在 Google Cloud 上用 Claude 打造應用程式（第 2/2 段）

🧑‍🏫 這段接著示範用 Claude Code 在 Google Cloud 上做出一個回饋 app，流程是設計、實作、安全審查、上線，最後分析使用者回饋。講者想說明，就算沒做過雲端開發，只要把 AI 工具搭配好，一個人也能完整走完這一輪。整段是實際操作，很適合用來了解 AI 開發的分工方式。

• 13:16 架構設計：用 Firestore 這類 web 導向的資料庫，收集回饋 app 送進來的原始回應
  ↳ 架構設計就是先決定 app 由哪些零件組成。Firestore 是 Google 的雲端資料庫，適合網頁 app 隨時寫入資料，這裡用來接住使用者送出的每一筆原始回饋。
• 13:16 為了做分析，原始回應也會存進分析型資料倉儲 BigQuery，在那裡後處理，再放到 Looker 的 dashboard 上呈現
  ↳ 同一份資料會再存一份到 BigQuery。它是專門拿來大量統計的資料倉儲，資料在這裡整理好，再交給 Looker 這個報表工具，做成 dashboard，也就是一眼就能看懂數字的圖表面板。
• 13:48 講者說，就算你之前不會做這些，也能用 Claude Code（字幕記為 Co-Code）搭配 MCP server 做出來
  ↳ Claude Code 是讓 AI 直接在電腦上寫程式、跑指令的工具。MCP server 是讓它連上外部資料或服務的接口。講者的意思是，沒碰過雲端，靠這個組合也做得出來。
• 13:48 MCP server 和 developer knowledge API 會搭配 skills 一起用：MCP server 負責設計整體架構，skills 負責實作架構裡的單一元件
  ↳ 兩邊分工不同。MCP server 加上 developer knowledge API（讓 Claude 查得到 Google Cloud 開發文件的服務）負責看全局、畫藍圖；skills 是寫好的做事步驟包，負責把藍圖裡的某一塊做出來。
• 14:19 已釋出的 skill 範例：把 API 部署到 Cloud Run、把 Cloud Run 接上 Firestore。skill 著重實作本身，不是給整體藍圖
  ↳ 舉「把 API 部署到 Cloud Run」這個 skill 為例：API 是程式之間溝通的窗口，Cloud Run 是 Google 讓 app 上線運作的服務。skill 只管把這一件事做好，不負責規劃整體。
• 14:50 Claude Code 裝好文件 MCP server 和這些 skills 之後，就能直接實作前面講的架構，而且可以平行進行
  ↳ 兩樣都裝好之後，Claude Code 既知道整體怎麼設計，也知道每一塊怎麼做，就能照架構直接動手。而且好幾塊可以同時進行，不用做完一塊才開始下一塊。
• 14:50 開三個 subagent，分別負責 API、ingestion pipeline 和 dashboard，平行實作各元件，就像平常開發流程裡跑一次團隊 sprint
  ↳ subagent 是 Claude Code 分派出去的小幫手，各自專心做一件事。這裡開三個，分別做 API、ingestion pipeline（把資料搬進分析庫的流程）和 dashboard，就像團隊 sprint（短期衝刺）分工。
• 15:22 Demo：先確認文件 MCP server 已啟用，也有預先做好的 skills；只下一個很簡單的 prompt，第一步是設計 cloud-native 後端
  ↳ 開工前先確認文件 MCP server 已經開啟、skills 也準備好了。prompt 就是你打給 AI 的指令，這裡寫得很簡短。第一步是請 Claude 設計 cloud-native 後端，也就是一開始就照雲端特性規劃的幕後系統。
• 15:54 Claude 先產出架構草稿。這裡本來可以用 plan mode，講者為了簡化沒用；接著用提供的其中一個 skill 實作 API
  ↳ Claude 先交出架構草稿給人看過。plan mode 是 Claude Code「先規劃、不直接改檔案」的模式，講者為了省步驟沒開。接著就用現成的 skill 把 API 做出來。
• 15:54 架構和 API spec 都滿意之後，下一步是平行跑多個 agent，實作 app 的三個元件
  ↳ API spec 是 API 的規格書，寫清楚它收什麼資料、回什麼資料。先確認藍圖和規格都沒問題，再讓多個 agent 同時開工，這樣分頭做完的東西才兜得起來。
• 16:24 實作速度很快；實作完成後 Claude Code 也會處理測試，最後得到可以部署到 Google Cloud 的 app
  ↳ 三塊很快就做完了。Claude Code 還會自己寫測試、跑測試，確認程式照預期運作。最後得到一個可以直接部署到 Google Cloud 的 app。
• 16:56 app 要部署到雲端、開放給更多人用，想放心部署，就該先跑一次 security review；每家公司的資安要求不一樣
  ↳ 自己用和開放給大家用是兩回事。上線前要先做 security review，也就是安全審查，找出可能被攻擊或外洩資料的地方。要查哪些項目，得看各公司自己的資安規定。
• 16:56 security review 的例子之一：檢查 app 能不能擋住最常見的 OWASP 問題
  ↳ OWASP 是國際知名的網路資安組織，整理了最常見的網站漏洞清單。這項檢查就是確認 app 能不能擋住這些常見的攻擊方式，例如有人故意輸入惡意內容來搞破壞。
• 17:27 例子之二：部署到雲端時可能會用 service account，呼叫特定 API（例如讀寫 DB）時要依角色限制它的權限，控制 app 在雲端執行時能做的事
  ↳ service account 是給程式用的帳號，app 在雲端用這個身分去讀寫資料庫。原則是依角色只給剛好夠用的權限，萬一被人濫用，能造成的損害也比較有限。
• 17:57 講者強調流程圖大幅簡化了真實情況：demo 中 security engineer 不只核准 app 夠安全，還直接負責部署
  ↳ 講者提醒流程圖是簡化過的。真實公司裡，寫程式、審資安、部署通常是不同人負責；demo 裡則由 security engineer（負責資安的工程師）同時審查和部署。
• 18:29 Demo 用的是 Claude Code 內建的 security review，prompt 一樣很簡單；Claude Code 先確認一切符合要求，發現一個可能的問題就自動修好
  ↳ Claude Code 本身就有 security review 功能，一句簡單的指令就能啟動。它逐項核對是否符合要求，發現一個可能的問題後，不只回報，還直接修好。
• 19:00 確認安全後部署後端 API，最後得到 app 的 endpoint，app 正式上線
  ↳ 確認安全後，把後端 API 部署上雲。endpoint 是這個 API 在網路上的網址，app 透過它送出和讀取資料。拿到網址，app 就正式上線了。
• 19:38 app 跑在 GCP 的 Cloud Run 上。Cloud Run 是用來部署 app 的 serverless 服務
  ↳ GCP 是 Google Cloud Platform 的縮寫。serverless 的意思是不用自己準備和管理主機，把 app 交給平台就能跑起來。Cloud Run 就是這種服務。
• 20:08 現場有觀眾打了 5 分，回應數、分數和視覺化圖表都即時更新
  ↳ 現場有觀眾實際打了 5 分，後台的回應數、分數和圖表馬上跟著更新。這證明從填寫、存資料到顯示結果，整個流程都跑得通。
• 20:08 講者另外做了 feedback analyzer：按下去會呼叫 Google Cloud 上的 Claude，根據回饋和留言產生摘要
  ↳ feedback analyzer 是講者另外加的分析功能：按一下，就請 Google Cloud 上的 Claude 讀完所有評分和留言，整理成一段摘要，不用自己一則一則看。
• 20:40 開發週期的最後一步是有人開始用 app。像 dashboard 上的 KPI「回應時間」（填一次回饋花多久）這類資料，可以收集、分析，產出改善 app 的洞察
  ↳ app 上線後，價值來自使用者資料。KPI 是衡量成效的關鍵指標，例如「填一次回饋花多久」。把這類數據收集起來分析，就能找到改善 app 的方向。
• 21:42 Google Cloud 上分析資料的服務：分析型資料倉儲用 BigQuery，報表用 Looker；不會用這兩個也沒關係，因為也有對應的 MCP server
  ↳ 分析資料靠兩個服務：BigQuery 負責存資料和計算，Looker 負責做報表。不會操作也沒關係，這兩個服務都有 MCP server，可以請 Claude 透過它們幫你查詢、幫你做報表。
• 22:13 時間有限，講者沒有 demo 用 MCP server 查 BigQuery 或做 dashboard，只說明去哪裡找資料；程式碼會公開
  ↳ 時間不夠，講者沒有實際示範用 MCP server 查 BigQuery 或做 dashboard，只說明可以去哪裡找資料。完整程式碼之後會公開，可以自己照著做。
• 22:43 最近發表的 agent platform 裡有 agent registry，列出 Google Cloud 原生支援的所有 MCP server，例如 developer knowledge service、BigQuery MCP server
  ↳ agent platform 是 Google Cloud 最近發表的 AI agent 平台。其中的 agent registry 像一份目錄，列出 Google Cloud 原生支援的 MCP server，例如開發文件查詢和 BigQuery。
• 23:14 agent registry 會教你怎麼在自己這邊設定 MCP server，另外提供 observability 功能和該 server 所有 tools 的說明
  ↳ agent registry 還會教你怎麼在自己這邊設定 MCP server，也提供 observability（看得到運作狀況和紀錄），並說明每個 tool，也就是 MCP server 能執行的各項功能。
• 23:46 Looker 這部分：已釋出開源的 MCP toolbox（字幕記為 MCP toolbox of DB），內含 Looker 整合，並附有文件很完整的 quick start
  ↳ Looker 要搭配 MCP toolbox 使用。這是一個開源（任何人都能免費取用、修改）的 MCP server 工具包，已內建 Looker 整合，也附上寫得很完整的 quick start（快速入門教學）。
• 24:17 把 BigQuery 和 Looker 這兩部分整合進來，留給觀眾當作業；講者說不難，做出來的 dashboard 很強大
  ↳ 把 BigQuery 和 Looker 接進來這一段，留給觀眾當作業自己做。講者說不難，而且做出來的 dashboard 功能很強。
• 24:49 總結一：Claude Code 的各個元件（skills、MCP server、subagent）能大幅加快軟體開發
  ↳ 總結一：skills 提供做法，MCP server 負責整體設計，subagent 同時分頭實作。三者搭配起來，能讓軟體開發速度大幅提升。
• 24:49 總結二：在 GCP 上用 Claude Code 搭配 Claude 模型很順；demo 跑了好幾個 session、換了好幾種角色，體驗都很順暢
  ↳ 總結二：在 GCP 上用 Claude Code 搭配 Claude 模型很順。demo 開了好幾個 session（工作階段），輪流扮演開發和資安等角色，整個過程都很順暢。
• 25:19 程式碼會在場次結束後公開；Google Cloud 和 Anthropic 兩邊都有 quick start 和持續維護的文件
  ↳ 程式碼會在場次結束後公開。Google Cloud 和 Anthropic 兩邊都有快速入門和持續更新的文件，想動手做的人不用從零開始摸索。

Demo 中 Claude Code 開了三個 subagent 平行實作，分別負責哪三個元件？