Ta strona została przetłumaczona przez Cloud Translation API.

Szybsze tworzenie aplikacji na podstawie danych za pomocą MCP Toolbox dla AlloyDB przy użyciu interfejsu Gemini CLI w Cloud Run

1. Przegląd

Pamiętasz naszą podróż związaną z tworzeniem dynamicznego, hybrydowego środowiska sprzedaży detalicznej za pomocą AlloyDB, łączącego filtrowanie fasetowe i wyszukiwanie wektorowe? Ta aplikacja była doskonałym przykładem nowoczesnych potrzeb handlu detalicznego, ale jej stworzenie i ulepszanie wymagało znacznego nakładu pracy. W przypadku deweloperów full-stack ciągłe przełączanie się między edytorami kodu a narzędziami do obsługi baz danych może być wąskim gardłem, które spowalnia innowacje i kluczowy proces zrozumienia danych.

Rozwiązanie

Właśnie w tym miejscu widać prawdziwą moc przyspieszonego tworzenia aplikacji. Dlatego z przyjemnością dzielę się informacjami o tym, jak zestaw narzędzi MCP (Modern Cloud Platform), dostępny za pomocą intuicyjnego interfejsu Gemini CLI, stał się nieodzowną częścią mojego zestawu narzędzi. Wyobraź sobie, że możesz bezproblemowo korzystać z instancji AlloyDB, pisać zapytania i analizować zbiór danych – wszystko to bezpośrednio w zintegrowanym środowisku programistycznym (IDE). Nie chodzi tu tylko o wygodę, ale o zasadnicze zmniejszenie tarć w cyklu życia rozwoju, dzięki czemu możesz skupić się na tworzeniu innowacyjnych funkcji, a nie na zmaganiach z narzędziami zewnętrznymi.

W przypadku naszej aplikacji do handlu elektronicznego, w której musieliśmy wydajnie wysyłać zapytania o dane produktów, obsługiwać złożone filtrowanie i wykorzystywać niuanse wyszukiwania wektorowego, możliwość szybkiego iterowania interakcji z bazą danych była najważniejsza. MCP Toolbox, oparty na interfejsie Gemini CLI, nie tylko upraszcza ten proces, ale też go przyspiesza, zmieniając sposób, w jaki możemy badać, testować i ulepszać logikę bazy danych, która jest podstawą naszych aplikacji. Przyjrzyjmy się, jak ta przełomowa kombinacja sprawia, że tworzenie aplikacji pełnostosowych jest szybsze, inteligentniejsze i przyjemniejsze.

Czego się nauczysz i co utworzysz

Aplikacja Retail Search korzystająca z MCP Toolbox w IDE, obsługiwana przez interfejs wiersza poleceń Gemini. Te aspekty to:

Jak zintegrować MCP Toolbox bezpośrednio ze środowiskiem IDE, aby zapewnić bezproblemową interakcję z AlloyDB.
Praktyczne przykłady używania interfejsu Gemini CLI do pisania i wykonywania zapytań SQL dotyczących danych o sprzedaży detalicznej.
Korzystaj z interfejsu wiersza poleceń Gemini, aby wchodzić w interakcje z naszym zbiorem danych e-commerce, pisać zapytania, które zwykle wymagają oddzielnych narzędzi, i natychmiast wyświetlać wyniki.
Odkrywaj nowe sposoby sprawdzania i analizowania danych – od sprawdzania struktur tabel po szybkie weryfikowanie poprawności danych – a wszystko to za pomocą znanych interfejsów wiersza poleceń w naszym IDE.
Jak ten przyspieszony przepływ pracy w bazie danych bezpośrednio przyczynia się do szybszych cykli programowania pełnego stosu, umożliwiając szybkie tworzenie prototypów i iteracji.

Techstack

Używamy:

AlloyDB for database
MCP Toolbox do wyodrębniania zaawansowanych funkcji generatywnych i opartych na AI z baz danych do aplikacji
Cloud Run do wdrażania bezserwerowego.
Interfejs wiersza poleceń Gemini do analizowania zbioru danych i tworzenia części bazy danych aplikacji e-commerce dla handlu detalicznego.

Wymagania

przeglądarka, np. Chrome lub Firefox;
Projekt Google Cloud z włączonymi płatnościami.

2. Zanim zaczniesz

Utwórz projekt

W konsoli Google Cloud na stronie selektora projektów wybierz lub utwórz projekt Google Cloud.
Sprawdź, czy w projekcie Cloud włączone są płatności. Dowiedz się, jak sprawdzić, czy w projekcie włączone są płatności.

Środki w Google Cloud: jeśli chcesz otrzymać środki w Google Cloud, aby zacząć korzystać z usługi, użyj tego linku , aby wykorzystać środki. Aby z niej skorzystać, postępuj zgodnie z instrukcjami podanymi tutaj.

Będziesz używać Cloud Shell, czyli środowiska wiersza poleceń działającego w Google Cloud. U góry konsoli Google Cloud kliknij Aktywuj Cloud Shell.

Po połączeniu z Cloud Shell sprawdź, czy jesteś już uwierzytelniony i czy projekt jest ustawiony na Twój identyfikator projektu, używając tego polecenia:

gcloud auth list

Aby potwierdzić, że polecenie gcloud zna Twój projekt, uruchom w Cloud Shell to polecenie:

gcloud config list project

Jeśli projekt nie jest ustawiony, użyj tego polecenia, aby go ustawić:

gcloud config set project <YOUR_PROJECT_ID>

Włącz wymagane interfejsy API: kliknij link i włącz interfejsy API.

Możesz też użyć do tego polecenia gcloud. Informacje o poleceniach gcloud i ich użyciu znajdziesz w dokumentacji.

3. Konfiguracja bazy danych

W tym module użyjemy AlloyDB jako bazy danych do przechowywania danych e-commerce. Używa klastrów do przechowywania wszystkich zasobów, takich jak bazy danych i logi. Każdy klaster ma instancję podstawową, która zapewnia punkt dostępu do danych. Tabele będą zawierać rzeczywiste dane.

Utwórzmy klaster, instancję i tabelę AlloyDB, do których zostanie załadowany zbiór danych e-commerce.

Tworzenie klastra i instancji

Otwórz stronę AlloyDB w konsoli Cloud. Najprostszym sposobem na znalezienie większości stron w Cloud Console jest wyszukanie ich za pomocą paska wyszukiwania w konsoli.
Na tej stronie kliknij UTWÓRZ KLASTER:

Wyświetli się ekran podobny do tego poniżej. Utwórz klaster i instancję z tymi wartościami (upewnij się, że wartości są zgodne, jeśli klonujesz kod aplikacji z repozytorium):

id klastra: „vector-cluster”
password: "alloydb"
PostgreSQL 15 / najnowsza zalecana
Region: "us-central1"
Sieć: „default”

Po wybraniu sieci domyślnej zobaczysz ekran podobny do tego poniżej.

Wybierz SKONFIGURUJ POŁĄCZENIE.

Następnie wybierz „Użyj automatycznie przydzielonego zakresu adresów IP” i kliknij Dalej. Po sprawdzeniu informacji kliknij UTWÓRZ POŁĄCZENIE.
Po skonfigurowaniu sieci możesz kontynuować tworzenie klastra. Kliknij UTWÓRZ KLASTER, aby dokończyć konfigurowanie klastra, jak pokazano poniżej:

WAŻNA UWAGA:

Pamiętaj, aby zmienić identyfikator instancji (który możesz znaleźć podczas konfigurowania klastra lub instancji) na**vector-instance**. Jeśli nie możesz go zmienić, pamiętaj, aby we wszystkich kolejnych odwołaniach **używać identyfikatora instancji**.
Pamiętaj, że utworzenie klastra zajmie około 10 minut. Po zakończeniu procesu powinien wyświetlić się ekran z omówieniem utworzonego klastra.

4. Pozyskiwanie danych

Teraz dodaj tabelę z danymi o sklepie. Otwórz AlloyDB, wybierz klaster główny, a następnie AlloyDB Studio:

Może być konieczne poczekanie na zakończenie tworzenia instancji. Gdy to zrobisz, zaloguj się w AlloyDB przy użyciu danych logowania utworzonych podczas tworzenia klastra. Do uwierzytelniania w PostgreSQL użyj tych danych:

Nazwa użytkownika: „postgres”
Baza danych: „postgres”
Hasło: „alloydb”

Po pomyślnym uwierzytelnieniu w AlloyDB Studio polecenia SQL są wpisywane w Edytorze. Możesz dodać wiele okien Edytora, klikając znak plusa po prawej stronie ostatniego okna.

Polecenia dla AlloyDB będziesz wpisywać w oknach edytora, w razie potrzeby korzystając z opcji Uruchom, Formatuj i Wyczyść.

Włącz rozszerzenia

Do utworzenia tej aplikacji użyjemy rozszerzeń pgvector i google_ml_integration. Rozszerzenie pgvector umożliwia przechowywanie wektorów dystrybucyjnych i wyszukiwanie ich. Rozszerzenie google_ml_integration udostępnia funkcje, których możesz używać do uzyskiwania dostępu do punktów końcowych prognozowania Vertex AI w celu uzyskiwania prognoz w SQL. Włącz te rozszerzenia, uruchamiając te DDL:

CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
CREATE EXTENSION IF NOT EXISTS vector;

Jeśli chcesz sprawdzić, które rozszerzenia są włączone w Twojej bazie danych, uruchom to polecenie SQL:

select extname, extversion from pg_extension;

Tworzenie tabeli

Tabelę możesz utworzyć za pomocą instrukcji DDL poniżej w AlloyDB Studio:

CREATE TABLE apparels ( 
  id BIGINT, 
  category VARCHAR(100), 
  sub_category VARCHAR(50), 
  uri VARCHAR(200), 
  gsutil_uri VARCHAR(200),
  image VARCHAR(100), 
  content VARCHAR(2000), 
  pdt_desc VARCHAR(5000), 
  color VARCHAR(2000),
  gender VARCHAR(200),
  embedding vector(768),
  img_embeddings vector(1408),
  additional_specification VARCHAR(100000));

Kolumna wektora dystrybucyjnego umożliwi przechowywanie wartości wektorowych tekstu.

Przyznaj uprawnienia

Aby przyznać uprawnienia do wykonywania funkcji „embedding”, uruchom to polecenie:

GRANT EXECUTE ON FUNCTION embedding TO postgres;

Przyznawanie roli Użytkownik Vertex AI kontu usługi AlloyDB

W konsoli IAM Google Cloud przyznaj kontu usługi AlloyDB (które wygląda tak: service-<<PROJECT_NUMBER>>@gcp-sa-alloydb.iam.gserviceaccount.com) dostęp do roli „Użytkownik Vertex AI”. Zmienna PROJECT_NUMBER będzie zawierać numer Twojego projektu.

Możesz też uruchomić to polecenie w terminalu Cloud Shell:

PROJECT_ID=$(gcloud config get-value project)


gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
--role="roles/aiplatform.user"

Wczytywanie danych do bazy danych

Skopiuj insert instrukcje zapytania z insert scripts sql w arkuszu do edytora. Możesz skopiować 10–50 instrukcji wstawiania, aby szybko zaprezentować ten przypadek użycia. Wybrana lista wstawek znajduje się na tej karcie „Wybrane wstawki 25–30 wierszy”.
Kliknij Wykonaj. Wyniki zapytania pojawią się w tabeli Wyniki.

WAŻNA UWAGA:

Skopiuj tylko 25–50 rekordów do wstawienia i upewnij się, że pochodzą one z zakresu kategorii, podkategorii, kolorów i typów płci.

5. Tworzenie wektorów dystrybucyjnych dla danych

Prawdziwa innowacja w nowoczesnym wyszukiwaniu polega na rozumieniu znaczenia, a nie tylko słów kluczowych. Właśnie tutaj przydają się wektory dystrybucyjne i wyszukiwanie wektorowe.

Opisy produktów i zapytania użytkowników przekształciliśmy w wielowymiarowe reprezentacje numeryczne zwane „osadzaniem” za pomocą wstępnie wytrenowanych modeli językowych. Te wektory zawierają znaczenie semantyczne, co pozwala nam znajdować produkty, które są „podobne pod względem znaczenia”, a nie tylko zawierają pasujące słowa. Na początku przeprowadziliśmy eksperymenty z bezpośrednim wyszukiwaniem podobieństwa wektorowego w przypadku tych osadzeń, aby ustalić wartość bazową. Pokazało to, jak ważne jest zrozumienie semantyczne jeszcze przed optymalizacją wydajności.

Kolumna wektorów dystrybucyjnych umożliwi przechowywanie wartości wektorowych tekstu opisu produktu. Kolumna img_embeddings będzie umożliwiać przechowywanie wektorów dystrybucyjnych obrazów (multimodalnych). W ten sposób możesz też używać wyszukiwania na podstawie odległości tekstu od obrazu. W tym module użyjemy jednak tylko osadzania tekstu.

SELECT embedding('text-embedding-005', 'AlloyDB is a managed, cloud-hosted SQL database service.');

Powinien on zwrócić wektor osadzania, który wygląda jak tablica liczb zmiennoprzecinkowych, dla przykładowego tekstu w zapytaniu. Wygląda to tak:

Zaktualizuj pole wektora abstract_embeddings

Uruchom poniższy język DML, aby zaktualizować opis treści w tabeli za pomocą odpowiednich wektorów dystrybucyjnych:

UPDATE apparels SET embedding = embedding('text-embedding-005',pdt_desc)::vector 
WHERE pdt_desc IS NOT NULL;

Jeśli korzystasz z konta rozliczeniowego z kredytem próbnym w Google Cloud, możesz mieć problem z wygenerowaniem więcej niż kilku osadzeń (maksymalnie 20–25). Dlatego ogranicz liczbę wierszy w skrypcie wstawiania.

Jeśli chcesz wygenerować wektory dystrybucyjne obrazów (aby przeprowadzić multimodalne wyszukiwanie kontekstowe), uruchom też poniższą aktualizację:

update apparels set img_embeddings = ai.image_embedding(
  model_id => 'multimodalembedding@001',
  image => gsutil_uri,
  mimetype => 'image/jpg')       
where gsutil_uri is not null

6. Zestaw narzędzi MCP do baz danych (AlloyDB)

W tle działają zaawansowane narzędzia i dobrze skonstruowana aplikacja, które zapewniają płynne działanie.

Zestaw narzędzi MCP (Model Context Protocol) do baz danych upraszcza integrację generatywnej AI i narzędzi agentowych z AlloyDB. Jest to serwer open source, który usprawnia pulę połączeń, uwierzytelnianie i bezpieczne udostępnianie funkcji bazy danych agentom AI lub innym aplikacjom.

W naszej aplikacji użyliśmy MCP Toolbox for Databases jako warstwy abstrakcji dla wszystkich naszych inteligentnych zapytań dotyczących wyszukiwania hybrydowego.

Aby skonfigurować i wdrożyć Toolbox w naszym przypadku użycia, wykonaj te czynności:

Jak widać, jedną z baz danych obsługiwanych przez MCP Toolbox for Databases jest AlloyDB. Skonfigurowaliśmy ją już w poprzedniej sekcji, więc teraz skonfigurujmy Toolbox.

Otwórz terminal Cloud Shell i sprawdź, czy projekt jest wybrany i wyświetlany w prompcie terminala. Aby przejść do katalogu projektu, uruchom w terminalu Cloud Shell to polecenie:

mkdir gemini-cli-project

cd gemini-cli-project

Aby pobrać i zainstalować pakiet narzędzi w nowym folderze, uruchom to polecenie:

# see releases page for other versions
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox

W bieżącym katalogu powinien zostać utworzony zestaw narzędzi. Skopiuj ścieżkę do przybornika.

Otwórz edytor Cloud Shell (w trybie edycji kodu) i w folderze głównym projektu „gemini-cli-project” dodaj plik o nazwie „tools.yaml”.

sources:
    alloydb:
        kind: "alloydb-postgres"
        project: "<<YOUR_PROJECT_ID>>"
        region: "us-central1"
        cluster: "vector-cluster"
        instance: "vector-instance"
        database: "postgres"
        user: "postgres"
        password: "alloydb"


tools:
   get-apparels:
    kind: postgres-sql
    source: alloydb
    description: Get all apparel data.
    statement: |
      select id, content, uri, category, sub_category,color,gender from apparels;

Omówmy plik tools.yaml:

Źródła to różne źródła danych, z którymi narzędzie może wchodzić w interakcje. Źródło to źródło danych, z którym narzędzie może wchodzić w interakcje. Źródła możesz zdefiniować jako mapę w sekcji źródeł w pliku tools.yaml. Zwykle konfiguracja źródła zawiera wszystkie informacje potrzebne do połączenia z bazą danych i interakcji z nią.

Narzędzia określają działania, które może wykonywać agent, np. odczytywanie i zapisywanie w źródle. Narzędzie reprezentuje działanie, które może wykonać agent, np. uruchomienie instrukcji SQL. Narzędzia możesz zdefiniować jako mapę w sekcji narzędzi w pliku tools.yaml. Zwykle narzędzie wymaga źródła, na którym ma działać.

Więcej informacji o konfigurowaniu pliku tools.yaml znajdziesz w tej dokumentacji.

Jak widać w pliku Tools.yaml powyżej, narzędzie „get-apparels” zawiera wszystkie szczegóły odzieży z bazy danych.

7. Konfigurowanie interfejsu wiersza poleceń Gemini

W edytorze Cloud Shell utwórz nowy folder o nazwie .gemini w folderze gemini-cli-project i utwórz w nim nowy plik o nazwie settings.json.

{
  "mcpServers": {
"AlloyDBServer": {
  "command": "/home/user/gemini-cli-project/toolbox",
  "args": ["--tools-file", "tools.yaml", "--stdio"]
}
  }
}

W sekcji poleceń w powyższym fragmencie kodu zastąp ciąg „/home/user/gemini-cli-project/toolbox” ścieżką do narzędzi.

Instalowanie interfejsu wiersza poleceń Gemini

Na koniec zainstaluj interfejs wiersza poleceń Gemini w tym samym katalogu gemini-cli-project, wykonując to polecenie w terminalu Cloud Shell:

sudo npm install -g @google/gemini-cli

Ustawianie identyfikatora projektu

Sprawdź, czy w środowisku jest ustawiony identyfikator aktywnego projektu:

export GOOGLE_CLOUD_PROJECT=<<YOUR_PROJECT_ID>>

Pierwsze kroki z interfejsem wiersza poleceń Gemini

W wierszu poleceń wpisz to polecenie:

gemini

Powinna pojawić się odpowiedź podobna do tej poniżej:

Uwierzytelnij się i przejdź do następnego kroku.

8. Rozpocznij interakcję z interfejsem wiersza poleceń Gemini

Aby wyświetlić listę skonfigurowanych serwerów MCP, użyj polecenia /mcp.

Powinny być widoczne 2 skonfigurowane serwery MCP: GitHub i MCP Toolbox for Databases wraz z narzędziami.

W moim przypadku mam więcej narzędzi. Na razie zignoruj tę informację. Narzędzie get-apparels powinno być widoczne na serwerze MCP AlloyDB.

Rozpocznij wysyłanie zapytań do bazy danych za pomocą narzędzi MCP

Teraz spróbuj zadawać pytania w języku naturalnym, aby pobierać odpowiedzi i zapytania dotyczące zbioru danych, z którym pracujemy:

> How many types of genders the apparel dataset has?

> Give me the SQL that I can use to find the number of apparels that are footwear

> What are the unique sub categories that are there?
that I can use to find the number of apparels that are footwear

Załóżmy, że na podstawie statystyk i wielu podobnych zapytań udało mi się opracować szczegółowe zapytanie i chcę je przetestować. Załóżmy, że inżynierowie baz danych utworzyli już dla Ciebie plik Tools.yaml w sposób pokazany poniżej:

sources:
    alloydb:
        kind: "alloydb-postgres"
        project: "<<YOUR_PROJECT_ID>>"
        region: "us-central1"
        cluster: "vector-cluster"
        instance: "vector-instance"
        database: "postgres"
        user: "postgres"
        password: "alloydb"

tools:
   get-apparels:
    kind: postgres-sql
    source: alloydb
    description: Get all apparel data.
    statement: |
      select id, content, uri, category, sub_category,color,gender from apparels;

   filtered-vector-search:
    kind: postgres-sql
    source: alloydb
    description: Get the list of facet filter values from the retail dataset.
    parameters:
      - name: categories
        type: array
        description: List of categories preferred by the user.
        items:
          name: category 
          type: string
          description: Category value. 
      - name: subCategories
        type: array
        description: List of sub-categories preferred by the user.
        items:
          name: subCategory 
          type: string
          description: Sub-Category value.
      - name: colors
        type: array
        description: List of colors preferred by the user.
        items:
          name: color 
          type: string
          description: Color value.
      - name: genders
        type: array
        description: List of genders preferred by the user for apparel fitting.
        items:
          name: gender 
          type: string
          description: Gender name.
      - name: searchtext
        type: string
        description: Description of the product that the user wants to find database matches for.    
    statement: |
      SELECT id, content, uri, category, sub_category,color,gender FROM apparels 
      where category = ANY($1) and sub_Category = ANY($2) and color = ANY($3) and gender = ANY($4)
      order by embedding <=> embedding('text-embedding-005',$5)::vector limit 10

Teraz spróbujmy wyszukiwania w języku naturalnym:

> How many yellow shirts are there for boys?

Całkiem nieźle, co? Teraz mogę poprawić plik YAML, aby uzyskać lepsze wyniki zapytań, a jednocześnie szybciej wdrażać nowe funkcje w aplikacji.

9. Szybsze tworzenie aplikacji

Zalety wprowadzenia funkcji bazy danych bezpośrednio do środowiska IDE za pomocą interfejsu Gemini CLI i MCP Toolbox nie są tylko teoretyczne. Przekłada się to na konkretne, przyspieszające pracę przepływy, zwłaszcza w przypadku złożonej aplikacji, takiej jak nasze hybrydowe rozwiązanie dla handlu detalicznego. Przyjrzyjmy się kilku scenariuszom:

1. Szybkie iterowanie logiki filtrowania produktów

Wyobraź sobie, że właśnie rozpoczęliśmy nową promocję „letniej odzieży sportowej”. Chcemy sprawdzić, jak filtry z wieloma kryteriami (np. według marki, rozmiaru, koloru, zakresu cen) działają w przypadku tej nowej kategorii.

Bez integracji z IDE:

Prawdopodobnie przełączę się na osobnego klienta SQL, napiszę zapytanie, wykonam je, przeanalizuję wyniki, wrócę do IDE, aby dostosować kod aplikacji, znowu przełączę się na klienta i powtórzę te czynności. Przełączanie się między kontekstami jest bardzo uciążliwe.

W przypadku interfejsu wiersza poleceń Gemini i MCP:

Mogę pozostać w IDE i wykonywać inne czynności:

Tworzenie zapytań: mogę szybko zaktualizować zapytanie w pliku YAML, używając (hipotetycznego zbioru danych) „SELECT DISTINCT brand FROM products WHERE category = ‘activewear' AND season = ‘summer'”, i wypróbować je bezpośrednio w terminalu.
Eksploracja danych: natychmiastowe wyświetlanie zwróconych marek. Jeśli chcę sprawdzić dostępność produktu określonej marki i w określonym rozmiarze, mogę użyć tego zapytania: „SELECT COUNT(*) FROM products WHERE brand = ‘SummitGear' AND size = ‘M' AND category = ‘activewear' AND season = ‘summer'”.
Integracja kodu: na podstawie tych szybkich informacji o danych w IDE mogę od razu dostosować logikę filtrowania frontendu lub wywołania interfejsu API backendu, co znacznie skraca pętlę informacji zwrotnych.

2. Dostrajanie wyszukiwania wektorowego pod kątem rekomendacji produktów

Wyszukiwanie hybrydowe wykorzystuje osadzanie wektorowe do generowania trafnych rekomendacji produktów. Załóżmy, że obserwujemy spadek współczynnika klikalności rekomendacji „męskie buty do biegania”.

Bez integracji z IDE:

Uruchamiałbym niestandardowe skrypty lub zapytania w narzędziu do obsługi baz danych, aby analizować wyniki podobieństwa rekomendowanych butów, porównywać je z danymi o interakcjach użytkowników i próbować znaleźć korelacje między nimi.

W przypadku interfejsu wiersza poleceń Gemini i MCP:

Analizowanie wektorów: mogę bezpośrednio wysyłać zapytania o wektory produktów i powiązane z nimi metadane: „SELECT product_id, name, vector_embedding FROM products WHERE category = ‘running shoes' AND gender = ‘male' LIMIT 10” (WYBIERZ product_id, name, vector_embedding FROM products WHERE category = ‘running shoes' AND gender = ‘male' LIMIT 10).
Sprawdzanie krzyżowe: mogę też szybko sprawdzić rzeczywiste podobieństwo wektorowe między wybranym produktem a jego rekomendacjami. Jeśli na przykład produkt A jest rekomendowany użytkownikom, którzy oglądali produkt B, mogę uruchomić zapytanie, aby pobrać i porównać ich osadzenia wektorowe.
Debugowanie: umożliwia szybsze debugowanie i testowanie hipotez. Czy model wektora dystrybucyjnego działa zgodnie z oczekiwaniami? Czy w danych występują anomalie, które wpływają na jakość rekomendacji? Mogę uzyskać wstępne odpowiedzi bez opuszczania środowiska kodowania.

3. Informacje o schemacie i dystrybucji danych w przypadku nowych funkcji

Załóżmy, że planujemy dodać funkcję „opinie klientów”. Zanim napiszemy interfejs API backendu, musimy poznać istniejące dane klientów i sposób, w jaki mogą być ustrukturyzowane opinie.

Bez integracji z IDE:

Muszę połączyć się z klientem bazy danych, uruchomić polecenia DESCRIBE w tabelach takich jak klienci i zamówienia, a następnie wysłać zapytanie o przykładowe dane, aby poznać relacje i typy danych.

W przypadku interfejsu wiersza poleceń Gemini i MCP:

Eksploracja schematu: mogę po prostu wysłać zapytanie do tabeli w pliku YAML i wykonać je bezpośrednio w terminalu.
Próbkowanie danych: mogę pobrać dane próbne, aby poznać dane demograficzne klientów i historię zakupów: „SELECT customer_id, name, signup_date, total_orders FROM customers ORDER BY signup_date DESC LIMIT 5”.
Planowanie: szybki dostęp do schematu i dystrybucji danych pomaga nam podejmować świadome decyzje dotyczące sposobu projektowania nowej tabeli opinii, jakie klucze obce należy utworzyć i jak skutecznie połączyć opinie z klientami i produktami – wszystko to jeszcze przed napisaniem choćby jednej linii kodu aplikacji dla nowej funkcji.

To tylko kilka przykładów, ale pokazują one główną korzyść: zmniejszenie tarć i zwiększenie szybkości pracy deweloperów. Dzięki bezpośredniej interakcji z AlloyDB w IDE, interfejs wiersza poleceń Gemini i MCP Toolbox umożliwiają nam szybsze tworzenie lepszych i bardziej responsywnych aplikacji.

10. Czyszczenie danych

Aby uniknąć obciążenia konta Google Cloud opłatami za zasoby użyte w tym poście, wykonaj te czynności:

W konsoli Google Cloud otwórz stronę Menedżer zasobów.
Na liście projektów wybierz projekt, który chcesz usunąć, a potem kliknij Usuń.
W oknie wpisz identyfikator projektu i kliknij Wyłącz, aby usunąć projekt.
Możesz też po prostu usunąć klaster AlloyDB (jeśli podczas konfiguracji nie wybrano lokalizacji us-central1, zmień ją w tym hiperlinku), który został utworzony na potrzeby tego projektu, klikając przycisk USUN KLASER.

11. Gratulacje

Gratulacje! Udało Ci się zintegrować MCP Toolbox bezpośrednio ze środowiskiem IDE, aby zapewnić płynną interakcję z AlloyDB, oraz wykorzystać interfejs CLI Gemini do interakcji z naszym zbiorem danych e-commerce, aby pisać zapytania, które zwykle wymagają oddzielnych narzędzi. Poznaliśmy nowe sposoby sprawdzania i analizowania danych – od sprawdzania struktur tabel po szybkie weryfikowanie poprawności danych – a wszystko to za pomocą znanych interfejsów wiersza poleceń w naszym IDE.

Sklonuj repo, przeanalizuj je i daj mi znać, czy udało Ci się ulepszyć aplikację za pomocą interfejsu wiersza poleceń Gemini i zestawu narzędzi MCP Toolbox for Databases.

Aby dowiedzieć się więcej o takich aplikacjach opartych na danych, które zostały utworzone za pomocą interfejsu Gemini CLI i MCP oraz wdrożone w środowiskach wykonawczych bezserwerowych, zarejestruj się na nasz nadchodzący sezon Code Vipassana, w ramach którego będziesz mieć możliwość uczestniczenia w praktycznych sesjach prowadzonych przez instruktorów i wykonywania podobnych ćwiczeń z kodem.