สร้างและติดตั้งใช้งานใน Google Cloud ด้วย Antigravity

1. บทนำ

fca14bb9f4bb74f4.png

ใน Codelab นี้ คุณจะได้เรียนรู้วิธีใช้ Google Antigravity เพื่อออกแบบ สร้าง และติดตั้งใช้งานแอปพลิเคชันแบบ Serverless ใน Google Cloud โดยเราจะสร้างไปป์ไลน์เอกสารแบบ Serverless ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งจะนำเข้าไฟล์จาก Google Cloud Storage (GCS), ประมวลผลไฟล์โดยใช้ Cloud Run และ Gemini รวมถึงสตรีมข้อมูลเมตาของไฟล์ไปยัง BigQuery

สิ่งที่คุณจะได้เรียนรู้

  • วิธีใช้ Antigravity ในการวางแผนและออกแบบสถาปัตยกรรม
  • สร้างโครงสร้างพื้นฐานเป็นโค้ด (สคริปต์เชลล์) ด้วย AI Agent
  • สร้างและติดตั้งใช้งานบริการ Cloud Run ที่อิงตาม Python
  • ผสานรวม Gemini ใน Vertex AI เพื่อวิเคราะห์เอกสารแบบมัลติโมดัล
  • ยืนยันไปป์ไลน์แบบครบวงจรโดยใช้ชิ้นงาน Walkthrough ของ Antigravity

สิ่งที่คุณต้องมี

  • ติดตั้ง Google Antigravity แล้ว
  • โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงินแล้ว
  • gcloud CLI ติดตั้งและตรวจสอบสิทธิ์แล้ว

2. ภาพรวมของแอป

ก่อนที่จะเริ่มออกแบบสถาปัตยกรรมและใช้แอปพลิเคชันโดยใช้ Antigravity เรามาสรุปแอปพลิเคชันที่เราต้องการสร้างกันก่อน

เราต้องการสร้างไปป์ไลน์เอกสารแบบ Serverless ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งจะนำเข้าไฟล์จาก Google Cloud Storage (GCS), ประมวลผลไฟล์โดยใช้ Cloud Run และ Gemini รวมถึงสตรีมข้อมูลเมตาของไฟล์ไปยัง BigQuery

แผนภาพสถาปัตยกรรมระดับสูงสำหรับแอปพลิเคชันนี้อาจมีลักษณะดังนี้

3bd519cfab38258d.png

โดยไม่จำเป็นต้องแม่นยำ Antigravity จะช่วยเราหาข้อมูลรายละเอียดสถาปัตยกรรมไปพร้อมๆ กัน อย่างไรก็ตาม การมีไอเดียเกี่ยวกับสิ่งที่คุณต้องการสร้างจะช่วยได้ ยิ่งคุณให้รายละเอียดมากเท่าไหร่ คุณก็จะยิ่งได้รับผลลัพธ์ที่ดีขึ้นจาก Antigravity ในแง่ของสถาปัตยกรรมและโค้ด

3. วางแผนสถาปัตยกรรม

เราพร้อมที่จะเริ่มวางแผนรายละเอียดสถาปัตยกรรมด้วย Antigravity แล้ว

Antigravity เก่งในการวางแผนระบบที่ซับซ้อน แทนที่จะเขียนโค้ดทันที เราสามารถเริ่มต้นด้วยการกำหนดสถาปัตยกรรมระดับสูงและใช้ฟีเจอร์หนึ่งเพื่อช่วยให้ Antigravity ประเมินคำขอของเรา ถามคำถามติดตามผล แล้วดำเนินการวางแผนและติดตั้งใช้งาน

สมมติว่าคุณได้เปิดใช้ Antigravity แล้ว เราจะสร้างโปรเจ็กต์ใหม่สำหรับ Codelab นี้

คลิกไอคอนโปรเจ็กต์ใหม่ข้างแล็บ Projects แล้วคลิก New Project ดังที่แสดงด้านล่าง

949cd615a1ce8dc3.png

ระบบจะแสดงตัวเลือก Add Folder ดังที่แสดงด้านล่าง

ee8ff88b71c10e9f.png

คลิกปุ่ม Add Folder เพื่อเพิ่มโฟลเดอร์ลงในโปรเจ็กต์ ในเครื่องของฉัน ฉันได้สร้างโฟลเดอร์ google-cloud-serverless-app แล้วเพิ่มโฟลเดอร์ดังกล่าวลงในโปรเจ็กต์นี้

การดำเนินการนี้จะเปิดการสนทนาในพื้นที่ทำงาน google-cloud-serverless-app

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

b28e175be64f4390.png

การดำเนินการนี้จะช่วยให้คุณตรวจสอบและอนุมัติแผนได้ในทุกขั้นตอนก่อนที่ Agent จะดำเนินการ

พรอมต์

ตอนนี้เราพร้อมที่จะให้พรอมต์แรกแก่ Antigravity แล้ว เราจะใช้คำสั่งเครื่องหมายทับ /grill-me เพื่อประเมินคำขอของเรา

พิมพ์ /grill-me แล้วป้อนพรอมต์ต่อไปนี้ จากนั้นคลิกปุ่มส่ง

/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 จะถามคำถามติดตามผลหลายข้อที่คุณสามารถลองตอบตามความรู้ความสามารถของคุณ นอกจากนี้ คำสั่งยังแนะนำคำตอบที่แนะนำ และคุณสามารถเลือกคำตอบดังกล่าวได้หากต้องการ

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).

โปรดสังเกตว่าฉันเลือกขอให้ Antigravity ดำเนินการต่อไปนี้

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

และตัวเลือกอื่นๆ ที่แนะนำ

แผนการติดตั้งใช้งานและรายการงาน

ตอนนี้ Antigravity จะเริ่มทำงานและสร้างแผนการติดตั้งใช้งาน โดยจะแสดงข้อความคล้ายกับข้อความด้านล่างเพื่อให้คุณตรวจสอบ

2bf129fc14fa019e.png

คุณสามารถคลิกปุ่มเปิด/ปิดแผงเสริมที่หน้าต่างด้านขวาบน แล้วดูชิ้นงานที่สร้างขึ้น ซึ่งในตอนนี้จะมีเพียงแผนการติดตั้งใช้งาน

fc8d1f0f54d3e723.png

แผนนี้สรุปรายละเอียดต่อไปนี้

  • โครงสร้างพื้นฐาน: Bucket ของ GCS, หัวข้อ Pub/Sub, ชุดข้อมูล BigQuery
  • ตัวประมวลผล: แอป Python/Flask, Dockerfile, ข้อกำหนด
  • การผสานการทำงาน: การแจ้งเตือน GCS → Pub/Sub → Cloud Run

คุณควรเห็นข้อมูลที่มีลักษณะคล้ายด้านล่าง 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 นี่เป็นโอกาสของคุณในการแสดงความคิดเห็นเกี่ยวกับการติดตั้งใช้งาน คุณสามารถคลิกส่วนใดก็ได้ของแผนการติดตั้งใช้งานแล้วเพิ่มความคิดเห็น เมื่อเพิ่มความคิดเห็นแล้ว โปรดส่งการเปลี่ยนแปลงที่คุณต้องการให้ตรวจสอบ โดยเฉพาะอย่างยิ่งเกี่ยวกับการตั้งชื่อ, รหัสโปรเจ็กต์ Google Cloud, ภูมิภาค และอื่นๆ

เมื่อทุกอย่างดูเรียบร้อยแล้ว ให้สิทธิ์ Agent ดำเนินการตามแผนการติดตั้งใช้งานโดยคลิกปุ่ม Proceed

ตอนนี้ระบบจะสร้างชิ้นงานอื่น Task Plan ซึ่งมีชุดงานที่ Antigravity สร้างขึ้น Agent จะดำเนินการทีละงาน ตัวอย่างรายการงานแสดงอยู่ด้านล่าง

7d17f032d4b6bd04.png

4. สร้างแอปพลิเคชัน

เมื่ออนุมัติแผนแล้ว Antigravity จะเริ่มสร้างไฟล์ที่จำเป็นสำหรับแอปพลิเคชัน ตั้งแต่สคริปต์การจัดเตรียมไปจนถึงโค้ดของแอปพลิเคชัน

Antigravity จะสร้างโฟลเดอร์และเริ่มสร้างไฟล์ที่จำเป็นสำหรับโปรเจ็กต์ หากคุณตรวจสอบชิ้นงาน คุณจะเห็นไฟล์หลายไฟล์ (ซอร์สโค้ด, ไฟล์สคริปต์ ฯลฯ) ที่สร้างขึ้น

d142b671ba315ba5.png

เมื่อดำเนินการเสร็จแล้ว ระบบจะแจ้งให้คุณทราบและสร้างเอกสาร Walkthrough ให้คุณดู โดยเอกสารจะระบุขั้นตอนถัดไปสำหรับผู้ใช้ ตัวอย่างแสดงอยู่ด้านล่าง

  • ติดตั้งใช้งานไปป์ไลน์: ตรวจสอบว่าคุณได้เข้าสู่ระบบ gcloud CLI และตั้งค่าโปรเจ็กต์เป้าหมายแล้ว จากนั้นเรียกใช้ ./ deploy.sh
  • เรียกใช้การทดสอบแบบครบวงจร: เรียกใช้สคริปต์การทดสอบการผสานรวมระบบคลาวด์เพื่อยืนยันว่าการอัปโหลดไฟล์จะทริกเกอร์การประมวลผล Cloud Run และสตรีมข้อมูลเมตาไปยัง BigQuery:./test_cloud.sh
  • ล้างข้อมูล: เมื่อทดสอบเสร็จแล้ว ให้ดูคำสั่งล้างข้อมูลใน README.md เพื่อนำทรัพยากรที่สร้างขึ้นออกและหลีกเลี่ยงการเรียกเก็บเงิน

คุณจะเห็นไฟล์สคริปต์ของ Shell ชื่อ deploy.sh หรือชื่อที่คล้ายกันซึ่งสร้างขึ้น ซึ่งจะทำให้การสร้างทรัพยากรเป็นไปโดยอัตโนมัติ โดยจะจัดการสิ่งต่อไปนี้

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

5. ทำให้แอปพลิเคชันใช้งานได้

มาทำให้แอปพลิเคชันใช้งานได้ตามที่ระบุผ่านคำสั่ง ./ deploy.sh เราสามารถขอให้ Antigravity เรียกใช้คำสั่งนี้ให้เราได้ แต่ก่อนที่จะดำเนินการดังกล่าว โปรดตรวจสอบว่า gcloud CLI มีอยู่และกำหนดค่าสำหรับโปรเจ็กต์ Google Cloud แล้ว

เราสามารถให้พรอมต์แก่ Antigravity ว่า "Run the deploy.sh for me" ระบบจะแจ้งให้คุณให้สิทธิ์ โปรดให้สิทธิ์ดังกล่าว

9e5c1c7141b3fc06.png

ระบบจะเริ่มกระบวนการเป็นงานเบื้องหลัง ดังที่อธิบายไว้ในข้อความด้านล่าง

I have started the deployment process by running ./deploy.sh in the background. I will monitor the execution logs and let you know as soon as the deployment finishes!

6. ยืนยันแอปพลิเคชัน

เมื่อติดตั้งใช้งานไปป์ไลน์แล้ว Antigravity จะดำเนินการต่อเพื่อยืนยันว่าแอปพลิเคชันทำงานได้จริง โดยจะถามเราว่าสามารถเรียกใช้ไฟล์ test_cloud.sh ได้หรือไม่ เราสามารถให้สิทธิ์ได้

2bc8c959c9f80d30.png

สุดท้ายระบบจะแจ้งให้เราทราบดังนี้

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.

เราสามารถเปิดชิ้นงาน Walkthrough เพื่อดูผลลัพธ์ได้

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 ให้ทำตามขั้นตอนต่อไปนี้

Cloud Storage

เป้าหมาย: ยืนยันว่า Bucket มีอยู่และตรวจสอบไฟล์ที่อัปโหลด

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

Pub/Sub

เป้าหมาย: ยืนยันว่าหัวข้อมีอยู่และมีการสมัครใช้บริการแบบ Push

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

Cloud Run

เป้าหมาย: ตรวจสอบสถานะและบันทึกของบริการ

  1. ไปที่ Cloud Run
  2. คลิกบริการ document-processor
  3. ยืนยันสิ่งต่อไปนี้
  4. สถานะ: เครื่องหมายถูกสีเขียวแสดงว่าบริการทำงานอยู่
  5. บันทึก: คลิกแท็บบันทึก มองหารายการต่างๆ เช่น "Processing file: gs://..." และ "Successfully inserted..."

BigQuery

เป้าหมาย: ตรวจสอบว่ามีการจัดเก็บข้อมูลจริง

  1. ไปที่ BigQuery > พื้นที่ทำงาน SQL
  2. ในแผง Explorer ให้ขยายโปรเจ็กต์ > ชุดข้อมูล document_processing
  3. คลิกตาราง processed_metadata
  4. คลิกแท็บการค้นหา แล้วดึงข้อมูลแถวทั้งหมดจากตารางผ่านคำสั่ง SELECT *
  5. ยืนยัน: คุณควรเห็นแถวที่มีชื่อไฟล์, process_timestamp, tags และ word_count

7. สำรวจแอปพลิเคชัน

ตอนนี้คุณได้จัดเตรียมและเรียกใช้แอปพื้นฐานแล้ว ก่อนที่จะเจาะลึกเพื่อขยายแอปพลิเคชันนี้ต่อไป โปรดใช้เวลาสักครู่ในการสำรวจโค้ด คุณสามารถดูชิ้นงานและระบบควรแสดงไฟล์โค้ดที่สร้างขึ้น

สรุปสั้นๆ เกี่ยวกับไฟล์ที่คุณอาจเห็นมีดังนี้

  1. deploy.sh: สคริปต์หลักที่จัดเตรียมทรัพยากร Google Cloud ทั้งหมดและเปิดใช้ API ที่จำเป็น
  2. appy.py: จุดเริ่มต้นหลักของไปป์ไลน์ แอป Python นี้จะสร้างเว็บเซิร์ฟเวอร์ที่รับข้อความ Push ของ Pub/Sub, ดาวน์โหลดไฟล์จาก GCS, "ประมวลผล" (จำลอง OCR) ไฟล์ และสตรีมข้อมูลเมตาไปยัง BigQuery
  3. Dockerfile: กำหนดวิธีแพ็กเกจแอปเป็นอิมเมจคอนเทนเนอร์
  4. requirements.txt: แสดงรายการการอ้างอิง Python

นอกจากนี้ คุณยังอาจเห็นสคริปต์และไฟล์ข้อความอื่นๆ ที่จำเป็นสำหรับการทดสอบและการยืนยัน

8. ขยายแอปพลิเคชัน

ตอนนี้คุณมีแอปพลิเคชันพื้นฐานที่ใช้งานได้แล้ว คุณสามารถทำซ้ำและขยายแอปพลิเคชันต่อไปได้ โดยใช้ไอเดียดังนี้

เพิ่มฟรอนท์เอนด์

สร้างอินเทอร์เฟซเว็บอย่างง่ายเพื่อดูเอกสารที่ประมวลผลแล้ว

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

ผสานการทำงานกับ AI/ML จริง

ใช้โมเดล Gemini เพื่อแยก วิเคราะห์ และแปลแทนการประมวลผล OCR ที่จำลองขึ้น

  1. แทนที่ตรรกะ OCR ดัมมี ส่งรูปภาพ/PDF ไปยัง Gemini เพื่อแยกข้อความและข้อมูลจริง วิเคราะห์ข้อความที่แยกออกมาเพื่อจัดประเภทประเภทเอกสาร (ใบแจ้งหนี้, สัญญา, ประวัติย่อ) หรือแยกเอนทิตี (วันที่, ชื่อ, สถานที่)
  2. ตรวจหาภาษาของเอกสารโดยอัตโนมัติและแปลเป็นภาษาอังกฤษก่อนจัดเก็บ คุณยังใช้ภาษาอื่นๆ ได้ด้วย

ปรับปรุงพื้นที่เก็บข้อมูลและการวิเคราะห์

คุณสามารถกำหนดค่ากฎวงจรการใช้งานใน Bucket เพื่อย้ายไฟล์เก่าไปยังพื้นที่เก็บข้อมูล "Coldline" หรือ "Archive" เพื่อประหยัดค่าใช้จ่าย

ความทนทานและความปลอดภัย

คุณสามารถทำให้แอปมีความทนทานและปลอดภัยมากขึ้นได้ เช่น

  1. คิวข้อความที่ส่งไม่ได้ (DLQ): อัปเดตการสมัครใช้บริการ Pub/Sub เพื่อจัดการกับความล้มเหลว หากบริการ Cloud Run ประมวลผลไฟล์ไม่สำเร็จ 5 ครั้ง ให้ส่งข้อความไปยังหัวข้อ/Bucket "ข้อความที่ส่งไม่ได้" แยกต่างหากเพื่อให้เจ้าหน้าที่ตรวจสอบ
  2. Secret Manager: หากแอปของคุณต้องใช้คีย์ API หรือการกำหนดค่าที่ละเอียดอ่อน ให้จัดเก็บไว้ใน Secret Manager และเข้าถึงอย่างปลอดภัยจาก Cloud Run แทนที่จะฮาร์ดโค้ดสตริง
  3. Eventarc: อัปเกรดจาก Pub/Sub โดยตรงเป็น Eventarc เพื่อการกำหนดเส้นทางเหตุการณ์ที่ยืดหยุ่นมากขึ้น ซึ่งช่วยให้คุณทริกเกอร์ตามบันทึกการตรวจสอบที่ซับซ้อนหรือเหตุการณ์บริการ GCP อื่นๆ ได้

แน่นอนว่าคุณสามารถคิดไอเดียของคุณเองและใช้ Antigravity เพื่อช่วยคุณติดตั้งใช้งานได้

9. บทสรุป

คุณได้สร้างไปป์ไลน์เอกสารที่ปรับขนาดได้ แบบ Serverless และทำงานด้วยระบบ AI ได้สำเร็จภายในไม่กี่นาทีโดยใช้ Google Antigravity โดยคุณได้เรียนรู้วิธีต่อไปนี้

  • วางแผนสถาปัตยกรรมด้วย AI
  • สั่งการและจัดการ Antigravity ขณะที่ระบบสร้างแอปพลิเคชันตั้งแต่การสร้างโค้ดไปจนถึงการติดตั้งใช้งานและการตรวจสอบ
  • ยืนยันการติดตั้งใช้งานและการตรวจสอบด้วย Walkthrough

เอกสารอ้างอิง