1. 總覽
還記得我們如何使用 AlloyDB 打造動態混合式零售體驗，結合多面向篩選和向量搜尋嗎？該應用程式充分展現了現代零售業的需求，但要達到這個目標並反覆改進，需要投入大量開發工作。對全端開發人員來說，程式碼編輯器和資料庫工具之間不斷來回切換，往往會造成瓶頸，拖慢創新速度和瞭解資料的重要程序。
解決方案
這正是加速應用程式開發的強大之處，因此我非常樂意分享 MCP (現代雲端平台) 工具箱如何透過直覺式的 Gemini CLI 存取，成為我工具箱中不可或缺的一部分。想像一下，您可以在整合式開發環境 (IDE) 中，直接與 AlloyDB 執行個體互動、編寫查詢，以及瞭解資料集。這不僅是為了方便，更是為了從根本上減少開發生命週期中的阻礙，讓您專注於建構創新功能，不必費心處理外部工具。
在零售電子商務應用程式的背景下，我們需要有效查詢產品資料、處理複雜的篩選條件，並運用向量搜尋的細微差異，因此快速疊代資料庫互動的能力至關重要。MCP Toolbox 採用 Gemini CLI，不僅簡化這項程序，還能加快速度，徹底改變我們探索、測試及調整應用程式基礎資料庫邏輯的方式。讓我們深入瞭解這項顛覆性的組合，如何讓全端開發變得更快、更聰明，也更有趣。
學習內容與建構項目
零售搜尋應用程式：在 IDE 中使用 MCP 工具箱，並透過 Gemini CLI 運作。說明涵蓋以下項目：
- 如何將 MCP 工具箱直接整合至 IDE，順暢地與 AlloyDB 互動。
- 實用範例：使用 Gemini CLI 針對零售資料編寫及執行 SQL 查詢。
- 運用 Gemini CLI 與零售電子商務資料集互動，撰寫通常需要使用其他工具的查詢，並立即查看結果。
- 透過 IDE 內熟悉的指令列介面，以全新方式探查及瞭解資料，包括檢查資料表結構和快速執行資料健全性檢查。
- 這個加速資料庫工作流程如何直接加快全端開發週期，進而實現快速原型設計和疊代。
Techstack
我們使用：
- AlloyDB for PostgreSQL
- MCP Toolbox，可從應用程式中抽象化資料庫的進階生成式和 AI 功能
- Cloud Run，用於無伺服器部署作業。
- 使用 Gemini CLI 瞭解及分析資料集，並建構零售電子商務應用程式的資料庫部分。
需求條件
2. 事前準備
建立專案
- 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
- 確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。
Google Cloud 抵免額：如要取得 Google Cloud 抵免額，協助您開始使用，請按一下這個連結 兌換抵免額。請按照 這篇文章 的指示兌換。
- 您將使用 Cloud Shell，這是 Google Cloud 中執行的指令列環境。按一下 Google Cloud 控制台上方的「啟用 Cloud Shell」。
- 連線至 Cloud Shell 後，請使用下列指令檢查您是否已通過驗證，且專案已設為您的專案 ID：
gcloud auth list
- 在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案。
gcloud config list project
- 如果未設定專案，請使用下列指令來設定：
gcloud config set project <YOUR_PROJECT_ID>
- 啟用必要的 API：按照這個連結啟用 API。
或者，您也可以使用 gcloud 指令執行這項操作。如要瞭解 gcloud 指令和用法，請參閱說明文件。
3. 資料庫設定
在本實驗室中，我們將使用 AlloyDB 做為電子商務資料的資料庫。並使用「叢集」保存所有資源，例如資料庫和記錄檔。每個叢集都有一個「主要執行個體」，可做為資料的存取點。資料表會保存實際資料。
我們來建立 AlloyDB 叢集、執行個體和資料表，以便載入電子商務資料集。
建立叢集和執行個體
- 在 Cloud 控制台中前往 AlloyDB 頁面。如要在 Cloud 控制台中尋找大部分頁面，最簡單的方法是使用控制台的搜尋列搜尋。
- 從該頁面選取「建立叢集」：
- 畫面上會顯示類似下方的內容。使用下列值建立叢集和執行個體 (如果您要從存放區複製應用程式碼，請確保值相符)：
- 叢集 ID：「
vector-cluster」 - password: "
alloydb" - PostgreSQL 15 / 最新建議版本
- Region：「
us-central1」 - 網路：「
default」
- 選取預設網路後，你會看到如下畫面。
選取「設定連線」。
- 然後選取「使用系統自動分配的 IP 範圍」，並按一下「繼續」。確認資訊後，選取「建立連結」。
- 設定網路後，即可繼續建立叢集。按一下「建立叢集」，完成叢集設定，如下所示：
重要注意事項：
- 請務必變更執行個體 ID (您可以在設定叢集 / 執行個體時找到)，改為**
vector-instance**。如果無法變更，請記得在所有後續參照中 **使用執行個體 ID**。 - 請注意，叢集建立作業約需 10 分鐘。成功後，畫面上會顯示您剛建立的叢集總覽。
4. 資料擷取
現在請新增包含商店資料的表格。前往 AlloyDB，選取主要叢集，然後選取 AlloyDB Studio：
您可能需要等待執行個體建立完成。完成後，請使用建立叢集時建立的憑證登入 AlloyDB。使用下列資料向 PostgreSQL 進行驗證：
- 使用者名稱：「
postgres」 - 資料庫：「
postgres」 - 密碼：「
alloydb」
成功驗證 AlloyDB Studio 後，即可在編輯器中輸入 SQL 指令。如要新增多個編輯器視窗，請按一下最後一個視窗右側的加號。
您會在編輯器視窗中輸入 AlloyDB 指令，並視需要使用「執行」、「格式化」和「清除」選項。
啟用擴充功能
我們會使用 pgvector 和 google_ml_integration 擴充功能建構這個應用程式。pgvector 擴充功能可讓您儲存及搜尋向量嵌入。google_ml_integration 擴充功能提供多種函式，可存取 Vertex AI 預測端點，在 SQL 中取得預測結果。執行下列 DDL，啟用這些擴充功能：
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
CREATE EXTENSION IF NOT EXISTS vector;
如要查看資料庫中已啟用的擴充功能，請執行下列 SQL 指令：
select extname, extversion from pg_extension;
建立資料表
您可以在 AlloyDB Studio 中使用下列 DDL 陳述式建立資料表：
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));
嵌入資料欄可儲存文字的向量值。
授予權限
執行下列陳述式，授予「embedding」函式的執行權：
GRANT EXECUTE ON FUNCTION embedding TO postgres;
為 AlloyDB 服務帳戶授予 Vertex AI 使用者角色
在 Google Cloud IAM 控制台中，授予 AlloyDB 服務帳戶 (格式如下：service-<<PROJECT_NUMBER>>@gcp-sa-alloydb.iam.gserviceaccount.com)「Vertex AI 使用者」角色存取權。PROJECT_NUMBER 會顯示您的專案編號。
或者，您也可以從 Cloud Shell 終端機執行下列指令：
PROJECT_ID=$(gcloud config get-value project)
gcloud projects add-iam-policy-binding $PROJECT_ID \
--member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
--role="roles/aiplatform.user"
將資料載入資料庫
- 從試算表中的
insert scripts sql複製insert查詢陳述式，然後貼到上述編輯器。您可以複製 10 到 50 個插入陳述式，快速展示這個用途。「Selected Inserts 25-30 rows」(選取的插入內容 25-30 列) 分頁中會列出選取的插入內容。 - 按一下「執行」。查詢結果會顯示在「結果」表格中。
重要注意事項：
請務必只複製 25 到 50 筆記錄來插入，並確認記錄來自類別、子類別、顏色和性別類型範圍。
5. 為資料建立嵌入
現代搜尋的真正創新之處在於理解意義，而不只是關鍵字。這時嵌入和向量搜尋技術就能派上用場。
我們使用預先訓練的語言模型，將產品說明和使用者查詢轉換為高維度數值表示法，也就是「嵌入」。這些嵌入會擷取語意，讓我們尋找「語意相似」的產品，而不只是包含相符的字詞。一開始，我們對這些嵌入項目進行直接向量相似度搜尋實驗，建立基準，展現語意理解的強大功能，即使在進行成效最佳化之前也是如此。
嵌入資料欄可儲存產品說明文字的向量值。img_embeddings 欄可儲存圖片嵌入 (多模態)。這樣一來，您也可以使用以文字與圖片距離為依據的搜尋功能。但我們只會在本次實驗室中使用文字嵌入。
SELECT embedding('text-embedding-005', 'AlloyDB is a managed, cloud-hosted SQL database service.');
這應該會傳回嵌入向量 (看起來像是浮點數陣列)，用於查詢中的範例文字。如下所示：
更新 abstract_embeddings 向量欄位
執行下列 DML，使用對應的嵌入更新資料表中的內容說明：
UPDATE apparels SET embedding = embedding('text-embedding-005',pdt_desc)::vector
WHERE pdt_desc IS NOT NULL;
如果您使用 Google Cloud 的試用額度帳單帳戶，可能無法產生超過幾個 (最多 20 到 25 個) 嵌入內容。因此請限制插入指令碼中的資料列數。
如要生成圖片嵌入項目 (用於執行多模態情境搜尋)，請一併執行下列更新：
update apparels set img_embeddings = ai.image_embedding(
model_id => 'multimodalembedding@001',
image => gsutil_uri,
mimetype => 'image/jpg')
where gsutil_uri is not null
6. MCP Toolbox for Databases (AlloyDB)
在幕後，強大的工具和結構良好的應用程式可確保運作順暢。
MCP (模型上下文協定) 資料庫 Toolbox 可簡化生成式 AI 和 Agentic 工具與 AlloyDB 的整合程序。這項工具可做為開放原始碼伺服器，簡化連線集區、驗證程序，並安全地向 AI 代理程式或其他應用程式公開資料庫功能。
在應用程式中，我們使用 MCP Toolbox for Databases 做為所有智慧型混合搜尋查詢的抽象層。
請按照下列步驟，為我們的用途設定及部署 Toolbox：
您可以看到 MCP Toolbox for Databases 支援的資料庫之一是 AlloyDB，而我們已在上一節中佈建該資料庫，因此請繼續設定 Toolbox。
- 前往 Cloud Shell 終端機，確認專案已選取並顯示在終端機提示中。在 Cloud Shell 終端機中執行下列指令，即可前往專案目錄：
mkdir gemini-cli-project
cd gemini-cli-project
- 執行下列指令，在新的資料夾中下載及安裝工具箱：
# see releases page for other versions
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox
這應該會在目前目錄中建立工具箱。複製工具箱的路徑。
- 前往 Cloud Shell 編輯器 (程式碼編輯模式)，在專案根資料夾「gemini-cli-project」中新增名為「tools.yaml」的檔案。
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;
讓我們瞭解 tools.yaml：
來源代表工具可互動的不同資料來源。來源代表工具可互動的資料來源。您可以在 tools.yaml 檔案的來源區段中，將來源定義為對應。一般來說，來源設定會包含連線及與資料庫互動所需的任何資訊。
工具會定義代理程式可執行的動作，例如讀取及寫入來源。工具代表代理程式可執行的動作，例如執行 SQL 陳述式。您可以在 tools.yaml 檔案的 tools 區段中，將工具定義為對應。一般來說，工具需要來源才能執行動作。
如要進一步瞭解如何設定 tools.yaml，請參閱這份說明文件。
如上方的 Tools.yaml 檔案所示，「get-apparels」工具會列出資料庫中所有服飾的詳細資料。
7. 設定 Gemini CLI
在 Cloud Shell 編輯器中，於 gemini-cli-project 資料夾內建立名為 .gemini 的新資料夾，並在其中建立名為 settings.json 的新檔案。
{
"mcpServers": {
"AlloyDBServer": {
"command": "/home/user/gemini-cli-project/toolbox",
"args": ["--tools-file", "tools.yaml", "--stdio"]
}
}
}
在上述程式碼片段的指令部分中，將「/home/user/gemini-cli-project/toolbox」替換為工具箱的路徑。
安裝 Gemini CLI
最後，請在 Cloud Shell 終端機中，於相同目錄 gemini-cli-project 執行下列指令，安裝 Gemini CLI：
sudo npm install -g @google/gemini-cli
設定專案 ID
確認您已在環境中設定有效專案 ID：
export GOOGLE_CLOUD_PROJECT=<<YOUR_PROJECT_ID>>
開始使用 Gemini CLI
在指令列中輸入下列指令：
gemini
您應該會看到類似下方的回應：
完成驗證並繼續下一個步驟。
8. 開始與 Gemini CLI 互動
使用 /mcp 指令列出已設定的 MCP 伺服器。
您應該會看到我們設定的 2 個 MCP 伺服器：GitHub 和 MCP Toolbox for Databases，以及列出的工具。
就我的情況而言，我還有更多工具。因此請暫時忽略。您應該會在 AlloyDB MCP 伺服器中看到 get-apparels 工具。
透過 MCP Toolbox 開始查詢資料庫
現在請嘗試提出自然語言問題，擷取我們使用的資料集的回應和查詢：
> 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
假設我根據洞察資料和許多類似查詢，想出詳細的查詢內容並想測試一下。假設資料庫工程師已為您建構 Tools.yaml，如下所示：
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
現在來試試自然語言搜尋：
> How many yellow shirts are there for boys?
很酷吧？現在我可以在加速的時間表內，繼續在應用程式中提供新功能，同時修正 YAML 檔案，進一步提升查詢功能。
9. 加速應用程式開發
透過 Gemini CLI 和 MCP Toolbox，直接在 IDE 中使用資料庫功能，不僅是理論上的優勢，這可轉換為實際的加速工作流程，特別是對於混合式零售體驗等複雜應用程式。以下列舉幾個情境：
1. 快速疊代產品篩選邏輯
假設我們剛推出「夏季運動服」的新促銷活動，我們想測試多面向篩選器 (例如依品牌、尺寸、顏色、價格範圍) 與這個新類別的互動方式。
不整合 IDE：
我可能會切換到另一個 SQL 用戶端，撰寫查詢、執行查詢、分析結果、返回 IDE 調整應用程式程式碼、切換回用戶端，然後重複上述步驟。這種情境切換會造成重大阻礙。
使用 Gemini CLI 和 MCP：
我可以在 IDE 中繼續作業，還能：
- 查詢：我可以在 yaml 中快速更新查詢 (假設的資料集)「SELECT DISTINCT brand FROM products WHERE category = ‘activewear' AND season = ‘summer'」，並直接在終端機中試用。
- 資料探索：立即查看傳回的品牌。如果需要查看特定品牌和尺寸的產品供應情形，可以執行另一個快速查詢：「SELECT COUNT(*) FROM products WHERE brand = ‘SummitGear' AND size = ‘M' AND category = ‘activewear' AND season = ‘summer'」。
- 整合程式碼：根據這些快速的 IDE 內資料洞察，我隨即調整前端篩選邏輯或後端 API 呼叫，大幅縮短意見回饋循環。
2. 微調 Vector Search，提供產品建議
我們的混合搜尋功能會根據向量嵌入，提供相關的產品建議。假設「男士慢跑鞋」建議的點閱率下滑。
不整合 IDE：
我會在資料庫工具中執行自訂指令碼或查詢，分析建議鞋款的相似度分數，並與使用者互動資料進行比較，嘗試找出任何關聯模式。
使用 Gemini CLI 和 MCP：
- 分析嵌入：我可以直接查詢產品嵌入及其相關中繼資料：「SELECT product_id, name, vector_embedding FROM products WHERE category = ‘running shoes' AND gender = ‘male' LIMIT 10」
- 交叉參照：我也可以直接快速檢查所選產品與建議之間的實際向量相似度。舉例來說，如果系統向看過產品 B 的使用者推薦產品 A，我可以執行查詢來擷取並比較這兩項產品的向量嵌入。
- 偵錯：這有助於加快偵錯和假設測試的速度。嵌入模型是否如預期運作？資料中是否有異常情形，導致推薦內容品質受到影響？不必離開程式設計環境，就能獲得初步解答。
3. 瞭解新功能的結構定義和資料分布
假設我們打算新增「顧客評論」功能，撰寫後端 API 之前，我們需要瞭解現有的顧客資料，以及評論的結構。
不整合 IDE：
我需要連線至資料庫用戶端，在 customers 和 orders 等資料表上執行 DESCRIBE 指令，然後查詢範例資料，瞭解關係和資料類型。
使用 Gemini CLI 和 MCP：
- 結構定義探索：我只要查詢 YAML 檔案中的表格，然後直接在終端機中執行即可。
- 資料取樣：接著，我可以提取樣本資料，瞭解顧客人口統計資料和購買記錄：「SELECT customer_id, name, signup_date, total_orders FROM customers ORDER BY signup_date DESC LIMIT 5」
- 規劃：快速存取結構定義和資料分配情形，有助於我們做出明智決策，決定如何設計新的評論資料表、要建立哪些外部鍵，以及如何有效將評論連結至顧客和產品，完全不必為新功能編寫任何應用程式程式碼。
以上僅列舉幾個例子，但都突顯了核心優勢：減少摩擦並提升開發人員速度。Gemini CLI 和 MCP Toolbox 可直接在 IDE 中與 AlloyDB 互動，協助我們更快建構更優質、回應速度更快的應用程式。
10. 清除
如要避免系統向您的 Google Cloud 帳戶收取本文章所用資源的費用，請按照下列步驟操作：
- 前往 Google Cloud 控制台的資源管理員頁面。
- 在專案清單中選取要刪除的專案，然後點按「刪除」。
- 在對話方塊中輸入專案 ID，然後按一下「Shut down」(關閉) 即可刪除專案。
- 或者，您也可以點選「DELETE CLUSTER」按鈕，刪除我們剛為這個專案建立的 AlloyDB 叢集 (如果您在設定叢集時未選擇 us-central1，請變更這個超連結中的位置)。
11. 恭喜
恭喜！您已成功將 MCP Toolbox 直接整合至 IDE，順暢地與 AlloyDB 互動，並運用 Gemini CLI 與零售電子商務資料集互動，撰寫通常需要使用其他工具的查詢。您已學會探查及瞭解資料的新方法，包括檢查資料表結構和執行快速資料健全性檢查，而且全都在 IDE 內熟悉的指令列介面中完成。
請繼續複製 repo，並分析您是否使用 Gemini CLI 和 MCP Toolbox for Databases 強化應用程式。
如要進一步瞭解如何使用 Gemini CLI 和 MCP 建構這類資料驅動應用程式，並部署至無伺服器執行階段，請報名參加即將推出的 Code Vipassana 課程，透過講師帶領的實作課程和更多程式碼研究室，深入瞭解相關知識！