ورشة عمل حول الذكاء الاصطناعي التوليدي من البداية إلى النهاية

1. ما ستتعلمه

AI Agent Vibe Full Stack

مرحبًا أنت على وشك تعلُّم المهارة الأساسية التالية في تطوير البرامج: كيفية توجيه الذكاء الاصطناعي بشكل فعّال لإنشاء برامج عالية الجودة واختبارها ونشرها. الذكاء الاصطناعي التوليدي ليس "طيارًا آليًا"، بل هو مساعد قوي يحتاج إلى مدير ماهر.

تقدّم ورشة العمل هذه منهجية منظَّمة وقابلة للتكرار للتعاون مع الذكاء الاصطناعي في كل مرحلة من مراحل دورة حياة تطوير البرامج (SDLC) الاحترافية. ستنتقل من كتابة الرموز البرمجية سطرًا بسطر إلى منصب المدير الفني، أي مهندس معماري لديه رؤية ومقاول عام يستخدم الذكاء الاصطناعي لتنفيذ هذه الرؤية بدقة. 🚀

في نهاية هذا البرنامج التعليمي، سيكون لديك:

• ترجمة فكرة عامة إلى بنية سحابية باستخدام الذكاء الاصطناعي
• تم إنشاء خلفية Python كاملة باستخدام طلبات محددة ومستهدفة.
• استخدام الذكاء الاصطناعي كمساعد برمجي لتصحيح الأخطاء وإصلاح الرموز البرمجية
• تفويض الذكاء الاصطناعي بإنشاء اختبارات الوحدة، بما في ذلك عمليات المحاكاة

إنشاء بنية أساسية كرمز (IaC) جاهزة للإنتاج باستخدام Terraform

أنشأنا مسار CI/CD كاملاً في GitHub Actions باستخدام طلب واحد.

مراقبة تطبيقك المباشر وإدارته باستخدام أدوات تشغيلية مستندة إلى الذكاء الاصطناعي

لن تخرج من هذا البرنامج بتطبيق يعمل فحسب، بل ستحصل أيضًا على مخطط لتطوير التطبيقات بمساعدة الذكاء الاصطناعي. لنبدأ.

2. المتطلّبات الأساسية والإعداد

قبل أن نبدأ، لنجهّز بيئتك. هذه الخطوة مهمة جدًا لضمان تجربة سلسة في ورشة العمل.

إنشاء حساب جديد على Google Cloud Platform وربط الفوترة

لتشغيل وكلاء الذكاء الاصطناعي، نحتاج إلى عنصرين: مشروع على Google Cloud لتوفير الأساس، ومفتاح Gemini API للوصول إلى نماذج Google الفعّالة.

الخطوة 1: تفعيل حساب الفوترة

• للمطالبة بحساب الفوترة الذي يتضمّن رصيدًا بقيمة 5 دولار أمريكي، ستحتاج إليه عند نشر تطبيقك. تأكَّد من تسجيل الدخول إلى حسابك على Gmail.

لا حاجة إلى بطاقة ائتمان أو طريقة دفع، وستتلقّى رصيدًا مجانيًا بقيمة 5 دولار أمريكي. تستغرق هذه العملية أقل من دقيقتَين، ما عليك سوى إدخال اسمك وقبول الرصيد.

الخطوة 2: إنشاء مشروع جديد على Google Cloud Platform

• انتقِل إلى Google Cloud Console وأنشِئ مشروعًا جديدًا.

• انتقِل إلى Google Cloud Console وأنشِئ مشروعًا جديدًا.
• افتح اللوحة اليمنى، وانقر على Billing، وتحقّق ممّا إذا كان حساب الفوترة مرتبطًا بحساب Google Cloud Platform هذا.

إذا ظهرت لك هذه الصفحة، تحقَّق من manage billing account، واختَر Google Cloud Trial One واربطه.

الخطوة 3: إنشاء مفتاح واجهة Gemini API

قبل أن تتمكّن من تأمين المفتاح، يجب أن يكون لديك مفتاح.

• انتقِل إلى Google AI Studio : https://aistudio.google.com/
• سجِّل الدخول باستخدام حسابك على Gmail.
• انقر على الزر "الحصول على مفتاح واجهة برمجة التطبيقات"، والذي يظهر عادةً في لوحة التنقّل على يمين الصفحة أو في أعلى يسارها.
• في مربّع الحوار "مفاتيح واجهة برمجة التطبيقات"، انقر على "إنشاء مفتاح واجهة برمجة التطبيقات في مشروع جديد".
• اختَر المشروع الجديد الذي أنشأته والذي تم إعداد حساب الفوترة فيه.
• سيتم إنشاء مفتاح واجهة برمجة تطبيقات جديد لك. انسخ هذا المفتاح على الفور وخزِّنه مؤقتًا في مكان آمن (مثل مدير كلمات المرور أو ملاحظة آمنة). هذه هي القيمة التي ستستخدِمها في الخطوات التالية.

المصادقة في GitHub

افتح Cloud Shell من خلال الانتقال إلى Google Cloud Console والنقر على الزر "تفعيل Cloud Shell" في أعلى يسار الصفحة.

الخطوة 1: فتح Cloud Shell

👉انقر على "تفعيل Cloud Shell" في أعلى "وحدة تحكّم Google Cloud" (رمز شكل الوحدة الطرفية في أعلى لوحة Cloud Shell)،

👉انقر على الزر "فتح المحرّر" (يبدو كملف مفتوح مع قلم رصاص). سيؤدي ذلك إلى فتح "محرِّر Cloud Shell" في النافذة. سيظهر لك مستكشف الملفات على الجانب الأيمن.

👉العثور على رقم تعريف مشروع Google Cloud:

• افتح Google Cloud Console: https://console.cloud.google.com
• اختَر المشروع الذي تريد استخدامه في ورشة العمل هذه من القائمة المنسدلة للمشروع في أعلى الصفحة.
• يظهر رقم تعريف مشروعك في بطاقة "معلومات المشروع" على "لوحة البيانات".

👉افتح المحطة الطرفية في بيئة التطوير المتكاملة المستندة إلى السحابة الإلكترونية.

👉💻 في نافذة الوحدة الطرفية، تأكَّد من أنّك قد أثبتّ هويتك وأنّ المشروع مضبوط على رقم تعريف مشروعك باستخدام الأمر التالي:

gcloud auth list

الخطوة 2: المصادقة باستخدام GitHub وإنشاء نسخة طبق الأصل

المصادقة باستخدام GitHub:

👉💻

gh auth login

نسخ الرمز إلى صفحة التحقّق من تسجيل الدخول

إنشاء نسخة من المستودع وتعديلها: 👉💻

gh repo fork cuppibla/storygen-learning --clone=true

3- البنية: من الفكرة إلى المخطط باستخدام Cloud Assist

يبدأ كل مشروع ناجح برؤية واضحة. سنستخدم مساعد الذكاء الاصطناعي Cloud Assist لتصميم بنية تطبيقنا.

المهام

• افتح Google Cloud Console: https://console.cloud.google.com
• في أعلى يسار الصفحة، انقر على "فتح Cloud Assist Chat"

تفعيل ميزة "المساعدة السحابية"

• انقر على Get Gemini Assist، ثم على Enable Cloud Assist at no cost.
• وابدأ الدردشة.

قدِّم الطلب التفصيلي التالي إلى Cloud Assist:

إدخال فكرتك

Generate a Python web application that uses AI to generate children's stories and illustrations. It has Python backend and React frontend host separately on Cloudrun. They communicate through Websocket. It needs to use a generative model for text and another for images. The generated images must be used by Imagen from Vertex AI and stored in a Google Cloud Storage bucket so that frontend can fetch from the bucket to render images. I do not want any load balancer or a database for the story text. We need a solution to store the API key.

الحصول على مخطط تطبيقك

• انقر على "تعديل تصميم التطبيق"، وسيظهر لك الرسم البياني. انقر على اللوحة العلوية اليسرى "<> الحصول على الرمز" لتنزيل رمز Terraform.
• ستنشئ أداة Cloud Assist مخططًا للبنية. هذه هي خطتنا المرئية.

لحظة التعلّم الرئيسية: يتفوّق الذكاء الاصطناعي في تصميم الأنظمة العالية المستوى. يمكنه ترجمة المتطلبات المكتوبة بلغة بسيطة إلى بنية احترافية ومرئية على الفور.

4. التطوير: إنشاء حزمة تطوير التطبيقات باستخدام Gemini CLI

عملية الإعداد الأوّلية

تأكَّد من استخدام Gemini CLI لإنشاء نسخة من المستودع وإعداد مساحة العمل:

إعدادات البيئة

انتقِل إلى Cloud Shell، وانقر على الزر "فتح نافذة Terminal".

1. انسخ نموذج البيئة:

   cd ~/storygen-learning
   cp ~/storygen-learning/env.template ~/storygen-learning/.env
   

عرض الملف المخفي في المحرّر إذا لم تعثر على ملف ‎ .env

• انقر على عرض في شريط القائمة العلوي.
• انقر على تبديل الملفات المخفية.

تعديل ملف ‎ .env 2. استبدِل القيم التالية في .env:

GOOGLE_API_KEY=[REPLACE YOUR API KEY HERE]
GOOGLE_CLOUD_PROJECT_ID=[REPLACE YOUR PROJECT ID]
GITHUB_USERNAME=[REPLACE YOUR USERNAME]
GENMEDIA_BUCKET=[REPLACE YOUR PROJECT ID]-bucket

على سبيل المثال، إذا كان رقم تعريف مشروعك هو: testproject، عليك وضع GOOGLE_CLOUD_PROJECT_ID=testproject وGENMEDIA_BUCKET=testproject-bucket

نصوص الإعداد البرمجية

الانتقال إلى 00_Starting_Here فتح نافذة طرفية جديدة (خارج Gemini CLI)

cd ~/storygen-learning/00_Starting_Here

إجراء عملية الإعداد الكاملة:

./setup-complete.sh

من المفترض أن تظهر لك نتائج الإعداد في نافذة الوحدة الطرفية

إنشاء وكيلك الأول

انتقِل إلى 01a_First_Agent_Ready لنستخدم Gemini CLI لإنشاء وكيل ADK:**

cd ~/storygen-learning/01a_First_Agent_Ready

فتح Gemini CLI

gemini

داخل نافذة Gamini CLI، جرِّب الطلب التالي:

I need you to help me create a Google ADK (Agent Development Kit) agent for story generation. I'm working on a children's storybook app that generates creative stories with visual scenes.

Please create a complete `agent.py` file that implements an LlmAgent using Google's ADK framework. The agent should:

**Requirements:**
1. Use the `google.adk.agents.LlmAgent` class
2. Use the "gemini-2.5-flash" model (supports streaming)
3. Be named "story_agent"
4. Generate structured stories with exactly 4 scenes each
5. Output valid JSON with story text, main characters, and scene data
6. No tools needed (images are handled separately)

**Agent Specifications:**
- **Model:** gemini-2.5-flash
- **Name:** story_agent  
- **Description:** "Generates creative short stories and accompanying visual keyframes based on user-provided keywords and themes."
**Story Structure Required:**
- Exactly 4 scenes: Setup → Inciting Incident → Climax → Resolution
- 100-200 words total
- Simple, charming language for all audiences
- Natural keyword integration
**JSON Output Format:**

{
  "story": "Complete story text...",
  "main_characters": [
    {
      "name": "Character Name",
      "description": "VERY detailed visual description with specific colors, features, size, etc."
    }
  ],
  "scenes": [
    {
      "index": 1,
      "title": "The Setup",
      "description": "Scene action and setting WITHOUT character descriptions",
      "text": "Story text for this scene"
    }
    // ... 3 more scenes
  ]
}


**Key Instructions for the Agent:**
- Extract 1-2 main characters maximum
- Character descriptions should be extremely detailed and visual
- Scene descriptions focus on ACTION and SETTING only
- Do NOT repeat character appearance in scene descriptions
- Always respond with valid JSON

Please include a complete example in the instructions showing the exact format using keywords like "tiny robot", "lost kitten", "rainy city".

The file should start with necessary imports, define an empty tools list, include a print statement for initialization, and then create the LlmAgent with all the detailed instructions.

Can you create this agent in backend/story_agent/agent.py

بعد الانتهاء، أوقِف وحدة طرفية Gemini CLI باستخدام Control+C

—————————————— اختياري، يمكنك الانتقال إلى قسم الحل——————————————–

تأكيد التغيير في ADK Web

cd ~/storygen-learning/01a_First_Agent_Ready/backend

source ../../.venv/bin/activate

adk web --port 8080

Spin Up The Website

cd ~/storygen-learning/01a_First_Agent_Ready

./start.sh

إذا لم ينجح التغيير، من المفترض أن تظهر لك أخطاء في واجهة مستخدم ADK على الويب والموقع الإلكتروني.

——————————————– الحل يبدأ هنا ——————————————–

Solution

أنهِ العملية السابقة باستخدام Control+C أو يمكنك فتح نافذة طرفية أخرى:

cd ~/storygen-learning/01b_First_Agent_Done

إنشاء الموقع الإلكتروني:

./start.sh

سيظهر لك الموقع الإلكتروني:

جرِّب واجهة مستخدم ADK: افتح نافذة وحدة طرفية أخرى:

cd ~/storygen-learning/01b_First_Agent_Done/backend

source ../../.venv/bin/activate

adk web --port 8080

ستظهر لك واجهة مستخدم "حزمة تطوير التطبيقات" حيث يمكنك طرح أسئلة على الوكيل

قبل الانتقال إلى القسم التالي، اضغط على Ctrl+C لإنهاء العملية.

5- تطوير: إنشاء وكيلك المخصّص باستخدام Imagen

إنشاء أداة Imagen (الوكيل الثاني)

cd ~/storygen-learning/02a_Image_Agent_Ready

استخدِم Gemini CLI لإنشاء وكيل إنشاء الصور:

gemini generate "I need you to help me create a custom Google ADK (Agent Development Kit) agent for image generation. This is different from the story agent - this one handles image generation directly using the BaseAgent pattern for full control over tool execution.

Please create a complete `agent.py` file that implements a custom image generation agent. The agent should:

**Requirements:**
1. Use the `google.adk.agents.BaseAgent` class (NOT LlmAgent)
2. Be named "custom_image_agent" 
3. Directly execute the ImagenTool without LLM intermediation
4. Handle JSON input with scene descriptions and character descriptions
5. Store results in session state for retrieval by main.py
6. Use async generators and yield Events

**Key Specifications:**
- **Class Name:** CustomImageAgent (inherits from BaseAgent)
- **Agent Name:** "custom_image_agent"
- **Tool:** Uses ImagenTool for direct image generation
- **Purpose:** Bypass LLM agent limitations and directly call ImagenTool

**Input Format:**
The agent should handle JSON input like:
{
  "scene_description": "Scene action and setting",
  "character_descriptions": {
    "CharacterName": "detailed visual description"
  }
}


**Core Method:** `async def _run_async_impl(self, ctx: InvocationContext) -> AsyncGenerator[Event, None]:`
   - Extract user message from `ctx.user_content.parts`
   - Parse JSON input or fallback to plain text
   - Extract scene_description and character_descriptions
   - Build image prompt with style prefix: "Children's book cartoon illustration with bright vibrant colors, simple shapes, friendly characters."
   - Include character descriptions for consistency
   - Call `await self.imagen_tool.run()` directly
   - Store results in `ctx.session.state["image_result"]`
   - Yield Event with results


 **Session State:**
   - Store JSON results in `ctx.session.state["image_result"]`
   - Include success/error status
   - Store actual image URLs or error messages

Expected Output Structure:
- Successful results stored as JSON with image URLs
- Error results stored as JSON with error messages
- Results accessible via session state in main.py

Can you create this agent in backend/story_image_agent/agent.py

"

—————————————— اختياري، يمكنك الانتقال إلى قسم الحل——————————————–

تأكيد التغيير في ADK Web

cd ~/storygen-learning/02a_Image_Agent_Ready/backend

source ../../.venv/bin/activate

adk web --port 8080

Spin Up The Website

cd ~/storygen-learning/02a_Second_Agent_Ready

./start.sh

إذا لم ينجح التغيير، من المفترض أن تظهر لك أخطاء في واجهة مستخدم ADK على الويب والموقع الإلكتروني.

—————————————— الحل يبدأ من هنا ——————————————–

Solution

أنهِ العملية السابقة باستخدام Control+C أو يمكنك فتح نافذة طرفية أخرى:

# Open new terminal
cd ~/storygen-learning/02b_Image_Agent_Done

إنشاء الموقع الإلكتروني:

./start.sh

سيظهر لك الموقع الإلكتروني:

جرِّب واجهة مستخدم ADK: افتح نافذة وحدة طرفية أخرى:

# Open new terminal
cd ~/storygen-learning/02b_Image_Agent_Done/backend

source ../../.venv/bin/activate

adk web --port 8080

ستظهر لك واجهة مستخدم ADK حيث يمكنك طرح أسئلة على الوكيل:

قبل الانتقال إلى القسم التالي، اضغط على Ctrl+C لإنهاء العملية.

6. الاختبار: تقييم الوكيل

يعمل تطبيقنا، ولكننا نحتاج إلى شبكة أمان آلية من الاختبارات. هذه مهمة مثالية لتفويضها إلى مساعدنا المستند إلى الذكاء الاصطناعي.

المهام

cd ~/storygen-learning/03a_Agent_Evaluation_Ready/backend

استخدام Gemini CLI لكتابة اختبارات شاملة:

فتح Gemini CLI

gemini

داخل نافذة Gamini CLI، جرِّب الطلب التالي:

I need you to create comprehensive test files for my backend/story_agent in Google ADK. I need three specific JSON files that match the testing structure used in ADK evaluation.

**Context:** 
- The story agent generates structured JSON stories with exactly 4 scenes
- It uses LlmAgent with no tools, just direct LLM responses
- Input: Keywords
- Output: JSON with story, main_characters, and scenes arrays

**Files to Create:**

### 1. `story_agent_eval.evalset.json` (Comprehensive Integration Tests)
Create a comprehensive evaluation set with:
- **eval_set_id**: "story_agent_comprehensive_evalset"
- **name**: "Story Agent Comprehensive Evaluation Set" 
- **description**: "Comprehensive evaluation scenarios for story_agent covering various keyword combinations, edge cases, and story quality metrics"


Each eval_case should include:
- Full conversation arrays with invocation_id, user_content, final_response
- Complete expected JSON responses with detailed stories, characters, and 4 scenes
- session_input with app_name "story_agent"
- All fields: story (narrative text), main_characters (with detailed visual descriptions), scenes (with index, title, description, text)

### 2. `story_generation.test.json` (Unit Tests)
Create basic generation tests with:
- **eval_set_id**: "story_agent_basic_generation_tests"
- **name**: "Story Agent Basic Generation Tests"
- **description**: "Unit tests for story_agent focusing on JSON structure compliance, scene generation, and keyword integration"

### 3. `test_config.json` (Evaluation Configuration)
Create test configuration with:
- **criteria**: response_match_score: 0.7, tool_trajectory_avg_score: 1.0
- **custom_evaluators**: 
  - json_structure_validator (validates required fields, scene count, character fields)
  - story_quality_metrics (word count 80-250, keyword integration threshold 0.8)
- **evaluation_notes**: Story agent specifics and trajectory expectations

**Important Requirements:**
1. All responses must be valid, parseable JSON
2. Stories must have exactly 4 scenes with indices 1-4
3. Each scene must have: index, title, description, text
4. Main characters must have detailed visual descriptions
5. No tool_uses expected (empty arrays) since story agent uses direct LLM
6. Word count should be 100-200 words total
7. Keywords must be naturally integrated into the narrative

Please generate all three files with realistic example stories and comprehensive test coverage matching the ADK evaluation format.

—————————————— اختياري، يمكنك الانتقال إلى قسم الحل——————————————–

للاطّلاع على التقييم:

./run_adk_web_persistent.sh

انتقِل إلى علامة التبويب eval في واجهة مستخدم "حزمة تطوير التطبيقات".

من المفترض أن تظهر لك واجهة مستخدم ADK على الويب مع إمكانات اختبار مستمرة

نقطة التعلّم الأساسية: الذكاء الاصطناعي شريك قوي في أتمتة ضمان الجودة. يمكنه التعامل مع الرموز النموذجية لكتابة الاختبارات، ما يتيح لك التركيز على إنشاء الميزات.

——————————————– الحل يبدأ هنا ——————————————–

Solution

• انتقِل إلى مجلد الحل:

cd ~/storygen-learning/03b_Agent_Evaluation_Done/backend

• فتح واجهة مستخدم ADK على الويب

./run_adk_web_persistent.sh

يمكنك الاطّلاع على حالات الاختبار من علامة التبويب Eval:

يمكنك تعديل المقاييس هنا:

يمكنك الاطّلاع على نتيجة عملية التقييم هنا:

7. البنية الأساسية كرمز (IaC): بناء منزل في السحابة الإلكترونية

تم اختبار الرمز البرمجي، ولكنّه يحتاج إلى بيئة إنتاج جاهزة. سنستخدم "البنية الأساسية كرمز" لتحديد بيئتنا.

المهام

cd ~/storygen-learning/04a_Manual_Deployment_Ready

استخدِم Gemini CLI لإنشاء ملف Dockerfile للخادم الخلفي: افتح Gemini CLI

Gemini

داخل Gemini CLI، جرِّب الطلب التالي:

Create a manual deployment plan for my StoryGen app with Google Cloud Platform. I have a Next.js frontend, Python backend, and Terraform infrastructure.

Generate these deployment files:
1. **01-setup.sh** - Environment setup and authentication
2. **02-build-images.sh** - Build and push Docker images to Google Container Registry
3. **03-deploy-infrastructure.sh** - Deploy with Terraform and configure services
4. **load-env.sh** - Load environment variables for deployment

**Requirements:**
- Use Google Cloud Run for both frontend and backend
- Configure Imagen API and storage buckets
- Set up proper IAM permissions
- Use environment variables from .env file
- Include error handling and status checks

Keep scripts simple, well-commented, and production-ready for manual execution.

الحلّ:

cd ~/storygen-learning/04b_Manual_Deployment_Done

التشغيل:

source ../.venv/bin/activate
./01-setup.sh

./02-build-images.sh

./03-deploy-infrastructure.sh

من المفترض أن تظهر لك نتائج النشر وعملية إنشاء البنية الأساسية

8. التشغيل الآلي (التكامل المستمر/التسليم المستمر): خط التجميع الرقمي

إنّ نشر تطبيقنا يدويًا عملية بطيئة ومحفوفة بالمخاطر. لنطلب من الذكاء الاصطناعي كتابة مسار CI/CD كامل باستخدام GitHub Actions.

المهام

cd ~/storygen-learning/05a_CICD_Pipeline_Ready

استخدام Gemini CLI لإنشاء مسار CI/CD باستخدام GitHub:

فتح Gemini CLI

Gemini

داخل Gemini CLI، جرِّب الطلب التالي:

Create a CI/CD pipeline for my StoryGen app using Google Cloud Build and GitHub integration.

Generate these automation files:
1. **cloudbuild.yaml** (for backend) - Automated build, test, and deploy pipeline
2. **GitHub Actions workflow** - Trigger builds on push/PR
3. **Deployment automation scripts** - Streamlined deployment process

**Requirements:**
- Auto-trigger on GitHub push to main branch
- Build and push Docker images
- Run automated tests if available
- Deploy to Google Cloud Run
- Environment-specific deployments (staging/prod)
- Notification on success/failure

Focus on fully automated deployment with minimal manual intervention. Include proper secret management and rollback capabilities.

——————————————– الحل يبدأ هنا ——————————————–

الحلّ:

cd ~/storygen-learning/06_Final_Solution/
# Copy the GitHub workflow to parent folder
cp -r 06_Final_Solution/.github ../../../.github

ارجع إلى المجلد 06_Final_Solution ونفِّذ النص البرمجي:

cd ~/storygen-learning/06_Final_Solution/

./setup-cicd-complete.sh

يجب أن يظهر لك اكتمال عملية إعداد مسار CI/CD

تشغيل سير العمل: نفِّذ التغييرات وادفع الرمز إلى الفرع الرئيسي. يُرجى العِلم أنّه عليك إعداد عنوان بريدك الإلكتروني واسمك على GitHub للسماح بالإذن.

git add .
git commit -m "feat: Add backend, IaC, and CI/CD workflow"
git push origin main

انتقِل إلى علامة التبويب "الإجراءات" في مستودع GitHub لمشاهدة عملية النشر المبرمَجة.

لحظة تعلّم أساسية: يمكن للذكاء الاصطناعي إنشاء مسار CI/CD بأكمله، وهو جزء معقّد ومهم من DevOps.

9- العمليات: برج مراقبة الذكاء الاصطناعي

بدأ البث المباشر. لكنّ الرحلة لم تنتهِ بعد. هذا هو "اليوم الثاني"، أي العمليات. لنرجع إلى Cloud Assist لإدارة تطبيقنا قيد التشغيل.

المهام

1. انتقِل إلى خدمة Cloud Run في "وحدة تحكّم Google Cloud". تفاعَل مع تطبيقك المباشر لإنشاء بعض الزيارات والسجلات.
2. افتح لوحة Cloud Assist واستخدِمها كطيار مساعد تشغيلي من خلال طلبات مثل ما يلي:

تحليل السجلات:

Summarize the errors in my Cloud Run logs for the service 'genai-backend' from the last 15 minutes.

تحسين الأداء:

My Cloud Run service 'genai-backend' has high startup latency. What are common causes for a Python app and how can I investigate with Cloud Trace?

تحسين التكلفة:

Analyze the costs for my 'genai-backend' service and its GCS bucket. Are there any opportunities to save money?

لحظة تعلّم أساسية: دورة حياة تطوير البرامج المستندة إلى الذكاء الاصطناعي هي حلقة مستمرة. إنّ مساعد الذكاء الاصطناعي نفسه الذي ساعد في إنشاء التطبيق هو شريك لا غنى عنه لمراقبة التطبيق وتحديد المشاكل وحلّها وتحسينه في مرحلة الإنتاج.