1. Tujuan
Tujuan workshop ini adalah memberikan edukasi interaktif tentang Duet AI kepada pengguna dan praktisi.
Dalam codelab ini, Anda akan mempelajari hal berikut:
- Aktifkan Duet AI di project GCP Anda dan konfigurasikan untuk digunakan di IDE dan Konsol Cloud.
- Gunakan Gemini untuk pembuatan, penyelesaian, dan penjelasan kode.
- Menggunakan Gemini untuk menjelaskan dan memecahkan masalah aplikasi.
- Fitur Duet AI seperti chat IDE dan chat multi-giliran, chat vs pembuatan kode inline, tindakan cerdas seperti penjelasan kode dan pengakuan pembacaan, dan banyak lagi.
Naratif
Untuk menunjukkan bagaimana Duet AI untuk Developer digunakan secara autentik dalam pengembangan sehari-hari, aktivitas workshop ini berlangsung dalam konteks naratif.
Developer baru bergabung dengan perusahaan e-commerce. Mereka ditugaskan untuk menambahkan layanan baru ke aplikasi e-commerce yang ada (yang terdiri dari beberapa layanan). Layanan baru memberikan informasi tambahan (dimensi, berat, dll.) tentang produk dalam katalog produk. Layanan ini akan memungkinkan biaya pengiriman yang lebih baik/lebih murah berdasarkan dimensi dan berat produk.
Karena developer baru bergabung di perusahaan ini, mereka akan menggunakan Duet AI untuk pembuatan, penjelasan, dan dokumentasi Kode.
Setelah layanan dikodekan, administrator platform akan menggunakan Duet AI (chat) untuk membantu membuat artefak (container docker), dan resource yang diperlukan untuk men-deploy artefak ke GCP (misalnya Artifact Registry, izin IAM, repositori kode, infrastruktur komputasi, misalnya GKE atau CloudRun, dll.)
Setelah aplikasi di-deploy ke GCP, Operator aplikasi/SRE akan menggunakan Duet AI (dan Cloud Ops) untuk membantu memecahkan masalah error di layanan baru.
Persona
Workshop ini akan membahas persona berikut:
- Developer Aplikasi - Diperlukan pengetahuan tentang pemrograman dan pengembangan software.
Variasi workshop Duet AI ini ditujukan khusus untuk developer. Tidak diperlukan pengetahuan tentang resource cloud GCP. Skrip tentang cara membangun resource GCP yang diperlukan untuk menjalankan aplikasi ini dapat ditemukan di sini. Anda dapat mengikuti petunjuk dalam panduan ini untuk men-deploy resource GCP yang diperlukan.
2. Mempersiapkan lingkungan
Mengaktifkan Duet AI
Anda dapat mengaktifkan Duet AI di project GCP melalui API (gcloud atau alat IaC seperti Terraform) atau melalui UI Cloud Console.
Untuk mengaktifkan Duet AI di project Google Cloud, Anda mengaktifkan Cloud AI Companion API dan memberikan peran Cloud AI Companion User dan Service Usage Viewer Identity and Access Management (IAM) kepada pengguna.
Melalui gcloud
Aktifkan Cloud Shell:
Konfigurasikan PROJECT_ID, USER, dan aktifkan Cloud AI Companion API.
export PROJECT_ID=<YOUR PROJECT ID>
export USER=<YOUR USERNAME> # Use your full LDAP, e.g. name@example.com
gcloud config set project ${PROJECT_ID}
gcloud services enable cloudaicompanion.googleapis.com --project ${PROJECT_ID}
Output-nya seperti berikut:
Updated property [core/project]. Operation "operations/acat.p2-60565640195-f37dc7fe-b093-4451-9b12-934649e2a435" finished successfully.
Berikan peran Cloud AI Companion User dan Service Usage Viewer Identity and Access Management (IAM) ke akun USER. Cloud Companion API berada di belakang fitur dalam IDE dan konsol yang akan kita gunakan. Izin Usage Usage Viewer layanan digunakan sebagai pemeriksaan cepat sebelum mengaktifkan UI di konsol (sehingga UI Duet hanya muncul dalam project tempat API diaktifkan).
gcloud projects add-iam-policy-binding ${PROJECT_ID} \
--member=user:${USER} --role=roles/cloudaicompanion.user
gcloud projects add-iam-policy-binding ${PROJECT_ID} \
--member=user:${USER} --role=roles/serviceusage.serviceUsageViewer
Output-nya seperti berikut:
... - members: - user:<YOUR USER ACCOUNT> role: roles/cloudaicompanion.user ... - members: - user:<YOUR USER ACCOUNT> role: roles/serviceusage.serviceUsageViewer
Melalui Cloud Console
Untuk mengaktifkan API, buka halaman Cloud AI Companion API di Konsol Google Cloud.
Di pemilih project, pilih project.
Klik Aktifkan.
Halaman akan diperbarui dan menampilkan status Diaktifkan. Duet AI kini tersedia di project Google Cloud yang dipilih untuk semua pengguna yang memiliki peran IAM yang diperlukan.
Untuk memberikan peran IAM yang diperlukan untuk menggunakan Duet AI, buka halaman IAM.
Di kolom Principal, cari PENGGUNA yang ingin Anda aktifkan aksesnya ke Duet AI, lalu klik ikon pensil ✏️ Edit akun utama di baris tersebut.
Di panel akses Edit, klik tambahkan Add another role.
Di bagian Select a role, pilih Cloud AI Companion User.
Klik Add another role dan pilih Service Usage Viewer.
Klik Simpan.
Menyiapkan IDE
Developer dapat memilih dari berbagai IDE yang paling sesuai dengan kebutuhan mereka. Bantuan kode Duet AI tersedia di beberapa IDE seperti Visual Studio Code, JetBrains IDEs (IntelliJ, PyCharm, GoLand, WebStorm, dan lainnya), Cloud Workstations, Cloud Shell Editor.
Di lab ini, Anda dapat menggunakan Cloud Workstations atau Cloud Shell Editor.
Workshop ini menggunakan Cloud Shell Editor.
Perhatikan bahwa penyiapan Cloud Workstation dapat memerlukan waktu 20-30 menit.
Untuk langsung menggunakannya, gunakan Cloud Shell Editor.
Buka Cloud Shell Editor dengan mengklik ikon pensil ✏️ di panel menu atas Cloud Shell.
Cloud Shell Editor memiliki UI dan UX yang sangat mirip dengan VSCode.
Klik CTRL (di Windows)/CMD (di Mac) + , (comma) untuk masuk ke panel Settings.
Di Kotak penelusuran, ketik "duet ai".
Pastikan atau aktifkan Cloudcode › Duet AI: Enable dan Cloudcode › Duet AI › Inline Suggestions: Enable Auto
Di Status Bar bawah, klik Cloud Code - Sign In, lalu ikuti alur kerja login.
Jika Anda sudah login, status bar akan menampilkan Cloud Code - Tidak ada project.
Klik Cloud Code - No project dan panel dropdown tindakan akan muncul di bagian atas. Klik Select a Google Cloud project.
Mulailah mengetik PROJECT ID dan project Anda akan muncul dalam daftar.
Pilih PROJECT_ID dari daftar project.
Status bar bawah akan diperbarui untuk menampilkan project ID Anda. Jika tidak, Anda mungkin perlu me-refresh tab Cloud Shell Editor.
Klik ikon Duet AI 
di panel menu sebelah kiri dan jendela chat Duet AI akan muncul. Jika Anda mendapatkan pesan yang bertuliskan Select GCP Project. Klik dan pilih ulang project.
Anda sekarang melihat jendela chat Duet AI
3. Menyiapkan infrastruktur
Untuk menjalankan layanan pengiriman baru di GCP, Anda memerlukan resource GCP berikut:
- Instance Cloud SQL, dengan database.
- Cluster GKE untuk menjalankan layanan dalam container.
- Artifact Registry untuk menyimpan image Docker.
- Cloud Source Repository untuk kode.
Di terminal Cloud Shell, clone repo berikut dan jalankan perintah berikut untuk menyiapkan infrastruktur di project GCP Anda.
# Set your project
export PROJECT_ID=<INSERT_YOUR_PROJECT_ID>
gcloud config set core/project ${PROJECT_ID}
# Enable Cloudbuild and grant Cloudbuild SA owner role
export PROJECT_NUMBER=$(gcloud projects describe ${PROJECT_ID} --format 'value(projectNumber)')
gcloud services enable cloudbuild.googleapis.com
gcloud projects add-iam-policy-binding ${PROJECT_ID} --member serviceAccount:${PROJECT_NUMBER}@cloudbuild.gserviceaccount.com --role roles/owner
# Clone the repo
git clone https://github.com/duetailabs/dev.git ~/duetaidev
cd ~/duetaidev
# Run Cloudbuild to create the necessary resources
gcloud builds submit --substitutions=_PROJECT_ID=${PROJECT_ID}
# To destroy all GCP resources, run the following
# gcloud builds submit --substitutions=_PROJECT_ID=${PROJECT_ID} --config=cloudbuild_destroy.yaml
4. Mengembangkan layanan python Flask
Layanan yang akan kita buat pada akhirnya terdiri dari file-file berikut. Anda tidak perlu membuat file ini sekarang dan akan membuat file ini satu per satu dengan mengikuti petunjuk di bawah:
package-service.yaml- Spesifikasi Open API untuk layanan paket yang memiliki data seperti tinggi, lebar, berat, dan petunjuk penanganan khusus.data_model.py- Model data untuk spesifikasi API layanan paket. Juga membuat tabelpackagesdi DB product_details.connect_connector.py- Koneksi CloudSQL (menentukan mesin, ORM Dasar, dan Sesi)db_init.py- Menghasilkan data sampel ke dalam tabelpackages.main.py- Layanan Python Flask dengan endpointGETuntuk mengambil detail paket dari datapackagesberdasarkan product_id.test.py- Pengujian unitrequirement.txt- Persyaratan PythonDockerfile- Untuk memasukkan aplikasi ini ke dalam container
Jika Anda mengalami masalah melekat selama latihan, semua file akhir ada di LAMPIRAN codelab ini sebagai referensi.
Pada langkah sebelumnya, Anda membuat Cloud Source Repository. Buat cloning repositori: Anda akan membangun file aplikasi di folder repositori yang di-clone.
Di terminal Cloud Shell, jalankan perintah berikut untuk meng-clone repositori.
cd ~ gcloud source repos clone shipping shipping cd ~/shipping
Buka sidebar chat Duet AI dari menu sebelah kiri Cloud Shell Editor. Ikonnya terlihat seperti 
. Sekarang Anda dapat menggunakan Duet AI untuk bantuan kode.
package-service.yaml
Tanpa ada file yang terbuka, minta Duet AI untuk membuat spesifikasi Open API untuk layanan pengiriman.
Perintah 1: Buat spesifikasi yaml OpenAPI untuk layanan yang menyediakan informasi pengiriman dan paket berdasarkan ID produk numerik. Layanan harus menyertakan informasi tentang tinggi, lebar, kedalaman, berat paket, dan semua petunjuk penanganan khusus.
Ada tiga opsi yang tercantum di kanan atas jendela kode yang dihasilkan.
Anda dapat COPY 
kode dan MENEMPELnya ke file.
Anda dapat ADD 
kode ke file yang sedang dibuka di Editor.
Atau Anda dapat OPEN 
kode di file baru.
Klik OPEN kode dalam file baru.
Klik CTRL/CMD + s untuk menyimpan file, dan simpan file di folder aplikasi dengan nama file yang disebut package-service.yaml. Klik OK.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Anda juga dapat mencoba berbagai perintah untuk melihat respons Duet AI.
Reset histori chat Duet AI dengan mengklik ikon sampah 
di bagian atas sidebar Duet AI.
data_model.py
Selanjutnya, Anda membuat file python model data untuk layanan berdasarkan spesifikasi OpenAPI.
Dengan file package-service.yaml terbuka, masukkan perintah berikut.
Perintah 1: Dengan ORM sqlalchemy python, buat model data untuk layanan API ini. Sertakan juga fungsi terpisah dan titik entri utama yang membuat tabel database.
Mari kita lihat setiap bagian yang dihasilkan. Duet AI masih merupakan asisten, dan meskipun dapat membantu menulis kode dengan cepat, Anda harus meninjau konten yang dihasilkan dan memahaminya selagi menggunakannya.
Pertama, ada Class yang disebut Package dari jenis Base yang menentukan model data untuk database packages seperti berikut:
class Package(Base):
__tablename__ = 'packages'
id = Column(Integer, primary_key=True)
product_id = Column(String(255))
height = Column(Float)
width = Column(Float)
depth = Column(Float)
weight = Column(Float)
special_handling_instructions = Column(String(255))
Selanjutnya, Anda memerlukan fungsi yang membuat tabel dalam {i>database<i} seperti berikut:
def create_tables(engine):
Base.metadata.create_all(engine)
Terakhir, Anda memerlukan fungsi utama yang menjalankan fungsi create_tables untuk benar-benar membangun tabel dalam database CloudSQL, seperti berikut:
if __name__ == '__main__':
from sqlalchemy import create_engine
engine = create_engine('sqlite:///shipping.db')
create_tables(engine)
print('Tables created successfully.')
Perhatikan bahwa fungsi main membuat mesin menggunakan database sqlite lokal. Untuk menggunakan CloudSQL, Anda perlu mengubahnya. Anda akan melakukannya nanti.
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama data_model.py (perhatikan garis bawah dalam nama, bukan tanda hubung).
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
connect-connector.py
Membuat konektor CloudSQL.
Dengan file data_model.py terbuka, masukkan perintah berikut.
Perintah 1: Dengan menggunakan library cloud-sql-python-connector, buat fungsi yang menginisialisasi kumpulan koneksi untuk instance Postgres Cloud SQL.
Perhatikan bahwa respons tidak menggunakan library cloud-sql-python-connector. Anda dapat menyempurnakan perintah, untuk memberikan sedikit dorongan pada Duet, dengan menambahkan detail ke rangkaian pesan chat yang sama.
Mari kita gunakan prompt lain.
Perintah 2: Harus menggunakan library cloud-sql-python-connector.
Pastikan file tersebut menggunakan library cloud-sql-python-connector.
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama connect_conector.py. Anda mungkin perlu mengimpor library pg8000 secara manual. Lihat file di bawah ini.
Hapus histori chat Duet AI, dan dengan file connect_connector.py terbuka, buat ORM DB engine, sessionmaker, dan base yang akan digunakan dalam aplikasi.
Perintah 1: Buat class engine, sessionmaker, dan Base ORM menggunakan metode connect_with_connector
Respons dapat menambahkan engine, Session, dan Base ke file connect_connector.py.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Anda juga dapat mencoba berbagai perintah untuk melihat variasi potensial respons Duet AI.
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
Memperbarui data_model.py
Anda harus menggunakan mesin yang dibuat pada langkah sebelumnya (dalam file connect_connector.py) untuk membuat tabel di database CloudSQL.
Hapus histori chat Duet AI. Buka file data_model.py. Coba perintah berikut.
Perintah 1: Dalam fungsi utama, impor dan gunakan engine dari connect_connector.py
Anda akan melihat respons yang mengimpor engine dari connect_connector (untuk CloudSQL). create_table menggunakan mesin tersebut (bukan DB lokal sqlite default).
Perbarui file data_model.py.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Anda juga dapat mencoba berbagai perintah untuk melihat berbagai respons Duet AI.
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
requirements.txt
Buat file requirements.txt untuk aplikasi.
Buka file connect_connector.py dan data_model.py, lalu masukkan perintah berikut.
Perintah 1: Buat file persyaratan pip untuk model data dan layanan ini
Perintah 2: Buat file persyaratan pip untuk model data dan layanan ini menggunakan versi terbaru
Pastikan nama dan versinya sudah benar. Misalnya, dalam respons di atas, nama dan versi google-cloud-sql-connecter salah. Perbaiki versi secara manual dan buat file requirements.txt yang terlihat seperti ini:
cloud-sql-python-connector==1.2.4
sqlalchemy==1.4.36
pg8000==1.22.0
Di terminal perintah, jalankan perintah berikut:
pip3 install -r requirements.txt
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
Membuat tabel paket di CloudSQL
Menetapkan variabel lingkungan untuk konektor database CloudSQL.
export INSTANCE_NAME=$(gcloud sql instances list --format='value(name)')
export INSTANCE_CONNECTION_NAME=$(gcloud sql instances describe ${INSTANCE_NAME} --format="value(connectionName)")
export DB_USER=evolution
export DB_PASS=evolution
export DB_NAME=product_details
Sekarang jalankan data_model.py.
python data_model.py
Outputnya mirip dengan berikut ini (periksa kode untuk melihat apa yang sebenarnya diharapkan):
Tables created successfully.
Menghubungkan ke instance CloudSQL dan memeriksa bahwa database telah dibuat.
gcloud sql connect ${INSTANCE_NAME} --user=evolution --database=product_details
Setelah memasukkan sandi (juga evolusi), dapatkan tabelnya.
product_details=> \dt
Outputnya mirip dengan hal berikut ini:
List of relations Schema | Name | Type | Owner --------+----------+-------+----------- public | packages | table | evolution (1 row)
Anda juga dapat memeriksa detail model data dan tabel.
product_details=> \d+ packages
Outputnya mirip dengan hal berikut ini:
Table "public.packages"
Column | Type | Collation | Nullable | Default | Storage | Compression | Stats target | Description
-------------------------------+-------------------+-----------+----------+--------------------------------------+----------+-------------+--------------+-------------
id | integer | | not null | nextval('packages_id_seq'::regclass) | plain | | |
product_id | integer | | not null | | plain | | |
height | double precision | | not null | | plain | | |
width | double precision | | not null | | plain | | |
depth | double precision | | not null | | plain | | |
weight | double precision | | not null | | plain | | |
special_handling_instructions | character varying | | | | extended | | |
Indexes:
"packages_pkey" PRIMARY KEY, btree (id)
Access method: heap
Ketik \q untuk keluar dari CloudSQL.
db_init.py
Selanjutnya, mari tambahkan beberapa contoh data ke tabel packages.
Hapus histori chat Duet AI. Dengan file data_model.py terbuka, coba perintah berikut.
Perintah 1: Buat fungsi yang membuat 10 baris paket contoh dan melakukan commit ke tabel paket
Perintah 2: Dengan menggunakan sesi dari connect_connector, buat fungsi yang membuat 10 baris paket contoh dan meng-commit baris tersebut ke tabel paket
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama db_init.py.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Anda juga dapat mencoba berbagai perintah untuk melihat berbagai respons Duet AI.
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
Membuat data paket sampel
Jalankan db_init.py dari command line.
python db_init.py
Outputnya mirip dengan hal berikut ini:
Packages created successfully.
Hubungkan lagi ke instance CloudSQL dan pastikan data sampel ditambahkan ke tabel paket.
Menghubungkan ke instance CloudSQL dan memeriksa bahwa database telah dibuat.
gcloud sql connect ${INSTANCE_NAME} --user=evolution --database=product_details
Setelah memasukkan sandi (juga evolusi), dapatkan semua data dari tabel paket.
product_details=> SELECT * FROM packages;
Outputnya mirip dengan hal berikut ini:
id | product_id | height | width | depth | weight | special_handling_instructions ----+------------+--------+-------+-------+--------+----------------------------------- 1 | 0 | 10 | 10 | 10 | 10 | No special handling instructions. 2 | 1 | 10 | 10 | 10 | 10 | No special handling instructions. 3 | 2 | 10 | 10 | 10 | 10 | No special handling instructions. 4 | 3 | 10 | 10 | 10 | 10 | No special handling instructions. 5 | 4 | 10 | 10 | 10 | 10 | No special handling instructions. 6 | 5 | 10 | 10 | 10 | 10 | No special handling instructions. 7 | 6 | 10 | 10 | 10 | 10 | No special handling instructions. 8 | 7 | 10 | 10 | 10 | 10 | No special handling instructions. 9 | 8 | 10 | 10 | 10 | 10 | No special handling instructions. 10 | 9 | 10 | 10 | 10 | 10 | No special handling instructions. (10 rows)
Ketik \q untuk keluar dari CloudSQL.
main.py
Dengan file data_model.py, package-service.yaml, dan connect_connector.py terbuka, buat main.py untuk aplikasi.
Perintah 1: Menggunakan library python flask - buat implementasi yang menggunakan endpoint http rest untuk layanan ini
Perintah 2: Menggunakan library python flask - buat implementasi yang menggunakan endpoint http rest untuk layanan ini. impor dan gunakan SessionMaker dari connect_conector.py ke untuk data paket.
Perintah 3: Menggunakan library python flask - buat implementasi yang menggunakan endpoint http rest untuk layanan ini. impor dan gunakan Package dari data_model.py dan SessionMaker dari connect_conector.py ke untuk data paket.
Perintah 4: Menggunakan library python flask - buat implementasi yang menggunakan endpoint http rest untuk layanan ini. impor dan gunakan Package dari data_model.py dan SessionMaker dari connect_conector.py ke untuk data paket. Gunakan IP host 0.0.0.0 untuk app.run
Perbarui persyaratan untuk main.py.
Perintah: Buat file persyaratan untuk main.py
Tambahkan ini ke file requirements.txt. Pastikan untuk menggunakan Flask versi 3.0.0.
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama main.py.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
5. Menguji dan menjalankan aplikasi
Instal persyaratan.
pip3 install -r requirements.txt
Jalankan main.py.
python main.py
Outputnya mirip dengan hal berikut ini:
* Serving Flask app 'main' * Debug mode: off WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Running on all addresses (0.0.0.0) * Running on http://127.0.0.1:5000 * Running on http://10.88.0.3:5000 Press CTRL+C to quit
Dari terminal kedua, uji endpoint /packages/<product_id>.
curl localhost:5000/packages/1
Outputnya mirip dengan hal berikut ini:
{"depth":10.0,"height":10.0,"special_handling_instructions":"No special handling instructions.","weight":10.0,"width":10.0}
Anda juga dapat menguji ID produk lainnya dalam sampel data.
Masukkan CTRL_C untuk keluar dari container docker yang sedang berjalan di terminal.
Membuat pengujian unit
Dengan file main.py terbuka, buat pengujian unit.
Perintah 1: Buat pengujian unit.
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama test.py.
Dalam fungsi test_get_package, product_id harus ditentukan. Anda dapat menambahkannya secara manual.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Reset histori chat Duet AI dengan mengklik ikon sampah di bagian atas sidebar Duet AI.
Menjalankan pengujian unit
Jalankan pengujian unit.
python test.py
Outputnya mirip dengan hal berikut ini:
. ---------------------------------------------------------------------- Ran 1 test in 1.061s OK
Tutup semua file di Cloud Shell Editor dan hapus histori chat dengan mengklik ikon tempat sampah 
di status bar bagian atas.
Dockerfile
Buat Dockerfile untuk aplikasi ini.
Buka main.py dan coba perintah berikut.
Perintah 1: Buat Dockerfile untuk aplikasi ini.
Perintah 2: Buat Dockerfile untuk aplikasi ini. Salin semua file ke container.
Anda juga perlu menyetel ENVARS untuk INSTANCE_CONNECTION_NAME, DB_USER, DB_PASS, dan DB_NAME. Anda dapat melakukannya secara manual. Dockerfile Anda akan terlihat seperti berikut:
FROM python:3.10-slim
WORKDIR /app
COPY . ./
RUN pip install -r requirements.txt
# Add these manually for your project
ENV INSTANCE_CONNECTION_NAME=YOUR_INSTANCE_CONNECTION_NAME
ENV DB_USER=evolution
ENV DB_PASS=evolution
ENV DB_NAME=product_details
CMD ["python", "main.py"]
Menggunakan OPEN kode dalam alur kerja file baru seperti sebelumnya. Simpan kode dalam file bernama Dockerfile.
File final ada di bagian APPENDIX di codelab ini. Jika tidak, lakukan perubahan yang sesuai secara manual.
Menjalankan aplikasi secara lokal
Saat Dockerfile terbuka, coba perintah berikut.
Perintah 1: Bagaimana cara menjalankan container secara lokal menggunakan Dockerfile ini
Ikuti petunjuknya.
# Build docker build -t shipping . # And run docker run -p 5000:5000 -it shipping
Outputnya mirip dengan hal berikut ini:
* Serving Flask app 'main' * Debug mode: off WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Running on all addresses (0.0.0.0) * Running on http://127.0.0.1:5000 * Running on http://172.17.0.2:5000 Press CTRL+C to quit
Dari jendela terminal kedua, akses container.
curl localhost:5000/packages/1
Outputnya mirip dengan hal berikut ini:
{"depth":10.0,"height":10.0,"special_handling_instructions":"No special handling instructions.","weight":10.0,"width":10.0}
Aplikasi dalam container sedang berfungsi.
Masukkan CTRL_C untuk keluar dari container docker yang sedang berjalan di terminal.
Membangun image container di Artifact Registry
Bangun image container dan kirim ke Artifact Registry.
cd ~/shipping
gcloud auth configure-docker us-central1-docker.pkg.dev
docker build -t us-central1-docker.pkg.dev/${PROJECT_ID}/shipping/shipping .
docker push us-central1-docker.pkg.dev/${PROJECT_ID}/shipping/shipping
Container aplikasi kini berada di us-central1-docker.pkg.dev/${PROJECT_ID}/shipping/shipping yang dapat di-deploy ke GKE.
6. Men-deploy aplikasi ke cluster GKE
Cluster GKE Autopilot dibuat saat Anda membuat resource GCP untuk workshop ini. Hubungkan ke cluster GKE.
gcloud container clusters get-credentials gke1 \
--region=us-central1
Menganotasi akun layanan default Kubernetes dengan akun layanan Google.
kubectl annotate serviceaccount default iam.gke.io/gcp-service-account=cloudsqlsa@${PROJECT_ID}.iam.gserviceaccount.com
Outputnya mirip dengan hal berikut ini:
serviceaccount/default annotated
Siapkan dan terapkan file k8s.yaml.
cp ~/duetaidev/k8s.yaml_tmpl ~/shipping/.
export INSTANCE_NAME=$(gcloud sql instances list --format='value(name)')
export INSTANCE_CONNECTION_NAME=$(gcloud sql instances describe ${INSTANCE_NAME} --format="value(connectionName)")
export IMAGE_REPO=us-central1-docker.pkg.dev/${PROJECT_ID}/shipping/shipping
envsubst < ~/shipping/k8s.yaml_tmpl > k8s.yaml
kubectl apply -f k8s.yaml
Outputnya mirip dengan hal berikut ini:
deployment.apps/shipping created service/shipping created
Tunggu hingga Pod berjalan dan Service memiliki alamat IP load balancer eksternal yang ditetapkan.
kubectl get pods kubectl get service shipping
Outputnya mirip dengan hal berikut ini:
# kubectl get pods NAME READY STATUS RESTARTS AGE shipping-f5d6f8d5-56cvk 1/1 Running 0 4m47s shipping-f5d6f8d5-cj4vv 1/1 Running 0 4m48s shipping-f5d6f8d5-rrdj2 1/1 Running 0 4m47s # kubectl get service shipping NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE shipping LoadBalancer 34.118.225.125 34.16.39.182 80:30076/TCP 5m41s
Untuk cluster Autopilot GKE, tunggu beberapa saat hingga resource siap.
Akses layanan melalui alamat EXTERNAL-IP.
export EXTERNAL_IP=$(kubectl get svc shipping --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
curl http://${EXTERNAL_IP}/packages/1
Outputnya mirip dengan hal berikut ini:
{"depth":10.0,"height":10.0,"special_handling_instructions":"No special handling instructions.","weight":10.0,"width":10.0}
7. Kredit Tambahan: Memecahkan masalah aplikasi
Hapus peran IAM Klien CloudSQL dari akun layanan cloudsqlsa. Tindakan ini menyebabkan error saat menghubungkan ke database CloudSQL.
gcloud projects remove-iam-policy-binding ${PROJECT_ID} \
--member="serviceAccount:cloudsqlsa@${PROJECT_ID}.iam.gserviceaccount.com" \
--role="roles/cloudsql.client"
Memulai ulang Pod pengiriman.
kubectl rollout restart deployment shipping
Setelah Pod dimulai ulang, coba akses layanan shipping lagi.
export EXTERNAL_IP=$(kubectl get svc shipping --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
curl http://${EXTERNAL_IP}/packages/1
Outputnya mirip dengan hal berikut ini:
... <title>500 Internal Server Error</title> <h1>Internal Server Error</h1> <p>The server encountered an internal error and was unable to complete your request. Either the server is overloaded or there is an error in the application.</p>
Periksa Log dengan membuka Kubernetes Engine > Workload
Klik deployment shipping, lalu tab Logs.
Klik ikon View in Log Explorer 
di sisi kanan status bar. Tindakan ini akan membuka jendela Log Explorer baru.
Klik salah satu entri error Traceback, lalu klik Explain this Log Entry.
Anda dapat membaca penjelasan error.
Selanjutnya, mari kita gunakan Duet AI untuk membantu memecahkan error tersebut.
Coba perintah berikut.
Perintah 1: Bantu saya memecahkan masalah error ini
Masukkan pesan error pada dialog.
Perintah 2: Dilarang: Akun utama IAM yang diautentikasi tampaknya tidak diberi otorisasi untuk membuat permintaan API. Verifikasi 'Cloud SQL Admin API' diaktifkan dalam project GCP dan 'Klien Cloud SQL' peran telah diberikan ke akun utama IAM
Lalu.
Perintah 3: Bagaimana cara menetapkan peran Klien Cloud SQL ke akun layanan Google menggunakan gcloud?
Tetapkan peran Klien Cloud SQL ke cloudsqlsa.
gcloud projects add-iam-policy-binding ${PROJECT_ID} \
--member="serviceAccount:cloudsqlsa@${PROJECT_ID}.iam.gserviceaccount.com" \
--role="roles/cloudsql.client"
Tunggu beberapa saat dan coba akses aplikasi lagi.
export EXTERNAL_IP=$(kubectl get svc shipping --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
curl http://${EXTERNAL_IP}/packages/1
Outputnya mirip dengan hal berikut ini:
{"depth":10.0,"height":10.0,"special_handling_instructions":"No special handling instructions.","weight":10.0,"width":10.0}
Anda telah berhasil menggunakan Duet AI di Cloud Logging, Log Explorer, dan fitur Log Explainer untuk memecahkan masalah tersebut.
8. Kesimpulan
Selamat! Anda berhasil menyelesaikan codelab ini.
Dalam codelab ini, Anda telah mempelajari hal berikut:
- Aktifkan Duet AI di project GCP Anda dan konfigurasikan untuk digunakan di IDE dan Konsol Cloud.
- Gunakan Gemini untuk pembuatan, penyelesaian, dan penjelasan kode.
- Menggunakan Gemini untuk menjelaskan dan memecahkan masalah aplikasi.
- Fitur Duet AI seperti chat IDE dan chat multi-giliran, chat vs pembuatan kode inline, tindakan cerdas seperti penjelasan kode dan pengakuan pembacaan, dan banyak lagi.
9. Lampiran
package-service.yaml
swagger: "2.0"
info:
title: Shipping and Package Information API
description: This API provides information about shipping and packages.
version: 1.0.0
host: shipping.googleapis.com
schemes:
- https
produces:
- application/json
paths:
/packages/{product_id}:
get:
summary: Get information about a package
description: This method returns information about a package, including its height, width, depth, weight, and any special handling instructions.
parameters:
- name: product_id
in: path
required: true
type: integer
format: int64
responses:
"200":
description: A successful response
schema:
type: object
properties:
height:
type: integer
format: int64
width:
type: integer
format: int64
depth:
type: integer
format: int64
weight:
type: integer
format: int64
special_handling_instructions:
type: string
"404":
description: The product_id was not found
data_model.py
from sqlalchemy import Column, Integer, String, Float
from sqlalchemy.ext.declarative import declarative_base
from connect_connector import engine
Base = declarative_base()
class Package(Base):
__tablename__ = 'packages'
id = Column(Integer, primary_key=True)
product_id = Column(Integer, nullable=False)
height = Column(Float, nullable=False)
width = Column(Float, nullable=False)
depth = Column(Float, nullable=False)
weight = Column(Float, nullable=False)
special_handling_instructions = Column(String, nullable=True)
def create_tables():
Base.metadata.create_all(engine)
if __name__ == '__main__':
create_tables()
print('Tables created successfully.')
connect_connector.py
import os
from google.cloud.sql.connector import Connector, IPTypes
import sqlalchemy
# You may need to manually import pg8000 and Base as follows
import pg8000
from sqlalchemy.ext.declarative import declarative_base
def connect_with_connector() -> sqlalchemy.engine.base.Engine:
"""Initializes a connection pool for a Cloud SQL instance of Postgres."""
# Note: Saving credentials in environment variables is convenient, but not
# secure - consider a more secure solution such as
# Cloud Secret Manager (https://cloud.google.com/secret-manager) to help
# keep secrets safe.
instance_connection_name = os.environ[
"INSTANCE_CONNECTION_NAME"
] # e.g. 'project:region:instance'
db_user = os.environ["DB_USER"] # e.g. 'my-database-user'
db_pass = os.environ["DB_PASS"] # e.g. 'my-database-password'
db_name = os.environ["DB_NAME"] # e.g. 'my-database'
ip_type = IPTypes.PRIVATE if os.environ.get("PRIVATE_IP") else IPTypes.PUBLIC
connector = Connector()
def getconn() -> sqlalchemy.engine.base.Engine:
conn: sqlalchemy.engine.base.Engine = connector.connect(
instance_connection_name,
"pg8000",
user=db_user,
password=db_pass,
db=db_name,
ip_type=ip_type,
)
return conn
pool = sqlalchemy.create_engine(
"postgresql+pg8000://",
creator=getconn,
# ...
)
return pool
# Create a connection pool
engine = connect_with_connector()
# Create a sessionmaker class to create new sessions
SessionMaker = sqlalchemy.orm.sessionmaker(bind=engine)
# Create a Base class for ORM
# You may need to manually fix the following
Base = declarative_base()
db_init.py
from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker
from connect_connector import engine
from data_model import Package
def create_packages():
# Create a session
session = sessionmaker(bind=engine)()
# Create 10 sample packages
for i in range(10):
package = Package(
product_id=i,
height=10.0,
width=10.0,
depth=10.0,
weight=10.0,
special_handling_instructions="No special handling instructions."
)
# Add the package to the session
session.add(package)
# Commit the changes
session.commit()
if __name__ == '__main__':
create_packages()
print('Packages created successfully.')
main.py
from flask import Flask, request, jsonify
from data_model import Package
from connect_connector import SessionMaker
app = Flask(__name__)
session_maker = SessionMaker()
@app.route("/packages/<int:product_id>", methods=["GET"])
def get_package(product_id):
"""Get information about a package."""
session = session_maker
package = session.query(Package).filter(Package.product_id == product_id).first()
if package is None:
return jsonify({"message": "Package not found."}), 404
return jsonify(
{
"height": package.height,
"width": package.width,
"depth": package.depth,
"weight": package.weight,
"special_handling_instructions": package.special_handling_instructions,
}
), 200
if __name__ == "__main__":
app.run(host="0.0.0.0")
test.py
import unittest
from data_model import Package
from connect_connector import SessionMaker
from main import app
class TestPackage(unittest.TestCase):
def setUp(self):
self.session_maker = SessionMaker()
def tearDown(self):
self.session_maker.close()
def test_get_package(self):
"""Test the `get_package()` function."""
package = Package(
product_id=11, # Ensure that the product_id different from the sample data
height=10,
width=10,
depth=10,
weight=10,
special_handling_instructions="Fragile",
)
session = self.session_maker
session.add(package)
session.commit()
response = app.test_client().get("/packages/11")
self.assertEqual(response.status_code, 200)
self.assertEqual(
response.json,
{
"height": 10,
"width": 10,
"depth": 10,
"weight": 10,
"special_handling_instructions": "Fragile",
},
)
if __name__ == "__main__":
unittest.main()
requirements.txt
cloud-sql-python-connector==1.2.4
sqlalchemy==1.4.36
pg8000==1.22.0
Flask==3.0.0
gunicorn==20.1.0
psycopg2-binary==2.9.3
Dockerfile
FROM python:3.10-slim
WORKDIR /app
COPY . ./
RUN pip install -r requirements.txt
# Add these manually for your project
ENV INSTANCE_CONNECTION_NAME=YOUR_INSTANCE_CONNECTION_NAME
ENV DB_USER=evolution
ENV DB_PASS=evolution
ENV DB_NAME=product_details
CMD ["python", "main.py"]