • สร้างโครงสร้างพื้นฐานเป็นโค้ด (สคริปต์เชลล์) ด้วย AI Agent
  • สร้างและติดตั้งใช้งานบริการ Cloud Run ที่ใช้ Python
  • ผสานรวม Gemini ใน Vertex AI เพื่อการวิเคราะห์เอกสารหลายรูปแบบ
  • ยืนยันไปป์ไลน์ตั้งแต่ต้นจนจบโดยใช้สิ่งประดิษฐ์แบบวอล์กทรูของ Antigravity

สิ่งที่คุณต้องมี

  • ติดตั้ง Google Antigravity แล้ว
  • โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
  • ติดตั้งและตรวจสอบสิทธิ์ gcloud CLI แล้ว

2. ภาพรวมของแอป

ก่อนที่จะไปดูการออกแบบและติดตั้งใช้งานแอปพลิเคชันโดยใช้ Antigravity เรามาสรุปแอปพลิเคชันที่เราต้องการสร้างกันก่อน

เราต้องการสร้างไปป์ไลน์เอกสารแบบ Serverless และแบบอิงตามเหตุการณ์ซึ่งจะนำเข้าไฟล์จาก Google Cloud Storage (GCS) ประมวลผลโดยใช้ Cloud Run และ Gemini แล้วสตรีมข้อมูลเมตาไปยัง BigQuery

แผนภาพสถาปัตยกรรมระดับสูงสำหรับแอปพลิเคชันนี้อาจมีลักษณะดังนี้

3bd519cfab38258d.png

ซึ่งไม่จำเป็นต้องแม่นยำ Antigravity จะช่วยให้เราทราบรายละเอียดสถาปัตยกรรมเมื่อเราดำเนินการ แต่การมีไอเดียเกี่ยวกับสิ่งที่คุณต้องการสร้างจะช่วยได้ ยิ่งให้รายละเอียดมากเท่าไหร่ คุณก็จะยิ่งได้รับผลลัพธ์ที่ดีขึ้นจาก Antigravity ในแง่ของสถาปัตยกรรมและโค้ด

3. วางแผนสถาปัตยกรรม

เราพร้อมที่จะเริ่มวางแผนรายละเอียดสถาปัตยกรรมด้วย Antigravity แล้ว

Antigravity ทำได้ดีเยี่ยมในการวางแผนระบบที่ซับซ้อน แทนที่จะเขียนโค้ดทันที เราสามารถเริ่มต้นด้วยการกำหนดสถาปัตยกรรมระดับสูงและใช้ฟีเจอร์ใดฟีเจอร์หนึ่งเพื่อช่วย Antigravity ประเมินคำขอของเรา ถามคำถามติดตามผล และดำเนินการวางแผนและติดตั้งใช้งานต่อไป

สมมติว่าคุณได้เปิดตัว Antigravity แล้ว เราจะสร้างโปรเจ็กต์ใหม่สำหรับโค้ดแล็บนี้

คลิกไอคอนโปรเจ็กต์ใหม่ข้างแล็บ Projects แล้วคลิก New Project ตามที่แสดงด้านล่าง

949cd615a1ce8dc3.png

ซึ่งจะแสดงตัวเลือก Add Folder ดังที่แสดงด้านล่าง

ee8ff88b71c10e9f.png

คลิกปุ่มเพิ่มโฟลเดอร์เพื่อเพิ่มโฟลเดอร์ลงในโปรเจ็กต์ ในเครื่องของฉัน ฉันได้สร้างโฟลเดอร์ google-cloud-serverless-app และเพิ่มโฟลเดอร์นั้นลงในโปรเจ็กต์นี้

ซึ่งจะเปิดการสนทนาในพื้นที่ทำงาน google-cloud-serverless-app

คลิกไอคอนการตั้งค่าหลัก ⚙️ ที่ด้านซ้ายล่างของหน้าจอ แล้วไปที่การตั้งค่าเฉพาะโปรเจ็กต์ ตั้งค่า Agent Settings / Security Preset เป็น Default และ Agent Behaviour / Artifact Review Policy เป็น Always Ask ดังที่แสดงด้านล่าง

b28e175be64f4390.png

ซึ่งจะช่วยให้คุณตรวจสอบและอนุมัติแผนได้ในทุกขั้นตอนก่อนที่ตัวแทนจะดำเนินการ

พรอมต์

ตอนนี้เราพร้อมที่จะป้อนพรอมต์แรกให้กับ Antigravity แล้ว เราจะใช้คำสั่งเครื่องหมายทับ /grill-me เพื่อประเมินคำขอ

พิมพ์ /grill-me จากนั้นป้อนพรอมต์ต่อไปนี้ แล้วคลิกปุ่มส่ง

/grill-me 

I want to build a serverless event-driven document processing pipeline on Google Cloud.
Architecture:
- Ingestion: Users upload files to a Cloud Storage bucket.
- Trigger: File uploads trigger a Pub/Sub message.
- Processor: A Python-based Cloud Run service receives the message, processes the file (simulated OCR), and extracts metadata.
- Storage: Stream the metadata (filename, date, tags, word_count) into a BigQuery dataset.

คำสั่ง /grill-me จะถามคำถามติดตามผลหลายข้อที่คุณสามารถลองตอบอย่างสุดความสามารถ นอกจากนี้ ยังมีคำตอบที่แนะนำให้คุณเลือกใช้ได้ด้วย

ตัวอย่างการเรียกใช้คำสั่ง /grill-me ของฉันแสดงอยู่ด้านล่าง

How would you provision and manage the Google Cloud infrastructure resources (Cloud Storage buckets, Pub/Sub topics, BigQuery datasets, Cloud Run service)?
gcloud CLI Setup Script - Shell scripts running gcloud CLI commands to create resources step-by-step

How should the Cloud Storage upload events trigger and reach your Python Cloud Run service?
(Recommended) Native Cloud Storage Pub/Sub Notifications + Pub/Sub Push subscription to Cloud Run (direct, lightweight, standard event-driven approach)

Which Python web framework would you prefer for the Cloud Run processing service?
Flask (with Gunicorn) - Standard, lightweight, and very common for simple Cloud Run services

How should the OCR and metadata extraction logic be implemented in the Cloud Run service?
(Recommended) Full local simulation - If it's a .txt file, read the contents, count words, and extract tags. For other files, generate mock OCR metadata and simulated word count. No external API calls.

Which BigQuery insertion method should the Cloud Run service use to store metadata?
(Recommended) BigQuery table.insert_rows() (Legacy Streaming API) - Extremely simple to code, clean error handling, perfect for simulation and low-to-medium volumes.

How should security/authentication be configured for the Cloud Run service?
Unauthenticated Cloud Run - Allow public requests to the Cloud Run service URL (simpler setup, but insecure for production).


What schema would you like to define for the BigQuery metadata table?
(Recommended) Extended Schema - Include filename, bucket, size, content_type, word_count, tags (as a REPEATED STRING array), ocr_text_preview, and process_timestamp.

How should the Cloud Run service handle processing failures (e.g., file not found, BigQuery write error)?
(Recommended) Fail-Fast with Retry - Log error to standard output (Cloud Logging) and return HTTP 500 to Pub/Sub, so that Pub/Sub automatically retries the message delivery.

What testing tools should we generate to verify the pipeline's functionality?
(Recommended) Both - Include a local test script (sending mock Pub/Sub POST requests to the local Flask server) and a Cloud-integrated test script (uploading a real file to GCS and verifying BigQuery).

โปรดสังเกตว่าฉันเลือกถาม Antigravity ดังนี้

  • สคริปต์ gcloud CLI อย่างง่ายเพื่อจัดสรรทรัพยากร
  • การแจ้งเตือน Pub/Sub ของ Cloud Storage ดั้งเดิม + การสมัครรับข้อมูลแบบพุช Pub/Sub ไปยัง Cloud Run
  • ใช้ Flask (กับ Gunicorn) สำหรับเฟรมเวิร์ก
  • เพียงใช้การจำลองในเครื่องกับไฟล์ข้อความสำหรับข้อมูลแทนข้อมูล OCR จริง
  • ใช้ BigQuery table.insert_rows() เพื่อแทรกแถวลงใน BigQuery
  • การติดตั้งใช้งาน Cloud Run ที่ไม่มีการตรวจสอบสิทธิ์

และตัวเลือกอื่นๆ ที่แนะนำ

แผนการติดตั้งใช้งานและรายการงาน

ตอนนี้ Antigravity จะเริ่มทำงานและสร้างแผนการติดตั้งใช้งาน โดยจะแสดงให้คุณตรวจสอบด้วยการส่งข้อความที่คล้ายกับข้อความด้านล่าง

2bf129fc14fa019e.png

คุณสามารถคลิกปุ่มเปิด/ปิดแผงเสริมที่หน้าต่างด้านขวาบนและดูอาร์ติแฟกต์ที่สร้างขึ้น ซึ่งในตอนนี้มีเพียงแผนการติดตั้งใช้งาน

fc8d1f0f54d3e723.png

แผนนี้ระบุถึงสิ่งต่อไปนี้

  • โครงสร้างพื้นฐาน: ถัง GCS, หัวข้อ Pub/Sub, ชุดข้อมูล BigQuery
  • โปรเซสเซอร์: แอป Python/Flask, Dockerfile, ข้อกำหนด
  • การผสานรวม: การแจ้งเตือน GCS → Pub/Sub → Cloud Run

คุณควรเห็นข้อความคล้ายกับข้อความต่อไปนี้ รายการแผนการติดตั้งใช้งานบางส่วนในเครื่องของเราแสดงอยู่ด้านล่าง

Event-Driven Document Processing Pipeline Implementation Plan
This implementation plan describes the components and setup scripts required to build a serverless event-driven document processing pipeline on Google Cloud.

User Review Required

Please review the proposed architecture, components, and default configuration. If you agree, please approve the plan so we can proceed with creating the files and implementation.

IMPORTANT

Security Notice: As requested, the Cloud Run service is configured to allow unauthenticated invocations (--allow-unauthenticated) for simpler testing and development.

Error Handling: The service returns an HTTP 500 error code for failures to trigger Pub/Sub retries.

GCP Configuration: The provisioning scripts will use standard environment variables (e.g., GCP_PROJECT, GCP_REGION) that default to the active configuration of your local gcloud CLI.

Proposed Components and Files

The project will be organized as follows:

google-cloud-serverless-app/
├── src/
│   ├── __init__.py
│   ├── app.py              # Flask app entrypoint and routes
│   ├── processor.py        # Simulated OCR and metadata extraction engine
│   ├── gcs_helper.py       # Helper functions to read files from Cloud Storage
│   └── bq_helper.py        # Helper functions to write metadata to BigQuery
├── requirements.txt         # Python dependencies
├── Dockerfile              # Docker configuration for Cloud Run
├── deploy.sh               # gcloud CLI provisioning and deployment script
├── test_local.sh           # Script to test the Flask app locally with mock Pub/Sub events
├── test_cloud.sh           # Script to upload a real file to GCS and query BigQuery
└── README.md               # Setup and execution guide

โปรดอ่านอย่างละเอียด นี่เป็นโอกาสของคุณในการแสดงความคิดเห็นเกี่ยวกับการใช้งาน คุณคลิกส่วนใดก็ได้ของแผนการติดตั้งใช้งานและเพิ่มความคิดเห็น เมื่อเพิ่มความคิดเห็นแล้ว โปรดส่งการเปลี่ยนแปลงที่ต้องการให้ตรวจสอบ โดยเฉพาะอย่างยิ่งการตั้งชื่อ รหัสโปรเจ็กต์ Google Cloud ภูมิภาค ฯลฯ

เมื่อทุกอย่างเรียบร้อยดีแล้ว ให้สิทธิ์ตัวแทนดำเนินการตามแผนการติดตั้งใช้งานโดยคลิกปุ่ม Proceed

ตอนนี้ระบบจะสร้างอาร์ติแฟกต์อีกรายการหนึ่งคือแผนงาน ซึ่งมีชุดงานที่ Antigravity สร้างขึ้น ตัวแทนจะดำเนินการตามคำสั่งทีละรายการ ตัวอย่างรายการงานแสดงอยู่ด้านล่าง

7d17f032d4b6bd04.png

4. สร้างแอปพลิเคชัน

เมื่อได้รับอนุมัติแผนแล้ว Antigravity จะเริ่มสร้างไฟล์ที่จำเป็นสำหรับการสมัคร ตั้งแต่สคริปต์การจัดสรรไปจนถึงโค้ดของแอปพลิเคชัน

Antigravity จะสร้างโฟลเดอร์และเริ่มสร้างไฟล์ที่จำเป็นสำหรับโปรเจ็กต์ หากตรวจสอบอาร์ติแฟกต์ คุณจะเห็นว่ามีการสร้างไฟล์หลายไฟล์ (ซอร์สโค้ด ไฟล์สคริปต์ ฯลฯ)

d142b671ba315ba5.png

เมื่อดำเนินการเสร็จแล้ว ระบบจะแจ้งให้ทราบและสร้างเอกสารคำแนะนำแบบทีละขั้นตอนให้คุณดู โดยจะกล่าวถึงขั้นตอนถัดไปสำหรับผู้ใช้ ตัวอย่างแสดงอยู่ด้านล่าง

  • ติดตั้งใช้งานไปป์ไลน์: ตรวจสอบว่าคุณได้เข้าสู่ระบบ GCP CLI และตั้งค่าโปรเจ็กต์เป้าหมายแล้ว จากนั้นเรียกใช้ ./ deploy.sh
  • เรียกใช้การทดสอบแบบครบวงจร: เรียกใช้สคริปต์การทดสอบการผสานรวมระบบคลาวด์เพื่อยืนยันว่าการอัปโหลดไฟล์จะทริกเกอร์การประมวลผล Cloud Run และสตรีมข้อมูลเมตาไปยัง BigQuery:./test_cloud.sh
  • ล้างข้อมูล: เมื่อทดสอบเสร็จแล้ว ให้อ้างอิงREADME.mdคำสั่งล้างข้อมูลเพื่อนำทรัพยากรที่สร้างออกและหลีกเลี่ยงการเรียกเก็บเงิน

คุณจะเห็นว่าระบบสร้างไฟล์สคริปต์ของ Shell deploy.sh หรือไฟล์ที่มีชื่อคล้ายกัน ซึ่งจะทำให้การสร้างทรัพยากรเป็นไปโดยอัตโนมัติ โดยจะจัดการสิ่งต่อไปนี้

  1. การเปิดใช้ API (run, pubsub, bigquery, storage)
  2. สร้าง Bucket ของ Google Cloud Storage (document-processing-ingest-{project-id})
  3. การสร้างชุดข้อมูลและตาราง BigQuery (document_processing.processed_metadata)
  4. การกำหนดค่าหัวข้อและการแจ้งเตือน Pub/Sub

5. ทำให้แอปพลิเคชันใช้งานได้

มาทำให้แอปพลิเคชันใช้งานได้ตามที่กล่าวถึงผ่านคำสั่ง ./ deploy.sh กัน เราขอให้ Antigravity เรียกใช้ให้เราได้ แต่ก่อนที่จะทำเช่นนั้น โปรดตรวจสอบว่ามี gcloud CLI และกำหนดค่าสำหรับโปรเจ็กต์ Google Cloud แล้ว

เราสามารถป้อนพรอมต์ให้ Antigravity ว่า "รัน deploy.sh ให้ฉัน" ซึ่งจะแจ้งให้คุณขอสิทธิ์ โปรดระบุ

9e5c1c7141b3fc06.png

โดยจะเริ่มกระบวนการเป็นงานที่ทำงานอยู่เบื้องหลังตามที่ข้อความด้านล่างอธิบายไว้

เราได้เริ่มกระบวนการติดตั้งใช้งานโดยการเรียกใช้ ./deploy.sh ในเบื้องหลังแล้ว เราจะตรวจสอบบันทึกการดำเนินการและแจ้งให้คุณทราบทันทีที่การติดตั้งใช้งานเสร็จสิ้น

6. ยืนยันแอปพลิเคชัน

เมื่อติดตั้งใช้งานไปป์ไลน์แล้ว Antigravity จะดำเนินการต่อเพื่อยืนยันว่าแอปพลิเคชันทำงานได้จริง โดยจะถามเราว่าเรียกใช้ไฟล์ test_cloud.sh ได้ไหม เราสามารถให้สิทธิ์ได้

2bc8c959c9f80d30.png

ซึ่งจะบอกข้อมูลต่อไปนี้

I have successfully run both ./deploy.sh and ./test_cloud.sh.
The pipeline is fully deployed to your GCP project PROJECT_ID and working end-to-end. 

Please refer to the walkthrough.md for full verification details and the query output from BigQuery showing the successfully processed document metadata.

เราสามารถเปิดอาร์ติแฟกต์การวอล์กทรูเพื่อดูผลลัพธ์ได้โดยทำดังนี้

Cloud Verification Results

The deployment and end-to-end cloud integration test (./test_cloud.sh) succeeded perfectly!

Resources Created:

GCS Bucket: gs://document-processing-ingest-gcp-experiments-349209

Pub/Sub Topic: document-uploads-topic

Pub/Sub Subscription: document-uploads-sub (pushing to Cloud Run)

Cloud Run Service: document-processor (URL: https://document-processor-ido3ocn3pq-uc.a.run.app)

BigQuery Dataset: document_processing

BigQuery Table: processed_metadata

Integration Test Run: A test file cloud_test_sample.txt was uploaded to the bucket. The pipeline processed the file and streamed the metadata record into BigQuery:

🔍 Querying BigQuery to verify metadata insertion...
<BIQUERY DATA HERE>

The pipeline successfully detected the hashtags #gcp and #serverless as tags, correctly counted the 47 words, generated the OCR preview, and wrote the entry to BigQuery under the schema.

ไม่บังคับ: การยืนยันด้วยตนเอง

แม้ว่า Antigravity จะยืนยันแอปพลิเคชันแล้ว แต่คุณก็ยังตรวจสอบด้วยตนเองในคอนโซล Google Cloud ได้ว่ามีการสร้างทรัพยากรทั้งหมดหรือไม่ หากต้องการ โดยทำตามขั้นตอนต่อไปนี้

Cloud Storage

เป้าหมาย: ตรวจสอบว่ามีที่เก็บข้อมูลอยู่และตรวจสอบไฟล์ที่อัปโหลด

  1. ไปที่ Cloud Storage > Bucket
  2. ค้นหา Bucket ที่ชื่อ document-processing-ingest-{project-id}
  3. คลิกชื่อที่เก็บข้อมูลเพื่อเรียกดูไฟล์
  4. ยืนยัน: คุณควรเห็นไฟล์ที่อัปโหลด (เช่น cloud_test_sample.txt)

Pub/Sub

เป้าหมาย: ยืนยันว่ามีหัวข้อและมีการสมัครใช้บริการแบบพุช

  1. ไปที่ Pub/Sub > หัวข้อ
  2. ค้นหา document-uploads-topic
  3. คลิกรหัสหัวข้อ
  4. เลื่อนลงไปที่แท็บการติดตาม
  5. ยืนยัน: ตรวจสอบว่า doc-uploads-sub แสดงอยู่โดยมีประเภทการนำส่งเป็น "Push"

Cloud Run

เป้าหมาย: ตรวจสอบสถานะและบันทึกของบริการ

  1. ไปที่ Cloud Run
  2. คลิกบริการ document-processor
  3. ยืนยัน
  4. สถานะ: เครื่องหมายถูกสีเขียวแสดงว่าบริการทำงานอยู่
  5. บันทึก: คลิกแท็บบันทึก มองหารายการ เช่น "กำลังประมวลผลไฟล์: gs://..." และ "แทรกสำเร็จแล้ว..."

BigQuery

เป้าหมาย: ตรวจสอบว่ามีการจัดเก็บข้อมูลจริง

  1. ไปที่ BigQuery > พื้นที่ทํางาน SQL
  2. ในบานหน้าต่าง Explorer ให้ขยายโปรเจ็กต์ > ชุดข้อมูล document_processing
  3. คลิกตาราง processed_metadata
  4. คลิกแท็บคำค้นหา แล้วดึงข้อมูลแถวทั้งหมดจากตารางผ่านคำสั่ง SELECT *
  5. ยืนยัน: คุณควรเห็นแถวที่มี filename, process_timestamp, tags และ word_count

7. สำรวจแอปพลิเคชัน

ตอนนี้คุณได้จัดสรรและเรียกใช้แอปพื้นฐานแล้ว ก่อนที่จะเจาะลึกการขยายแอปพลิเคชันนี้ต่อไป โปรดใช้เวลาสักครู่เพื่อสำรวจโค้ด คุณสามารถดูอาร์ติแฟกต์และควรเห็นไฟล์โค้ดที่สร้างขึ้น

สรุปสั้นๆ เกี่ยวกับไฟล์ที่คุณอาจเห็นมีดังนี้

  1. deploy.sh: สคริปต์หลักที่จัดสรรทรัพยากร Google Cloud ทั้งหมดและเปิดใช้ API ที่จำเป็น
  2. appy.py: จุดแรกเข้าหลักของไปป์ไลน์ แอป Python นี้สร้างเว็บเซิร์ฟเวอร์ที่รับข้อความพุช Pub/Sub, ดาวน์โหลดไฟล์จาก GCS, "ประมวลผล" (จำลอง OCR) และสตรีมข้อมูลเมตาไปยัง BigQuery
  3. Dockerfile: กำหนดวิธีแพ็กเกจแอปเป็นอิมเมจคอนเทนเนอร์
  4. requirements.txt: แสดงรายการการขึ้นต่อกันของ Python

นอกจากนี้ คุณยังอาจเห็นสคริปต์และไฟล์ข้อความอื่นๆ ที่จำเป็นสำหรับการทดสอบและการยืนยันด้วย

8. ขยายแอปพลิเคชัน

ตอนนี้คุณมีแอปพลิเคชันพื้นฐานที่ใช้งานได้แล้ว คุณสามารถทำซ้ำและขยายแอปพลิเคชันต่อไปได้ โดยใช้ไอเดียดังนี้

เพิ่มส่วนหน้า

สร้างอินเทอร์เฟซเว็บที่เรียบง่ายเพื่อดูเอกสารที่ประมวลผลแล้ว

ลองใช้พรอมต์ต่อไปนี้ Create a simple Streamlit or Flask web application that connects to BigQuery. It should display a table of the processed documents (filename, upload_date, tags, word_count) and allow me to filter the results by tag

ผสานรวมกับ AI/ML จริง

ใช้โมเดล Gemini เพื่อแยก จัดประเภท และแปลแทนการประมวลผล OCR จำลอง

  1. แทนที่ตรรกะ OCR แบบจำลอง ส่งรูปภาพ/PDF ไปยัง Gemini เพื่อดึงข้อความและข้อมูลจริง วิเคราะห์ข้อความที่แยกออกมาเพื่อจัดประเภทเอกสาร (ใบแจ้งหนี้ สัญญา ประวัติย่อ) หรือแยกเอนทิตี (วันที่ ชื่อ สถานที่)
  2. ตรวจหาภาษาของเอกสารโดยอัตโนมัติและแปลเป็นภาษาอังกฤษก่อนจัดเก็บ คุณใช้ภาษาอื่นได้ด้วย

ปรับปรุงพื้นที่เก็บข้อมูลและการวิเคราะห์

คุณสามารถกำหนดค่ากฎอายุการใช้งานในที่เก็บข้อมูลเพื่อย้ายไฟล์เก่าไปยังพื้นที่เก็บข้อมูล "Coldline" หรือ "Archive" เพื่อประหยัดค่าใช้จ่าย

ความทนทานและความปลอดภัย

คุณสามารถทำให้แอปมีประสิทธิภาพและปลอดภัยมากขึ้นได้ เช่น

  1. คิวจดหมายที่ส่งไม่ได้ (DLQ): อัปเดตการสมัครใช้บริการ Pub/Sub เพื่อจัดการความล้มเหลว หากบริการ Cloud Run ประมวลผลไฟล์ไม่สำเร็จ 5 ครั้ง ให้ส่งข้อความไปยังหัวข้อ/ที่เก็บข้อมูล "Dead Letter" แยกต่างหากเพื่อให้เจ้าหน้าที่ตรวจสอบ
  2. Secret Manager: หากแอปของคุณต้องการคีย์ API หรือการกำหนดค่าที่ละเอียดอ่อน ให้จัดเก็บไว้ใน Secret Manager และเข้าถึงอย่างปลอดภัยจาก Cloud Run แทนการฮาร์ดโค้ดสตริง
  3. Eventarc: อัปเกรดจาก Pub/Sub โดยตรงเป็น Eventarc เพื่อการกำหนดเส้นทางเหตุการณ์ที่ยืดหยุ่นมากขึ้น ซึ่งจะช่วยให้คุณทริกเกอร์ตามบันทึกการตรวจสอบที่ซับซ้อนหรือเหตุการณ์บริการ GCP อื่นๆ ได้

แน่นอนว่าคุณสามารถคิดไอเดียของคุณเองและใช้ Antigravity เพื่อช่วยคุณนำไอเดียเหล่านั้นไปใช้ได้

9. บทสรุป

คุณสร้างไปป์ไลน์เอกสารที่ทำงานด้วยระบบ AI แบบไร้เซิร์ฟเวอร์ที่ปรับขนาดได้สำเร็จในไม่กี่นาทีโดยใช้ Google Antigravity คุณได้เรียนรู้วิธีต่อไปนี้

  • วางแผนสถาปัตยกรรมด้วย AI
  • สั่งและจัดการ Antigravity ขณะที่สร้างแอปพลิเคชันตั้งแต่การสร้างโค้ดไปจนถึงการติดตั้งใช้งานและการตรวจสอบ
  • ยืนยันการติดตั้งใช้งานและการตรวจสอบด้วยคำแนะนำแบบทีละขั้นตอน

เอกสารอ้างอิง