1. บทนำ
การเขียนโค้ด MVP อย่างรวดเร็วเป็นเรื่องง่าย แต่การเพิ่มฟีเจอร์โดยการป้อนพรอมต์จำนวนมากอาจทำให้โปรเจ็กต์ล่มได้ คุณต้องมีวิธีนำโครงสร้างและบริบทในโลกแห่งความเป็นจริงมาใช้ในการพัฒนาที่ AI ช่วย Antigravity CLI จึงเป็นตัวช่วยของคุณ ซึ่งเป็นเอเจนต์การเขียนโค้ด AI ที่ทำงานในเทอร์มินัล โดยสามารถทำความเข้าใจฐานของโค้ด เรียกใช้คำสั่ง และแก้ไขไฟล์ได้ด้วยตัวเอง แต่ความสามารถที่แท้จริงของอุปกรณ์นี้มาจากสิ่งที่คุณเสียบเข้ากับอุปกรณ์
- ทักษะช่วยให้ Agent มีวิธีการและความรู้ในโดเมน โดยทักษะด้านวิธีการจะบังคับใช้เวิร์กโฟลว์การพัฒนาที่มีโครงสร้าง ส่วนทักษะด้านโดเมนจะให้ความรู้เกี่ยวกับ API ที่ถูกต้องเพื่อให้ Agent ไม่เกิดอาการหลอน
- เซิร์ฟเวอร์ MCP ช่วยให้ Agent เชื่อมต่อกับระบบภายนอกได้แบบเรียลไทม์ ซึ่งช่วยให้ตรวจสอบสคีมาจริง เรียกใช้คําค้นหา และตรวจสอบความถูกต้องของงานกับข้อมูลจริงได้แทนที่จะพึ่งพาความรู้จากการฝึกที่ล้าสมัย
ทักษะจะกำหนดวิธีคิดของเอเจนต์ ส่วน MCP จะกำหนดสิ่งที่เอเจนต์มองเห็นและโต้ตอบได้ ซึ่งจะช่วยเปลี่ยนเอเจนต์การเขียนโค้ดแบบอเนกประสงค์ให้เป็นเอเจนต์ที่ทำตามเวิร์กโฟลว์ที่มีโครงสร้างซึ่งอิงตามข้อมูลในโลกแห่งความเป็นจริง Codelab นี้จะแนะนำการผสานรวมดังกล่าวตั้งแต่การติดตั้งปลั๊กอินไปจนถึงการจัดส่งฟีเจอร์
สิ่งที่คุณจะสร้าง
รูปแบบใน Codelab นี้ ได้แก่ การติดตั้งทักษะด้านระเบียบวิธีและความรู้ในโดเมน การเชื่อมต่อเซิร์ฟเวอร์ MCP เพื่อเข้าถึงข้อมูลแบบเรียลไทม์ และการเรียกใช้รอบการพัฒนาที่ขับเคลื่อนด้วยข้อกำหนด ใช้ได้กับฟีเจอร์ใดก็ตามที่คุณสร้างด้วย Antigravity CLI ไม่ว่าจะเป็นภาษา เฟรมเวิร์ก หรือผลิตภัณฑ์ Google Cloud เพื่อให้เห็นภาพรูปแบบเหล่านี้ คุณจะดูตัวอย่างที่เฉพาะเจาะจง นั่นคือการเพิ่มการผสานรวม BigQuery ลงในแดชบอร์ดข้อมูลวิเคราะห์อีคอมเมิร์ซ
แอปเริ่มต้นคือเว็บแอป FastAPI ที่อ่านข้อมูลการขายจากไฟล์ CSV แบบคงที่และแสดงแผนภูมิ (แนวโน้มรายได้ ผลิตภัณฑ์ยอดนิยม รายละเอียดสถานะการสั่งซื้อ ประสิทธิภาพหมวดหมู่) เมื่อสิ้นสุดกระบวนการ แอปจะค้นหาข้อมูลแบบเรียลไทม์จาก BigQuery ซึ่งเป็นคลังข้อมูลแบบ Serverless ของ Google Cloud ที่ช่วยให้คุณเรียกใช้การค้นหา SQL ในชุดข้อมูลขนาดใหญ่ได้โดยไม่ต้องจัดการโครงสร้างพื้นฐาน กล่าวคือ คุณเชื่อมต่อกับชุดข้อมูล thelook_ecommerce เพื่อปลดล็อกแคตตาล็อกคำสั่งซื้อ ผลิตภัณฑ์ และลูกค้าทั้งหมดที่ CSV ขนาด 500 แถวไม่สามารถให้ได้ คุณสร้างฟีเจอร์นี้ผ่าน Antigravity CLI ทั้งหมด โดยมีทักษะและ MCP เป็นแนวทาง
การกำหนดค่า Agent ที่เราจะใช้กับ Antigravity CLI จะมีลักษณะดังนี้
สิ่งที่คุณจะได้เรียนรู้
- วิธีใช้ Antigravity CLI ใน Cloud Shell - เปิดใช้ นำทางใน TUI และเรียกใช้คำสั่งเครื่องหมายทับ
- ทักษะของเอเจนต์คืออะไร และรูปแบบการเปิดเผยข้อมูลแบบค่อยเป็นค่อยไป (ข้อมูลเมตา → คำสั่ง → แหล่งข้อมูล) ช่วยให้บริบทมีประสิทธิภาพได้อย่างไร
- ทักษะ 3 หมวดหมู่ ได้แก่ วิธีการ (พลังพิเศษ) ประสิทธิภาพ (มนุษย์ถ้ำ) และความรู้ด้านโดเมน (google/skills)
- MCP คืออะไรและวิธีกำหนดค่าเซิร์ฟเวอร์ MCP ระยะไกล (BigQuery MCP) สำหรับ Antigravity CLI
- วิธีเรียกใช้วงจรการพัฒนาที่อิงตามข้อกำหนด: ระบุ → วางแผน → นำไปใช้
- (ไม่บังคับ) วิธีการทำงานของเอเจนต์ย่อยใน Antigravity CLI และวิธีจัดการเอเจนต์ย่อย
- วิธีผสานรวม
google-cloud-bigqueryไลบรารีของไคลเอ็นต์ Python เข้ากับแอป FastAPI - (ไม่บังคับ) วิธีติดตั้งใช้งานแอปใน Cloud Run โดยใช้ Antigravity CLI ที่มีทักษะด้านโดเมน
ข้อกำหนดเบื้องต้น
- บัญชี Google Cloud
- มีความคุ้นเคยพื้นฐานกับ Python, REST API และคำสั่งเทอร์มินัล
2. ตั้งค่าสภาพแวดล้อม
ขั้นตอนนี้จะโคลนที่เก็บเริ่มต้น กำหนดค่าโปรเจ็กต์ Google Cloud และเปิดใช้ API ที่คุณต้องการ
เปิด Cloud Shell
เปิด Cloud Shell ในเบราว์เซอร์ Cloud Shell มีสภาพแวดล้อมที่กำหนดค่าไว้ล่วงหน้าพร้อมเครื่องมือทั้งหมดที่คุณต้องการสำหรับ Codelab นี้ คลิกให้สิทธิ์เมื่อมีข้อความแจ้งให้ทำ
จากนั้นคลิก "ดู" -> "เทอร์มินัล" เพื่อเปิดเทอร์มินัล อินเทอร์เฟซของคุณควรมีลักษณะคล้ายกับภาพนี้
นี่จะเป็นอินเทอร์เฟซหลักของเรา โดยมี IDE อยู่ด้านบนและเทอร์มินัลอยู่ด้านล่าง
ตั้งค่าไดเรกทอรีการทำงาน
โคลนที่เก็บข้อมูลเสริมที่มีโค้ดเริ่มต้นสำหรับโค้ดแล็บนี้
git clone https://github.com/alphinside/sdd-agy-bigquery-dashboard.git
cloudshell workspace sdd-agy-bigquery-dashboard && cd sdd-agy-bigquery-dashboard
ที่เก็บนี้มีแอปแดชบอร์ดอีคอมเมิร์ซที่ใช้งานได้สมบูรณ์ซึ่งอ่านจากไฟล์ CSV แบบคงที่ ใน Codelab นี้ คุณจะใช้ Antigravity CLI เพื่อเพิ่มการผสานรวม BigQuery เป็นฟีเจอร์ใหม่
ไฟล์และไดเรกทอรีที่สำคัญมีดังนี้
src/main.py— แอปพลิเคชัน FastAPI ที่มีปลายทาง API ซึ่งแสดงข้อมูลแดชบอร์ดsrc/data_service.py- เลเยอร์ข้อมูลที่อ่านจากไฟล์ CSV โดยใช้ pandassrc/templates/dashboard.html- เทมเพลต Jinja2 ที่มีการแสดงข้อมูลผ่านภาพ Chart.jsdata/- ไฟล์ CSV แบบคงที่ (orders.csv,products.csv,order_items.csv) ที่มีข้อมูลอีคอมเมิร์ซบางส่วน
แอปนี้เป็นแดชบอร์ดแบบอ่านอย่างเดียวที่ใช้งานง่าย โดย main.py จะกำหนดปลายทาง API, data_service.py อ่านไฟล์ CSV และแสดงข้อมูลที่มีโครงสร้าง และ dashboard.html แสดงข้อมูลดังกล่าวเป็นแผนภูมิ การผสานรวม BigQuery ที่คุณสร้างจะแทนที่ data_service.py ด้วยโมดูลที่ค้นหาข้อมูลแบบเรียลไทม์แทนที่จะอ่านไฟล์แบบคงที่
กำหนดค่าเทอร์มินัล
สร้างโปรเจ็กต์ Google Cloud ( ไม่บังคับ)
หากต้องการสร้างโปรเจ็กต์ใหม่ คุณสามารถทำได้จาก UI ของ Cloud Console โดยคลิกเครื่องมือเลือกโปรเจ็กต์ที่ด้านบนซ้าย แล้วคลิก New Project
หรือหากต้องการวิธีที่เร็วกว่า ให้เรียกใช้คำสั่งต่อไปนี้ในเทอร์มินัล
PROJECT_ID="sdd-agy-cli-$(openssl rand -hex 5)"
gcloud projects create "$PROJECT_ID"
echo $PROJECT_ID
ซึ่งจะเป็นการสร้างโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google ที่มีรหัสโปรเจ็กต์แบบสุ่ม คำสั่งจะแสดงรหัสโปรเจ็กต์ที่สร้างขึ้น ให้ใช้รหัสนี้เป็น YOUR_PROJECT_ID ในการกำหนดค่าในภายหลัง
การเปิดใช้งานเทอร์มินัล
ตอนนี้เราจะต้องกำหนดค่าเทอร์มินัลด้วยโปรเจ็กต์ Google Cloud ที่เลือก เรียกใช้คำสั่งต่อไปนี้เพื่อแสดงโปรเจ็กต์ที่มีอยู่และค้นหารหัสโปรเจ็กต์ที่ต้องการเลือก
gcloud projects list
ระบบจะแสดงรายการดังนี้ โปรดจดจำหรือคัดลอกรหัสโปรเจ็กต์ที่คุณจะใช้
PROJECT_ID: alvin-exploratory-2 NAME: alvin-exploratory-2 PROJECT_NUMBER: 109790610330
ตอนนี้ให้เรียกใช้คำสั่งต่อไปนี้เพื่อสร้างสคริปต์เพื่อเปิดใช้งานเทอร์มินัล ( หรือคุณจะสร้างไฟล์นี้ด้วยตัวเองก็ได้)
cloudshell edit configure_terminal.sh
จากนั้นคัดลอกโค้ดต่อไปนี้ไปยังสคริปต์
#!/bin/bash
gcloud config set project YOUR_PROJECT_ID
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
echo $GOOGLE_CLOUD_PROJECT
แทนที่ YOUR_PROJECT_ID ด้วยรหัสโปรเจ็กต์ คำสั่งก่อนหน้าจะส่งออกรหัสโปรเจ็กต์เป็นตัวแปรสภาพแวดล้อมเพื่อใช้ตลอดทั้ง Codelab ด้วย หลังจากนั้นให้บันทึกไฟล์และเรียกใช้
bash configure_terminal.sh
ยืนยันว่าตั้งค่าโปรเจ็กต์ถูกต้องแล้วโดยตรวจสอบข้อความสีเหลืองข้างไดเรกทอรีการทำงานในพรอมต์เทอร์มินัลของ Cloud Shell โดยควรแสดงรหัสโปรเจ็กต์ของคุณ
เปิดใช้ API ที่จำเป็น
จากนั้นเราจะโต้ตอบกับ BigQuery ซึ่งเกี่ยวข้องกับสถานการณ์กรณีการใช้งานของเรา เปิดใช้ Google Cloud APIs ที่จำเป็นสำหรับ Codelab นี้
gcloud services enable bigquery.googleapis.com
API นี้จะช่วยให้เราเข้าถึง BigQuery ได้ ตอนนี้เรามาเตรียมชุดข้อมูลเริ่มต้นสำหรับสถานการณ์ Codelab นี้กัน
3. ตั้งค่าชุดข้อมูล BigQuery
สถานการณ์สมมติคือบริษัทของคุณมีข้อมูลอีคอมเมิร์ซที่จัดเก็บไว้ใน BigQuery อยู่แล้ว ซึ่งได้แก่ คำสั่งซื้อ ผลิตภัณฑ์ และสินค้าในคำสั่งซื้อ คุณพัฒนาแอปพลิเคชันเพื่อแสดงแดชบอร์ดข้อมูลคำสั่งซื้อ แต่ปัจจุบันแอปพลิเคชันอ่านได้เฉพาะข้อมูล CSV ขนาดเล็กที่แยกจากข้อมูลนี้เพื่อให้คุณมุ่งเน้นที่ส่วนหน้าได้ในระยะแรก ตอนนี้คุณต้องการอัปเกรดเพื่อค้นหา BigQuery โดยตรงสำหรับชุดข้อมูลทั้งหมด
หากต้องการจำลองสถานการณ์นี้ คุณต้องใช้ TheLook E-commerce ซึ่งเป็นชุดข้อมูลสาธารณะที่ Google ดูแลรักษาและมีข้อมูลอีคอมเมิร์ซสังเคราะห์ที่สมจริง (คำสั่งซื้อกว่า 125,000 รายการ ผลิตภัณฑ์กว่า 29,000 รายการ) คุณคัดลอกตารางที่เกี่ยวข้องลงในอินสแตนซ์ BigQuery ของโปรเจ็กต์ของคุณเองเพื่อให้ตารางเหล่านั้นทำหน้าที่เป็น "ข้อมูลของบริษัท"
ใน Cloud Shell เรามี bq CLI ที่ใช้โต้ตอบกับ BigQuery ได้โดยตรง จึงเตรียมข้อมูลได้โดยตรง
สร้างชุดข้อมูลในโปรเจ็กต์โดยทำดังนี้
bq mk --dataset $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
คัดลอกตาราง 3 ตารางจากชุดข้อมูลสาธารณะไปยังชุดข้อมูลใหม่
bq cp bigquery-public-data:thelook_ecommerce.orders $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.orders
bq cp bigquery-public-data:thelook_ecommerce.order_items $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.order_items
bq cp bigquery-public-data:thelook_ecommerce.products $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.products
ตรวจสอบว่าตารางอยู่ในชุดข้อมูล
bq ls $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
คุณควรเห็นตาราง 3 รายการ ได้แก่ orders, order_items และ products
tableId Type Labels Time Partitioning Clustered Fields ------------- ------- -------- ------------------- ------------------ order_items TABLE orders TABLE products TABLE
เรียกใช้การค้นหาทดสอบอย่างรวดเร็วเพื่อยืนยันว่าเข้าถึงข้อมูลได้
bq query --nouse_legacy_sql \
"SELECT COUNT(*) as total_orders FROM \`$GOOGLE_CLOUD_PROJECT.thelook_ecommerce.orders\`"
+--------------+ | total_orders | +--------------+ | 125957 | +--------------+
คุณควรเห็นจำนวนคำสั่งซื้อมากกว่า 100,000 รายการ
4. เรียกใช้เว็บแอปเริ่มต้น
ก่อนอัปเกรดแอป เรามาเรียกใช้แอปในสถานะปัจจุบันเพื่อดูว่าแดชบอร์ดที่ขับเคลื่อนด้วย CSV มีลักษณะอย่างไร
uv เป็นแพ็กเกจ Python และเครื่องมือจัดการโปรเจ็กต์ที่รวดเร็วซึ่งเขียนด้วย Rust ( เอกสาร) Codelab นี้ใช้เพื่อความรวดเร็วและความเรียบง่าย หากใช้ Cloud Shell สำหรับบทแนะนำนี้ ระบบจะติดตั้งไว้ล่วงหน้าในอินสแตนซ์แล้ว ดูบทแนะนำนี้หากต้องการติดตั้งสำหรับเครื่องของคุณ
ติดตั้งการอ้างอิงของโปรเจ็กต์ ซึ่งจะเตรียมสภาพแวดล้อมเสมือนให้คุณด้วย
uv sync
หลังจากนั้น หากคุณคุ้นเคยกับ Python เราจะดำเนินการทุกคำสั่งด้วยไบนารี uv แทนที่จะใช้คำสั่ง python เปิดใช้เซิร์ฟเวอร์การพัฒนา FastAPI โดยทำดังนี้
uv run uvicorn src.main:app --host 0.0.0.0 --port 8080
เปิดแดชบอร์ดในเบราว์เซอร์โดยใช้ฟีเจอร์การแสดงตัวอย่างเว็บของ Cloud Shell คลิกปุ่มแสดงตัวอย่างเว็บ (ไอคอนดวงตาในแถบเครื่องมือ Cloud Shell) แล้วเลือกแสดงตัวอย่างบนพอร์ต 8080
แดชบอร์ดจะแสดงแผงแผนภูมิ 4 แผง ดังนี้
- แนวโน้มรายได้ - แผนภูมิเส้นที่แสดงรายได้รายวันในช่วงวันที่ในข้อมูล CSV
- ผลิตภัณฑ์ยอดนิยมตามรายได้ - แผนภูมิแท่งแนวนอนที่จัดอันดับผลิตภัณฑ์ตามยอดขายทั้งหมด
- รายละเอียดสถานะคำสั่งซื้อ — แผนภูมิโดนัทที่แสดงการกระจายคำสั่งซื้อที่เสร็จสมบูรณ์ จัดส่งแล้ว กำลังดำเนินการ ยกเลิก และคืนสินค้า
- ประสิทธิภาพของหมวดหมู่ - แผนภูมิแท่งแนวนอนที่แสดงรายได้ตามหมวดหมู่สินค้า
สังเกตป้ายแหล่งข้อมูล: CSV ในส่วนหัว การ์ดข้อมูลสรุปแสดงยอดรวมที่คำนวณจากคำสั่งซื้อ 500 รายการและสินค้าในคำสั่งซื้อประมาณ 750 รายการ ซึ่งเป็นชุดข้อมูลย่อยของชุดข้อมูล TheLook แบบเต็ม ช่วงวันที่จำกัดไว้ที่เดือนตุลาคม - ธันวาคม 2023
นี่คือแอปพื้นฐานของเรา ตอนนี้เราจะอัปเกรดให้ผสานรวมกับ BigQuery โดยใช้ Antigravity CLI
5. ตั้งค่า Antigravity CLI
ขั้นตอนนี้จะแนะนำ Antigravity CLI, อธิบายอินเทอร์เฟซผู้ใช้เทอร์มินัล และติดตั้งปลั๊กอิน 3 หมวดหมู่เพื่อเพิ่มประสิทธิภาพเวิร์กโฟลว์การพัฒนา ในระหว่างนี้ คุณจะได้เรียนรู้ว่าทักษะของ Agent และ MCP คืออะไร รวมถึงวิธีที่ทักษะและ MCP ช่วยขยายความสามารถของ AI Coding Agent
Antigravity CLI คืออะไร
Antigravity CLI เป็นตัวแปรของเอเจนต์การเขียนโค้ด AI ของ Google ซึ่งก็คือ Antigravity สำหรับเทอร์มินัล ซึ่งเป็นอินเทอร์เฟซผู้ใช้เทอร์มินัล (TUI) ขนาดเล็กที่สร้างขึ้นใน Go ซึ่งเชื่อมต่อกับระบบควบคุมการทำงานของ Agent เดียวกันที่ขับเคลื่อนแอปพลิเคชัน Antigravity 2.0 บนเดสก์ท็อป โดยจะอ่านฐานของโค้ด เรียกใช้คำสั่ง แก้ไขไฟล์ และเชื่อมต่อกับเครื่องมือภายนอกผ่าน MCP ทั้งหมดจากเทอร์มินัล
หากใช้ Cloud Shell สำหรับบทแนะนำนี้ Antigravity CLI จะติดตั้งไว้ล่วงหน้าใน Cloud Shell แล้ว คุณตรวจสอบได้โดยเรียกใช้คำสั่งต่อไปนี้
agy --help
โดยจะแสดงรายละเอียดตัวเลือกคำสั่งต่อไปนี้
Usage of agy: --add-dir Add a directory to the workspace (repeatable) (default []) -c Short alias for --continue --continue Continue the most recent conversation --conversation Resume a previous conversation by ID --dangerously-skip-permissions Auto-approve all tool permission requests without prompting -i Short alias for --prompt-interactive --log-file Override CLI log file path --model Model for the current CLI session --new-project Create a new project for this session -p Short alias for --print --print Run a single prompt non-interactively and print the response --print-timeout Timeout for print mode wait (default 5m0s) --project Project ID for the current CLI session --prompt Alias for --print --prompt-interactive Run an initial prompt interactively and continue the session --sandbox Run in a sandbox with terminal restrictions enabled Available subcommands: changelog Show changelog and release notes help Show help for subcommands install Configure environment paths and shell settings models List available models plugin Manage plugins (install, uninstall, list, enable, disable) plugins Alias for plugin update Update CLI
เปิดใช้ Antigravity CLI
ตอนนี้เราจะต้องตั้งค่า Antigravity CLI หากคุณใช้เป็นครั้งแรก เปิดใช้ในแท็บเทอร์มินัลใหม่
agy
หากคุณเรียกใช้เป็นครั้งแรก ระบบจะขอให้คุณเลือกวิธีการตรวจสอบสิทธิ์
สำหรับบทแนะนำนี้ ให้ใช้ Google OAuth โดยระบบจะขอให้คุณเปิด URL ที่จะแจ้งให้คุณเลือกบัญชี Google ที่จะใช้ในการเข้าสู่ระบบ
หลังจากคลิก "ตรวจสอบสิทธิ์" ให้เลือกบัญชี Google แล้วคลิก Sign In
ระบบจะแสดงสตริงให้คุณคัดลอก ให้คลิก Copy to Clipboard เพื่อคัดลอก
จากนั้นวางลงในพรอมต์ของ Antigravity CLI ดังที่แสดงด้านล่าง
หลังจากนั้น ระบบจะขอให้คุณเลือกธีมสีและยอมรับข้อตกลงในการใช้งาน
นอกจากนี้ ระบบจะขอให้คุณเชื่อถือไดเรกทอรีพื้นที่ทำงานปัจจุบัน เพียงยอมรับและเราก็พร้อมดำเนินการต่อ ซึ่งจะเป็นรายการหลักสำหรับการโต้ตอบกับ Antigravity CLI ในเทอร์มินัล
ตอนนี้ ให้ออกจาก Antigravity CLI แล้วไปที่ส่วนถัดไป
6. การปรับแต่ง - ทักษะของ Agent
Antigravity CLI พร้อมใช้งานทันทีที่ติดตั้ง โดยสามารถอ่านโค้ดเบส เรียกใช้คำสั่งเชลล์ และแก้ไขไฟล์ได้ แต่มีเวิร์กโฟลว์การพัฒนาที่ขับเคลื่อนด้วยข้อกำหนดในตัวที่จำกัด และความรู้เกี่ยวกับ API ที่เฉพาะเจาะจงจะจำกัดอยู่เพียงข้อมูลที่อยู่ในข้อมูลการฝึก สำหรับงานอย่างการผสานรวม BigQuery เข้ากับแอปที่มีอยู่ จะมีช่องว่าง 2 อย่างดังนี้
- ช่องว่างของกระบวนการ - หากไม่มีโครงสร้าง Antigravity CLI อาจข้ามไปเขียนโค้ดโดยตรง สำหรับการแก้ไขเล็กๆ น้อยๆ ก็ทำได้ สำหรับฟีเจอร์ที่เกี่ยวข้องกับไฟล์และอุปกรณ์ปลายทางหลายรายการ คุณจะพบว่าการใช้งานไม่สอดคล้องกัน กรณีขอบที่ขาดหายไป และไม่มีเอกสารประกอบเกี่ยวกับสิ่งที่ตัดสินใจหรือเหตุผล
- ช่องว่างด้านความรู้ - ข้อมูลฝึกฝนโมเดลอาจมีรูปแบบไลบรารีของไคลเอ็นต์ BigQuery ที่ล้าสมัย การเรียก API ที่เลิกใช้งานแล้ว หรือสคีมาตารางที่ไม่ถูกต้อง และไม่มีวิธีตรวจสอบว่าชุดข้อมูลจริงมีลักษณะอย่างไรในขณะนี้
ทักษะช่วยลดช่องว่างในกระบวนการ ทักษะด้านวิธีการพัฒนา เช่น superpowers บังคับใช้รอบการระบุ-วางแผน-นำไปใช้ ซึ่งหมายความว่าเอเจนต์จะไม่เขียนโค้ดจนกว่าคุณจะอนุมัติข้อกำหนด ทักษะด้านโดเมน เช่น bigquery-basics จะให้เอกสาร API ที่อัปเดตล่าสุดซึ่ง Google ดูแลรักษา เพื่อให้เอเจนต์ใช้รูปแบบไลบรารีไคลเอ็นต์ที่ถูกต้อง
เซิร์ฟเวอร์ MCP ช่วยลดช่องว่างด้านความรู้ในขณะรันไทม์ MCP ของ BigQuery ช่วยให้ Agent เชื่อมต่อกับชุดข้อมูลจริงได้แบบเรียลไทม์ โดยสามารถแสดงรายการตาราง ตรวจสอบประเภทคอลัมน์ และเรียกใช้การค้นหาตัวอย่างได้ Agent จะทำงานจากข้อมูลสคีมาจริง ไม่ใช่การคาดเดา
มาทำความเข้าใจเกี่ยวกับ 2 สิ่งนี้ให้ลึกซึ้งยิ่งขึ้นกัน
ทักษะของ Agent
ทักษะ Agent เป็นรูปแบบเปิดที่มีน้ำหนักเบาสำหรับการขยายความสามารถของ AI Agent ด้วยความรู้และเวิร์กโฟลว์เฉพาะทาง โดยแต่ละทักษะจะเป็นไดเรกทอรีแบบพกพาที่มีการควบคุมเวอร์ชันพร้อมไฟล์ SKILL.md ซึ่งเป็นสัญญาที่เครื่องอ่านได้ซึ่งกำหนดวิธีที่เอเจนต์จัดการงานที่เฉพาะเจาะจง
ไดเรกทอรีทักษะมีลักษณะดังนี้
skills/<skill-name>/ ├── SKILL.md # Required: YAML frontmatter + workflow instructions ├── scripts/ # Optional: helper scripts ├── references/ # Optional: reference implementations ├── assets/ # Optional: templates or assets └── ... # Any additional files or directories
โดยพื้นฐานแล้ว ทักษะคือโฟลเดอร์ที่มีไฟล์ SKILL.md ไฟล์นี้มีข้อมูลเมตา (ชื่อและคำอธิบายอย่างน้อย) และวิธีการที่บอกตัวแทนวิธีทำงานที่เฉพาะเจาะจง นอกจากนี้ สกิลยังสามารถรวมสคริปต์ สื่ออ้างอิง เทมเพลต และทรัพยากรอื่นๆ ได้ด้วย
ต่อไปนี้คือ SKILL.md สำหรับทักษะ bigquery-basics ที่คุณใช้ใน Codelab นี้ในภายหลัง
--- name: bigquery-basics metadata: category: BigDataAndAnalytics description: >- Manages datasets, tables, and jobs in BigQuery. Use when you need to interact with BigQuery, run SQL queries, manage BigQuery resources (datasets, tables, views), or perform basic data ingestion and analysis. --- # BigQuery Basics [Detailed instructions about BigQuery APIs, SQL patterns, client library usage, data ingestion patterns, etc.]
YAML Frontmatter (ชื่อ + คำอธิบาย + ข้อมูลเมตา) คือสิ่งที่ Antigravity CLI โหลดเมื่อเริ่มต้น ซึ่งเป็นข้อมูลเมตาที่มีขนาดเล็ก เนื้อหา Markdown ด้านล่าง --- คือชุดคำสั่งทั้งหมดที่จะโหลดเมื่อ Antigravity ตรวจพบงานที่เกี่ยวข้องกับ BigQuery เท่านั้น
การเปิดเผยข้อมูลแบบค่อยเป็นค่อยไป
ทักษะใช้รูปแบบการเปิดเผยข้อมูลแบบค่อยเป็นค่อยไป 3 เลเยอร์ซึ่งป้องกันไม่ให้หน้าต่างบริบทเต็ม
- เลเยอร์ 1 (การค้นพบ): เมื่อเริ่มต้น Antigravity จะอ่านเฉพาะข้อมูลเมตา YAML สำหรับทักษะที่ติดตั้งทั้งหมด โดยจะรู้ว่ามีทักษะอยู่เท่านั้น
- เลเยอร์ 2 (การเปิดใช้งาน): เมื่องานของคุณตรงกับคำอธิบายของทักษะ AGY จะอ่าน
SKILL.mdทั้งหมดลงในบริบทที่ใช้งานอยู่ ตอนนี้ระบบรู้แล้วว่าต้องทำอะไร - เลเยอร์ 3 (การดำเนินการ): Antigravity จะเข้าถึงสคริปต์ ตัวอย่าง หรือทรัพยากรของทักษะตามความจำเป็น ตอนนี้โมเดลรู้วิธีทำแล้ว
ระบบจะโหลดเฉพาะความรู้ที่เกี่ยวข้องในเวลาที่เหมาะสม ทักษะสำหรับการติดตั้งใช้งาน Cloud Run จะไม่ใช้บริบทเมื่อคุณทำงานกับการค้นหา BigQuery เช่น
ทักษะ 3 หมวดหมู่
ทักษะของตัวแทนมีหลายประเภท ใน Codelab นี้ เราจะใช้ทักษะ 3 อย่าง ซึ่งแต่ละอย่างแสดงถึงทักษะในหมวดหมู่ที่แตกต่างกัน ดังนี้
หมวดหมู่ | ทักษะ | Purpose |
ความรู้เกี่ยวกับโดเมน | google/skills | สิ่งที่เอเจนต์รู้เกี่ยวกับเทคโนโลยีที่เฉพาะเจาะจง |
ระเบียบวิธี | obra/superpowers | วิธีพัฒนา - บังคับใช้การพัฒนาที่ขับเคลื่อนด้วยข้อมูลจำเพาะ การวางแผน การทดสอบ |
ประสิทธิภาพ | JuliusBrussee/caveman | วิธีใช้โทเค็นอย่างมีประสิทธิภาพ |
google/skills มีทักษะของเอเจนต์บุคคลที่หนึ่งที่ Google ดูแลสำหรับผลิตภัณฑ์ของ Google เช่น ทำให้ Agent มีความรู้ที่ถูกต้องและเป็นปัจจุบันเกี่ยวกับ BigQuery API, รูปแบบการติดตั้งใช้งาน Cloud Run และบริการอื่นๆ หากไม่มีทักษะเฉพาะโดเมน เอเจนต์จะอาศัยข้อมูลการฝึกที่อาจล้าสมัยหรือไม่สมบูรณ์ แต่ทักษะเฉพาะโดเมนจะแทนที่การคาดเดาด้วยเอกสารประกอบล่าสุด
obra/superpowers เป็นการใช้งานเวิร์กโฟลว์การพัฒนาที่ขับเคลื่อนด้วยข้อกำหนด (SDD) แบบมีข้อจำกัด หากไม่มีกรอบงาน SDD เอเจนต์จะข้ามไปเขียนโค้ดทันทีเมื่อคุณอธิบายฟีเจอร์ ซึ่งเหมาะสำหรับการแก้ไขเล็กๆ น้อยๆ แต่จะให้ผลลัพธ์ที่ไม่สอดคล้องกันและดูแลรักษายากสำหรับงานที่ใหญ่กว่า SDD บังคับให้เกิดวงจรที่มีโครงสร้าง ได้แก่ ชี้แจงข้อกำหนด → เขียนข้อกำหนด → สร้างแผน → ดำเนินการตามข้อกำหนด แต่ละขั้นตอนจะสร้างอาร์ติแฟกต์ที่ตรวจสอบได้ เอเจนต์จะไม่เริ่มเขียนโค้ดจนกว่าคุณจะอนุมัติข้อกำหนด มีเฟรมเวิร์ก SDD อื่นๆ เช่น spec-kit, agent-skills และอื่นๆ ซึ่งแต่ละเฟรมเวิร์กมีความคิดเห็นที่แตกต่างกันเกี่ยวกับวงจรการระบุ-วางแผน-นำไปใช้ Codelab นี้ใช้พลังพิเศษเป็นตัวอย่างที่ชัดเจน แต่หลักการพื้นฐาน (ระบุและวางแผนก่อนเขียนโค้ด) จะใช้ได้ไม่ว่าคุณจะเลือกเฟรมเวิร์กใดก็ตาม
JuliusBrussee/caveman บีบอัดเอาต์พุตของ Agent ได้สูงสุด 75% โดยจะนำคำพูดที่ไม่มีความหมาย คำทักทาย และคำอธิบายที่เยิ่นเย้อออก แต่ยังคงเนื้อหาทางเทคนิคทั้งหมดไว้ โทเค็นที่น้อยลงต่อคำตอบหมายถึงการแลกเปลี่ยนที่มีประสิทธิภาพมากขึ้นต่อเซสชันและคำตอบที่เร็วขึ้น เปิดใช้งานด้วย /caveman หรือสั่งให้เอเจนต์พูดอย่างมีประสิทธิภาพ ระบบจะปิดใช้โดยอัตโนมัติสำหรับการเตือนด้านความปลอดภัยและการดำเนินการที่ย้อนกลับไม่ได้
การติดตั้งทักษะของ Agent
การติดตั้งทักษะอย่างเป็นทางการของ Google
ก่อนอื่น มาติดตั้งทักษะของ Google ที่จำเป็นซึ่งเราจะใช้โต้ตอบกัน ในบทแนะนำนี้ Technology Stack หลักที่เราจะกล่าวถึงคือ BigQuery และ Cloud Run มาติดตั้งทักษะเหล่านี้กัน เราจะใช้คำสั่ง npx skills เพื่อติดตั้ง
npx skills add google/skills
ซึ่งจะเป็นการเปิด UI เทอร์มินัลแบบอินเทอร์แอกทีฟ โดยมีทักษะมากมาย ใช้ปุ่มลูกศรและแป้นเว้นวรรคเพื่อเลือกทักษะที่คุณต้องการสำหรับ Codelab นี้
ค้นหา bigquery-basics และ cloud-run-basics แล้วคลิกSpace เพื่อเลือก ช่องควรเป็นสีเทาเข้มดังที่แสดงด้านล่าง
จากนั้นในส่วนเลือกเอเจนต์ ให้คลิก Enter เพื่อข้ามการเลือก เนื่องจาก Antigravity CLI จะรวมอยู่ด้วยโดยค่าเริ่มต้น
และเลือกขอบเขตการติดตั้งโปรเจ็กต์ ซึ่งจะติดตั้งทักษะภายใต้ไดเรกทอรี .agents ในไดเรกทอรีการทำงาน
สุดท้ายให้คลิกEnter เพื่อตอบว่าYes เพื่อสิ้นสุดการติดตั้ง คุณยังตอบว่าใช่เพื่อติดตั้งfind-skillsทักษะได้ด้วยหากกำหนดค่าทักษะไว้หลายรายการ
การติดตั้งทักษะของบุคคลที่สามเป็นปลั๊กอิน
จากนั้นเราจะติดตั้งทักษะ obra/superpowers และ JuliusBrussee/caveman ระบบรองรับการติดตั้งทักษะเหล่านี้เป็นปลั๊กอิน Antigravity CLI ดังนั้นเราจึงติดตั้งได้โดยใช้คำสั่งต่อไปนี้
agy plugin install https://github.com/obra/superpowers
agy plugin install https://github.com/JuliusBrussee/caveman
จากนั้นเราจะยืนยันการติดตั้งได้โดยใช้คำสั่งต่อไปนี้
agy plugin list
โดยจะแสดงเอาต์พุตต่อไปนี้
{
"imports": [
{
"name": "superpowers",
"source": "gemini-cli",
"importedAt": "2026-07-06T01:50:36Z",
"components": [
"skills",
"hooks"
]
},
{
"name": "caveman",
"source": "gemini-cli",
"importedAt": "2026-07-06T01:50:37Z",
"components": [
"skills",
"agents",
"commands"
]
}
]
}
ซึ่งทำให้การตั้งค่าทักษะเสร็จสมบูรณ์ ไปที่ข้อความถัดไปกันเลย
7. การปรับแต่ง - เครื่องมือ MCP
MCP (Model Context Protocol) เป็นโปรโตคอลแบบเปิดที่กำหนดมาตรฐานวิธีที่ AI Agent ค้นพบและโต้ตอบกับเครื่องมือภายนอก โดยจะกำหนดรูปแบบไคลเอ็นต์-เซิร์ฟเวอร์ ซึ่ง Agent จะโฮสต์ไคลเอ็นต์ MCP และเซิร์ฟเวอร์ MCP จะแสดงเครื่องมือ ไคลเอ็นต์ที่เข้ากันได้กับ MCP สามารถใช้เซิร์ฟเวอร์ที่เข้ากันได้กับ MCP ได้ โดยเอเจนต์ไม่จำเป็นต้องใช้โค้ดการผสานรวมที่กำหนดเองสำหรับแต่ละเครื่องมือ
MCP ใช้สถาปัตยกรรมไคลเอ็นต์-เซิร์ฟเวอร์
- โฮสต์ - แอปพลิเคชันที่โมเดล AI อยู่ (ในกรณีนี้คือ Antigravity CLI)
- ไคลเอ็นต์ - คอมโพเนนต์ภายในโฮสต์ที่จัดการการสื่อสาร MCP (สร้างขึ้นใน Antigravity CLI)
- เซิร์ฟเวอร์ - โปรแกรมที่มีน้ำหนักเบาซึ่งแสดงความสามารถต่อ AI ( ในกรณีของเรา เราจะใช้เซิร์ฟเวอร์ MCP ของ BigQuery ที่มีการจัดการของ Google Cloud)
เมื่อ Antigravity CLI เรียกใช้เวิร์กโฟลว์ SDD ในภายหลังใน Codelab นี้ จะต้องมีความรู้ที่ถูกต้องเกี่ยวกับสคีมาชุดข้อมูล BigQuery ซึ่งได้แก่ ชื่อตาราง ประเภทคอลัมน์ และความสัมพันธ์ BigQuery MCP ช่วยให้ Antigravity CLI ตรวจสอบสคีมาที่ใช้งานจริงได้โดยตรง ซึ่งจะสร้างข้อกำหนดและโค้ดที่อ้างอิงตารางและคอลัมน์จริง ไม่ใช่ตารางและคอลัมน์ที่ AI สร้างขึ้น
การกำหนดค่า MCP ที่มีการจัดการของ BigQuery
Google โฮสต์เซิร์ฟเวอร์ BigQuery MCP ที่มีการจัดการในโครงสร้างพื้นฐานของระบบคลาวด์ของ Google โดยไม่จำเป็นต้องตั้งค่าในเครื่อง ( คุณสามารถดูผลิตภัณฑ์อื่นๆ ของ Google Cloud ที่รองรับในเอกสารนี้) กำหนดค่า Antigravity CLI เพื่อเชื่อมต่อโดยการสร้างไฟล์การกำหนดค่า MCP ในไดเรกทอรีโปรเจ็กต์
mkdir -p .agents
cat > .agents/mcp_config.json << EOF
{
"mcpServers": {
"bigquery": {
"serverUrl": "https://bigquery.googleapis.com/mcp",
"transport": "http",
"authProviderType": "google_credentials"
}
}
}
EOF
การกำหนดค่านี้จะบอก AGY ว่า
- ตำแหน่งของเซิร์ฟเวอร์ MCP ของ BigQuery (
serverUrl) - วิธีใช้ข้อมูลเข้าสู่ระบบ Google เพื่อการตรวจสอบสิทธิ์ (
authProviderType)
การกำหนดค่าจะอยู่ในระดับพื้นที่ทำงาน (.agents/mcp_config.json)
เราสามารถยืนยันการกำหนดค่าจากภายใน Antigravity CLI ได้ มาดำเนินการกันก่อน
agy
จากนั้นยืนยันการกำหนดค่าโดยเรียกใช้คำสั่งเครื่องหมายทับ /mcp
/mcp
โดยจะแสดงข้อความคล้ายกับตัวอย่างต่อไปนี้
จากนั้นกด Esc เพื่อออกจากการโต้ตอบคำสั่งเครื่องหมายทับ
ออกจาก Antigravity CLI (กด Ctrl+D 2 ครั้ง) ไปก่อน
8. การพัฒนาฟีเจอร์ด้วย Spec-Driven Development
เมื่อติดตั้งทักษะ/ปลั๊กอินและเชื่อมต่อ BigQuery MCP แล้ว คุณจะใช้เวิร์กโฟลว์การพัฒนาที่อิงตามข้อกำหนดเพื่อระบุฟีเจอร์การผสานรวม BigQuery อย่างเป็นทางการได้ ขั้นตอนนี้คือขั้นตอนที่ "ระบุข้อมูลก่อนเขียนโค้ด" กลายเป็นรูปธรรม
ตรวจสอบว่าคุณป้อน Antigravity CLI และสำหรับการสาธิตนี้ เราจะอนุญาตให้ดำเนินการเครื่องมือทั้งหมดด้วย Flag นี้
agy --dangerously-skip-permissions
เปิดใช้งานโหมดถ้ำ
ก่อนเริ่มรอบ SDD ให้เปิดใช้งานโหมดถ้ำเพื่อรักษาการใช้โทเค็นให้มีประสิทธิภาพตลอดเวิร์กโฟลว์แบบหลายขั้นตอน
/caveman:caveman
คำตอบของ Antigravity CLI จะกระชับขึ้น โดยตัดคำพูดที่ไม่มีความหมายและคำทักทายออกไป แต่ยังคงเนื้อหาทางเทคนิคทั้งหมดไว้ โทเค็นที่น้อยลงต่อการแลกเปลี่ยนหมายถึงการสนทนาที่มีประสิทธิภาพมากขึ้นภายในโควต้าเดียวกัน
เริ่มข้อกำหนด SDD
แจ้งคำขอฟีเจอร์ไปยัง Antigravity CLI โดยใช้พรอมต์ต่อไปนี้
I want to add a BigQuery integration feature to this e-commerce dashboard app. Currently it reads
from CSV files in the data/ directory. I want to replace the CSV reads with live queries
against the thelook_ecommerce dataset in my BigQuery project using the
google-cloud-bigquery Python client library.
The dashboard should show the same panels (revenue trend, top products, order status,
category performance) but with the full dataset instead of the 500-row CSV subset.
Follow spec-driven-development for development workflow, ensure spec and plan docs created following the superpowers standard in current working directory; also use Bigquery MCP to figure out the data schema.
ทักษะ "พลังพิเศษ" จะเปิดใช้งานโดยอัตโนมัติเมื่อตรวจพบคำขอระดับฟีเจอร์ AGY จะเข้าสู่วงจร SDD แทนที่จะข้ามไปที่โค้ดโดยตรง
Antigravity CLI จะเริ่มกระบวนการทำความเข้าใจโปรเจ็กต์ปัจจุบันและรวบรวมบริบทที่จำเป็น คุณจะเห็นว่าระบบดำเนินการคำสั่ง เช่น ListDir และ Read ดังที่แสดงด้านล่าง
และจะใช้การเชื่อมต่อ MCP ของ BigQuery ที่เราตั้งค่าไว้ก่อนหน้านี้เพื่อค้นหาสคีมาของชุดข้อมูลด้วย
ซึ่งจะช่วยให้มั่นใจได้ว่า Antigravity CLI มีบริบทที่ถูกต้องก่อนเริ่มการพัฒนา
การชี้แจงข้อกำหนด
Antigravity CLI อาจถามคำถามที่มุ่งเน้นเกี่ยวกับขอบเขตของฟีเจอร์ คำถามที่พบบ่อย ได้แก่
- ควรกำหนดค่ารหัสโปรเจ็กต์อย่างไร
- ควรรวบรวมและแสดงแผนภูมิแนวโน้มรายได้อย่างไร
- ควรเข้าถึงการผสานรวมอย่างไร SQL โดยตรงเทียบกับ Pandas ในเครื่อง
คุณตอบคำถามเหล่านี้ได้โดยทำตามคำแนะนำของตัวแทน
อ่านข้อกำหนด
หลังจากได้รับคำชี้แจงแล้ว ก็จะจัดทำเอกสารข้อกำหนดอย่างเป็นทางการ หากทำตามวิธีการอย่างถูกต้อง ระบบจะทำตามobra/superpowersรูปแบบทักษะโดยจะสร้างเอกสารข้อกำหนดภายใต้ไดเรกทอรี docs/superpowers/specs ดังที่แสดงด้านล่าง
เอกสารข้อกําหนดจะมีลักษณะคล้ายกับเอกสารต่อไปนี้
# BigQuery Integration Design Specification ## Overview This document specifies ... ## Architecture The application currently reads ... ## Data Schema & Sources All tables reside in the BigQuery ... ...
หลังจากตรวจสอบแล้ว เราต้องยืนยันรายละเอียดเพื่อให้ย้ายไปสู่ระยะการวางแผน
proceed with the specs
ระยะการวางแผนและการดำเนินการของตัวแทนย่อย
หลังจากอนุมัติข้อกำหนดแล้ว Antigravity CLI จะแยกข้อกำหนดออกเป็นแผนการติดตั้งใช้งานซึ่งจะเขียนลงในไดเรกทอรี docs/superpowers/plans
เอกสารแผนจะแสดงรายการหลายอย่าง เช่น ตัวอย่างด้านล่าง
- ไฟล์ที่จะแก้ไข
- ไฟล์ที่จะสร้าง/อัปเดต
- การเปลี่ยนแปลงทรัพยากร Dependency
- รายละเอียดงาน
นอกจากนี้ยังแนะนำให้ใช้ subagent driven development ซึ่ง Antigravity CLI รองรับด้วย แทนที่จะให้เอเจนต์ตัวเดียวทำทุกอย่างตามลำดับ Antiravity CLI สามารถมอบหมายงานให้กับเอเจนต์ย่อยเฉพาะทางได้ ในระหว่างการติดตั้งใช้งาน คุณอาจเห็นเอเจนต์ย่อย เช่น
- ผู้ปฏิบัติงาน - เขียนโค้ดสำหรับงานที่เฉพาะเจาะจงจากแผน
- ผู้ตรวจสอบงาน - ตรวจสอบโค้ดที่ติดตั้งใช้งานเทียบกับข้อกำหนด
- ผู้ตรวจสอบโค้ดขั้นสุดท้าย - ทำการตรวจสอบแบบองค์รวมในการเปลี่ยนแปลงทั้งหมดก่อนที่จะเสร็จสมบูรณ์
หากได้รับข้อความแจ้งเช่นนี้ ให้ตอบกลับด้วยข้อความนี้
Use subagent driven development
เราจะเห็นในภายหลังว่ามีการมอบหมายให้ตัวแทนย่อยรับงานทีละงาน
หลังจากนั้นไม่นานการพัฒนาทั้งหมดจะเสร็จสมบูรณ์ ( อาจหลังจากสร้างเอเจนต์ Final Code Reviewer) จากนั้นเราจะตรวจสอบผลลัพธ์ได้
การตรวจสอบแอปโดยเจ้าหน้าที่ที่อัปเดตแล้ว
หลังจากทำงานทั้งหมดเสร็จแล้ว เราจะตรวจสอบแอปพลิเคชันที่อัปเดตได้ ออกจาก Antigravity CLI โดยกด Ctrl+D 2 ครั้ง แล้วเรียกใช้คำสั่งต่อไปนี้
bash configure_terminal.sh && uv run uvicorn src.main:app --host 0.0.0.0 --port 8080
ตอนนี้คุณควรเห็น Total Orders แสดงคำสั่งซื้อมากกว่า 120, 000 รายการและผสานรวมกับ BigQuery หากการพัฒนาสำเร็จ
ยินดีด้วย ตอนนี้คุณผสานรวม BigQuery กับเว็บแอปพลิเคชันได้สำเร็จแล้วด้วยความช่วยเหลือเต็มรูปแบบจาก Antigravity CLI
9. (ไม่บังคับ) ทำให้ใช้งานได้กับ Cloud Run ด้วย Antigravity CLI
แดชบอร์ดจะทำงานในเครื่องผ่านการแสดงตัวอย่างเว็บของ Cloud Shell ขั้นตอนนี้เป็นขั้นตอนที่ไม่บังคับ ซึ่งจะทำให้แอปพลิเคชันใช้งานได้ใน Cloud Run เป็นเว็บเซอร์วิสที่เข้าถึงได้แบบสาธารณะ ซึ่งแสดงให้เห็นว่าทักษะด้านโดเมนของ Antigravity CLI ขยายจากขั้นตอนการพัฒนาไปสู่การดำเนินการได้อย่างไร
cloud-run-basics ทักษะ (จากปลั๊กอิน google/skills ที่คุณติดตั้งไว้ก่อนหน้านี้) จะให้ความรู้แก่ Antigravity CLI เกี่ยวกับรูปแบบการติดตั้งใช้งาน Cloud Run, ข้อกำหนดของ Dockerfile, การเชื่อมโยงพอร์ต และgcloud run deploy แฟล็ก การทําให้ใช้งานได้ตามแหล่งที่มา (gcloud run deploy --source .) จะสร้างและทําให้ใช้งานได้ในคําสั่งเดียว โดย Cloud Build จะจัดการการสร้างคอนเทนเนอร์โดยอัตโนมัติ
เปิดใช้ Cloud Run API
เปิดใช้ API ที่จำเป็นสำหรับการติดตั้งใช้งาน
gcloud services enable \
run.googleapis.com \
cloudbuild.googleapis.com \
cloudresourcemanager.googleapis.com
จากนั้นป้อน Antigravity CLI
agy --dangerously-skip-permissions
แจ้งให้ Antigravity CLI ทำการติดตั้งใช้งาน
มาสั่งให้ติดตั้งใช้งานแอปพลิเคชันของเรากัน
Deploy this application to Cloud Run, name the service "bigquery-dashboard" and make it publicly accessible
โดยจะอ่านcloud-run-basicsทักษะเพื่อทำความเข้าใจข้อกำหนดในการติดตั้งใช้งานเว็บแอปพลิเคชันของโปรเจ็กต์ปัจจุบัน
หลังจากเสร็จสิ้นแล้ว ระบบจะยืนยันว่าการติดตั้งใช้งานสำเร็จและแสดงสรุปกระบวนการติดตั้งใช้งานที่ดำเนินการก่อนหน้านี้ เช่น ตัวอย่างที่แสดงด้านล่าง คุณเข้าถึงแอปพลิเคชันได้ด้วย URL ที่ระบุ
ตอนนี้คุณได้ติดตั้งใช้งานแอปพลิเคชันที่ใช้งานจริงอย่างเต็มรูปแบบและเข้าถึงได้ด้วยความช่วยเหลือของ Antigravity CLI
10. สรุปปิดท้าย
คุณอัปเกรดแดชบอร์ดอีคอมเมิร์ซจากไฟล์ CSV แบบคงที่ไปยังข้อมูล BigQuery แบบเรียลไทม์ได้โดยไม่ต้องเขียนโค้ดแอปพลิเคชันด้วยตนเอง Antigravity CLI จัดการการติดตั้งใช้งานผ่านเวิร์กโฟลว์การพัฒนาที่ขับเคลื่อนด้วยข้อกำหนดที่มีระเบียบวินัย โดยมีทักษะที่นำกลับมาใช้ใหม่ได้และการเชื่อมต่อข้อมูลแบบเรียลไทม์ผ่าน MCP เป็นแนวทาง
สิ่งที่คุณได้เรียนรู้
- วิธีใช้ Antigravity CLI ใน Cloud Shell เพื่อการพัฒนาที่ได้รับความช่วยเหลือจาก AI
- ทักษะของตัวแทนคืออะไร และการเปิดเผยข้อมูลแบบค่อยเป็นค่อยไปช่วยให้หน้าต่างบริบทมีประสิทธิภาพได้อย่างไร
- ทักษะ 3 หมวดหมู่ ได้แก่ วิธีการ (พลังวิเศษ) ประสิทธิภาพ (มนุษย์ถ้ำ) ความรู้ในโดเมน (google/skills)
- MCP คืออะไรและวิธีกำหนดค่า BigQuery MCP เพื่อเข้าถึงข้อมูลแบบเรียลไทม์
- วิธีเรียกใช้รอบการพัฒนาที่อิงตามข้อกำหนด (ระบุ → วางแผน → นำไปใช้) แทนการเขียนโค้ดแบบ Vibe Coding
- วิธีที่ Antigravity CLI สามารถสร้าง Agent ย่อย เพื่อให้การพัฒนาเป็นไปอย่างมีประสิทธิภาพและมุ่งเน้นมากขึ้น
ล้างข้อมูล
หากต้องการหลีกเลี่ยงการเรียกเก็บเงินจากบัญชี Google Cloud สำหรับทรัพยากรที่สร้างขึ้นใน Codelab นี้ คุณสามารถลบทรัพยากรแต่ละรายการหรือลบทั้งโปรเจ็กต์ก็ได้
ตัวเลือกที่ 1: ลบโปรเจ็กต์ (แนะนำ)
วิธีที่ง่ายที่สุดในการล้างข้อมูลคือการลบโปรเจ็กต์ การดำเนินการนี้จะนำทรัพยากรทั้งหมดที่เชื่อมโยงกับโปรเจ็กต์ออก
gcloud projects delete $GOOGLE_CLOUD_PROJECT
ตัวเลือกที่ 2: ลบทรัพยากรแต่ละรายการ
หากต้องการเก็บโปรเจ็กต์ไว้แต่ลบเฉพาะทรัพยากรที่สร้างใน Codelab นี้ ให้ทำดังนี้
bq rm -r -f $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
gcloud run services delete bigquery-dashboard --region us-central1 --quiet