Claude
开发者借助Claude Code调用GCP原生MCP服务器与子代理,无需掌握底层云配置即可在半小时内自动化完成从手绘草图到Cloud Run云端上线的全流程闭环开发。
AI-assisted summary of Building with Claude on Google Cloud — original source. Check the original for full context.
Source published:
Key ideas
- Google Cloud 开发者布道师 Ivan Nardini 现场演示了利用 Claude Code 在 30 分钟内完成全生命周期反馈应用的端到端构建与部署,完整覆盖 PM、UI/UX、SWE、安全工程师和数据分析师五种角色。 (0:05)
- 在 Google Cloud 上运行 Claude Code 可通过应用默认凭据(ADC)免去手动管理与轮转 API Key 的繁琐,并提供按 Token 实际用量计费、预配吞吐量(Provisioned Throughput)以及企业级 IAM 数据合规等优势。 (3:41)
- Google Cloud 推出了集成 Developer Knowledge API 与 BigQuery 的专属 MCP 服务器及预构建 Cloud Skills,使完全不了解 GCP 的开发者也能借助 Claude Code 推导架构并完成 Cloud Run 无服务器部署。 (11:49)
- 官方推出了统一的 GCP Agent Platform 与开源 MCP Toolbox for Databases,支持在云端通过子代理并行开发并将数据无缝接入 Looker 仪表板进行分析。 (20:56)
Detailed notes
## Background 本内容由 Claude 官方频道于 2026 年 5 月 8 日在 YouTube 平台发布。视频记录了一场在 30 分钟内从零开始构建并完成部署的现场演示,展示了如何结合 Claude 与 Google Cloud,并利用子代理(Subagents)、MCP 服务器和自定义技能,跨越五种角色完成全生命周期的反馈应用开发。
## TL;DR 来自 Google Cloud 的开发者布道师 Ivan Nardini 现场演示了如何借助运行在 Google Cloud 上的 Claude Code,端到端交付一个全功能反馈收集与分析应用。他先后扮演了产品经理、UI/UX 设计师、软件工程师、安全工程师和数据分析师五种角色,展示了手绘草图秒变可交互线框图、Plan Mode 驱动多页面高保真重构,以及调用 Google Cloud MCP 服务器和 Skills 指导云原生后端架构设计。随后,系统拉起三个独立子代理并发编写 API、数据流水线和看板代码,经过自动化安全合规审查与热修复后一键部署到 Cloud Run,并通过 BigQuery MCP 实现了实时数据闭环分析。
## Atmosphere & style 整场演讲节奏紧凑且充满极客张力,布道师一边在终端与浏览器之间行云流水地切换操作,一边以轻松幽默的语调带动现场气氛。从最初现场鲜有人在 GCP 上完整跑通 AI 部署的尴尬对比,到随着子代理并发编写代码、实时测试及安全修复逐项亮起绿灯,现场的情绪弧线稳步拉升。当观众在台上实时提交满分好评、后台看板瞬间刷新并调用 Claude 给出摘要洞察时,整个展示达到了高潮,带给观众极强的实操信服感与云端原生 AI 开发的震撼体验。
## Bulletin - [00:05](https://www.youtube.com/watch?v=SqHsS737CeA&t=5s) Google Cloud 开发者布道师 Ivan Nardini 现场演示了利用 Claude Code 在 30 分钟内完成全生命周期反馈应用的端到端构建与部署,完整覆盖 PM、UI/UX、SWE、安全工程师和数据分析师五种角色。 - [03:41](https://www.youtube.com/watch?v=SqHsS737CeA&t=221s) 在 Google Cloud 上运行 Claude Code 可通过应用默认凭据(ADC)免去手动管理与轮转 API Key 的繁琐,并提供按 Token 实际用量计费、预配吞吐量(Provisioned Throughput)以及企业级 IAM 数据合规等优势。 - [11:49](https://www.youtube.com/watch?v=SqHsS737CeA&t=709s) Google Cloud 推出了集成 Developer Knowledge API 与 BigQuery 的专属 MCP 服务器及预构建 Cloud Skills,使完全不了解 GCP 的开发者也能借助 Claude Code 推导架构并完成 Cloud Run 无服务器部署。 - [20:56](https://www.youtube.com/watch?v=SqHsS737CeA&t=1256s) 官方推出了统一的 GCP Agent Platform 与开源 MCP Toolbox for Databases,支持在云端通过子代理并行开发并将数据无缝接入 Looker 仪表板进行分析。
## Key takeaways - [00:05](https://www.youtube.com/watch?v=SqHsS737CeA&t=5s) 软件工程全生命周期可通过 AI 智能体赋能串联,在 PM、UI/UX、SWE、安全与数据分析五种角色间实现无缝闭环流转。 - [03:41](https://www.youtube.com/watch?v=SqHsS737CeA&t=221s) 在 GCP 上运行 Claude 能够摆脱包月订阅的消息条数上限限制,享受按实际 Token 用量计费与高并发专属预配吞吐量。 - [03:41](https://www.youtube.com/watch?v=SqHsS737CeA&t=221s) 利用应用默认凭据(ADC)与交互式向导,Claude Code 能自动识别 GCP Project ID 与模型托管区域,在企业合规边界内实现无密钥治理调用。 - [06:51](https://www.youtube.com/watch?v=SqHsS737CeA&t=411s) 产品经理仅凭纸笔手绘草图即可通过 Claude Code 解析并快速渲染出可交互的前端原型线框图,极大缩减跨团队沟通成本。 - [08:40](https://www.youtube.com/watch?v=SqHsS737CeA&t=520s) 启用规划模式(Plan Mode)可使 Claude 在正式写代码前深度思考并呈现修改计划,支持结合 Figma 设计规范生成高保真多页面组件。 - [11:49](https://www.youtube.com/watch?v=SqHsS737CeA&t=709s) 开发者无需掌握 Google Cloud 复杂知识,借助官方 Developer Knowledge API 的 MCP 服务器即可自动推导最优云原生架构。 - [11:49](https://www.youtube.com/watch?v=SqHsS737CeA&t=709s) Google Cloud Skills 专注于将部署 Cloud Run、连接 Firestore 和 BigQuery 等微观构建块逻辑以模块化方式赋能给 Claude。 - [15:03](https://www.youtube.com/watch?v=SqHsS737CeA&t=903s) 利用 Subagents(子代理)机制可并发拉起 API 开发、数据摄取流水线以及仪表板编写任务,并自动组织自动化测试以生成可部署代码库。 - [16:50](https://www.youtube.com/watch?v=SqHsS737CeA&t=1010s) 部署前自动化安全审查不仅扫描 OWASP 漏洞,还会强制执行服务账号最小特权原则,并在检测到潜在隐患时完成自动化就地修复。 - [16:50](https://www.youtube.com/watch?v=SqHsS737CeA&t=1010s) 部署于 Cloud Run 上的反馈应用可内置结合 Claude 的分析工具,对实时收集到的用户评分和文本评价生成结构化反馈洞察。 - [20:56](https://www.youtube.com/watch?v=SqHsS737CeA&t=1256s) GCP Agent Platform 的 Agent Registry 为开发者提供了集中管理官方 MCP 服务器、工具接口及可观测性监控的一站式平台。 - [23:38](https://www.youtube.com/watch?v=SqHsS737CeA&t=1418s) 开源的 MCP Toolbox for Databases 将 BigQuery 与 Looker 原生集成,使智能体能够自动查询后台业务指标并搭建可视化看板。
## Detailed walkthrough ### [00:05](https://www.youtube.com/watch?v=SqHsS737CeA&t=5s) 企业软件生命周期的五种角色与 Claude 的结合
来自 Google Cloud 的开发者布道师 Ivan Nardini 开场向观众致意,并说明自己正致力于与 Anthropic 合作构建内容。为了解现场情况,他向台下抛出两个问题:上周有多少人使用 AI 工具编写代码或构建应用?现场绝大多数人举手;然而当问到有多少人使用同一个 AI 工具在 Google Cloud 上构建并部署应用时,举手的人寥寥无几。Ivan 指出,当天的核心目标正是改变这一现状,展示如何利用运行在 Google Cloud 上的 Claude 端到端地构建并部署应用。为了完整呈现这一流程,他将分别扮演企业团队中参与新功能或新产品研发的五种角色,在演讲结束时交付一个让全场观众现场给他的演讲打分的反馈应用(Feedback App)。
```mermaid flowchart LR accTitle: 软件开发生命周期的五种核心角色协同流 accDescr: 展示产品经理、UI/UX设计师、软件工程师、安全工程师与数据分析师在软件生命周期中的协作闭环。
subgraph ideation ["设计与构想"] PM["产品经理 (PM)"] UI["UI/UX 设计师"] end
subgraph dev_sec ["开发与安全"] SWE["软件工程师"] SEC["安全工程师"] end
subgraph ops_data ["分析与反馈"] DATA["增长分析师 / 数据分析师"] end
PM -->|"手绘原型 / 构想"| UI UI -->|"高保真界面组件"| SWE SWE -->|"核心逻辑与部署"| SEC SEC -->|"安全审计合规"| DATA DATA -->|"数据洞察与反馈"| PM ```
关于整个协同链路与 Anthropic 编码智能体的赋能关系,Ivan Nardini 总结道:“Now with respect to these personas, Claude Code, the Anthropic's coding agent, augment all of them providing several components that we are going to use today.”
- **产品经理(PM)**:提出改进现有产品或新增功能的想法。 - **UI/UX 设计师**:根据 PM 的构思进行界面视觉化原型设计。 - **软件工程师**:基于设计原型编写底层核心业务逻辑,使产品能真正面向用户交付。 - **安全工程师**:在正式发布前执行安全合规审查,确保上线质量稳妥无虞。 - **增长营销 / 数据分析师**:采集并分析应用产生的数据,提炼业务洞察并反哺给产品经理,推动产品持续迭代。
---
[03:41](https://www.youtube.com/watch?v=SqHsS737CeA&t=221s) 为什么选择在 Google Cloud 上运行 Claude Code
在开始构建前,首先要配置 Claude Code 并连接 Google Cloud 上的模型。Ivan 表示双方合作极大简化了配置门槛,最快捷的方式是利用应用默认凭据(Application Default Credentials,ADC)。ADC 会根据当前运行环境自动抓取凭据(如本地用户登录凭据)。此外,Claude Code 新引入了交互式引导向导(Wizard),能自动检测用户的 GCP Project ID 以及托管模型的对应区域(Region),列出该项目可用的模型并允许用户直接固定(Pin)所需模型。
针对开发者常问的“既然可以直接用 Claude Code 配 Claude 模型,为什么还要通过 GCP 调用”这一疑问,Ivan 从企业级生产环境角度阐述了多项核心优势。Ivan Nardini 强调:“So, first of all, because you pay for what you use.”
- **按 Token 实际用量付费**:不同于常规包月订阅工具存在的消息数量上限(Message Cap),在 GCP 上调用无需担心消息条数被截断。 - **预配吞吐量(Provisioned Throughput)**:生产级企业应用可以提前预留专属吞吐量,保障高并发下的可用性与稳定性。 - **无缝密钥治理**:借助 ADC 免去了手动配置敏感环境变量或频繁轮转(Rotate)API Key 的繁琐与风险。 - **数据合规与私密性**:数据在交互过程中始终停留在企业自身的 GCP 项目边界内,完全遵循项目内部设定的 IAM 安全策略。 - **全球与区域级端点高可用**:模型同时服务于全局端点(Global Endpoint)与区域端点(Regional Endpoint),依托 Google Cloud 基础设施的SLA高可用标准运行。
---
[06:51](https://www.youtube.com/watch?v=SqHsS737CeA&t=411s) 角色一(PM):手绘草图秒变可交互线框图
Ivan 戴上第一顶帽子——产品经理。在以往的工作模式中,PM 有了新想法后需要找 UI/UX 设计师反复开会沟通,才能产出原型。而现在,PM 可以在旧金山的咖啡馆喝咖啡时随手拿纸笔勾勒一张草图,剩下的工作直接交给 Claude。
Ivan 展示了 Claude Code 终端界面的实际操作。在项目中配置好规范指令的 `CLAUDE.md` 文件后,直接向 Claude 提交手绘草图并输入 Prompt:明确自己是一名 PM,希望基于这张草图渲染出应用的初代原型线框图(Wireframe),以便后续交接给 UX 设计师。几分钟内,Claude 顺利将手绘草稿解析并渲染为结构清晰的页面原型。Ivan 感慨这种工作流省去了过去来回拉扯修改(Back and forth)的沟通成本,以极高效率实现了创意的初次视觉落地。
---
[08:40](https://www.youtube.com/watch?v=SqHsS737CeA&t=520s) 角色二(UI/UX 设计师):Plan Mode 驱动高保真界面与多页面设计
接下来,Ivan 切换为 UI/UX 开发者视角。原型需要进一步打磨成生产可用的高保真页面。针对本次演示的打分应用,UI 需要至少实现三个核心页面:用户进入的 Landing Page、提交后的 Thank You 确认页,以及能实时展示全场打分反馈的统计 Dashboard。
为了让界面重构更为严谨可控,Ivan 在 Claude Code 中启用了“规划模式”(Plan Mode)。Ivan Nardini 解释采用该模式的关键原因:“So, with the plan mode, what we do, we put Claude in a mode where it thinks before to like it thinks and propose what is going to do before to implement any code.” 这赋予了开发者在代码落地前根据个人偏好、或通过 MCP(Model Context Protocol)接入 Figma 设计规范进行评估和修正的自由度。
在实际演示中,Ivan 传入了模拟自 Figma 的设计规范文档(Design Doc)并开启 Plan Mode。Claude 首先拆解出需要调整的组件结构,条理清晰地列出执行计划;用户审阅确认后一键接受,Claude 随即执行代码重构,将原本粗糙的 Wireframe 转化成设计规范统一、可直接在后续环节使用的多页面前端界面。
---
[11:00](https://www.youtube.com/watch?v=SqHsS737CeA&t=660s) 角色三(软件工程师):打通 Google Cloud 部署认知鸿沟
完成前端页面设计后,Ivan 戴上第三顶帽子——软件工程师。此时软件工程师接收到了上一阶段交付的所有前端组件,但他可能面临一个很多现场开发者共通的痛点:完全不熟悉 Google Cloud,不知道该选用哪些 GCP 服务组件,也不清楚如何将这套前端及配套后端实际部署上线。面对这道技术鸿沟,工程师需要借助 Claude 的上下文引导能力,在复杂的云服务生态中梳理出最匹配架构方案。
[11:49](https://www.youtube.com/watch?v=SqHsS737CeA&t=709s) 架构设计与 Google Cloud 开发者生态:MCP Server 与 Skills
演讲者介绍道,Google Cloud 投入了大量精力来融入围绕大模型蓬勃发展的 AI 编码生态系统。在过去几个月中,Google Cloud 推出了两项关键能力:一是附带专属 MCP(Model Context Protocol)服务器的 Developer Knowledge API,二是预构建的 Google Cloud Skills。
```mermaid flowchart TD accTitle: Claude Code 与 Google Cloud 架构集成流程 accDescr: 展示 Claude Code 如何利用 MCP 服务器获取知识、利用 Skills 实现部署,并组织子代理并行开发与安全审查
subgraph Design["设计与知识接入"] A["Developer Knowledge API\n(MCP Server)"] --> B["Claude Code 架构设计"] C["Google Cloud Skills\n(构建块实现)"] --> B end
subgraph Implementation["并行实现阶段 (Subagents)"] B --> D["API 子代理\n(Cloud Run)"] B --> E["数据摄取子代理\n(Firestore & BigQuery)"] B --> F["仪表板子代理\n(Looker / 分析看板)"] end
subgraph SecurityDeploy["安全与发布"] D & E & F --> G["自动化安全审查\n(OWASP / 服务账号权限)"] G --> H["自动化部署到 GCP\n(Cloud Run 端点上线)"] end ```
通过 Developer Knowledge API,Claude Code 能够直接通过 MCP 服务器获取最新的 Google Cloud 官方文档,从而自动分析并决定在云端部署特定应用程序的最佳架构与实现方式。演讲者强调,开发者根本不需要提前掌握在 Google Cloud 上部署应用的复杂知识:“This is very important because again, what we are saying here is that you don't need to know like how to deploy an application on Google Cloud. You can just leverage Claude Code and this MCP server that we expose now on Google Cloud side to build application like this one.”
对于本次展示的反馈收集应用,规划的完整架构包括: - **无服务器后端 API**:部署在 Google Cloud Run 上,负责接收前端请求。 - **Web 端面向文档的数据库**:采用 Firestore 收集来自反馈前端的原始提交数据。 - **分析型数据仓库**:将原始响应同步到 BigQuery 进行集中存储与后处理。 - **可视化仪表板**:在类似 Looker 的仪表板中消费并展现分析指标。
在这一分工体系中,MCP 服务器负责整体架构的设计与推导,而 Google Cloud Skills 则专注于具体构建块(Building Blocks)的代码实现细节。例如,官方提供的 Skill 可以直接指导 Claude 完成将 API 部署到 Cloud Run,或在 Cloud Run 与 Firestore 之间建立连接等单点任务。
[15:03](https://www.youtube.com/watch?v=SqHsS737CeA&t=903s) 子代理并行开发与云原生架构生成
在 Claude Code 中启用了文档 MCP 服务器与预设 Skills 后,用户无需按部就班地串行编写各个模块,而是可以通过 Subagents(子代理)并发推进开发任务。演讲者指出,系统在此处拉起了三个独立的子代理:一个专职处理 API,一个负责数据摄取流水线(Ingestion Pipeline),另一个则负责数据可视化仪表板。这种模式完美模拟了敏捷研发团队在一个 Sprint 中将任务拆解给不同成员并行推进的场景。
演讲者在现场展示了这一交互过程。他先输入了一条非常简练的提示词,第一步是让 Claude 设计云原生后端。Claude 随即生成了系统架构草案,并自动调用预设的 Skill 来生成对应的 API 规范(API Spec)。确认规范无误后,系统立刻并行触发多个子代理分别编写核心组件的代码。Claude Code 不仅以极快的速度完成了实现,还在编码完成后自动组织并运行了自动化测试,迅速产出了一套随时可以部署到 Google Cloud 的完整代码库。
- **多 Agent 分工**:分为 API 代理、流水线代理、仪表板代理,并行完成开发与单元测试。 - **无需 Plan Mode**:本次为了精简现场流程未开启深度 Plan 模式,依然依靠 Knowledge MCP 和 Skills 高质量完成了端到端实现。
[16:50](https://www.youtube.com/watch?v=SqHsS737CeA&t=1010s) 部署前安全审查与 Cloud Run 线上实测
当应用代码准备就绪后,若要面向更广泛的外部用户发布,安全性便成了不可逾越的环节。演讲者解释,各个团队的安全合规要求各不相同:既要排查常见的 OWASP Web 安全漏洞,也必须在云端运行层面严格落实最小特权原则。特别是针对调用数据库读写接口的 GCP 服务账号(Service Account),必须限制其角色权限边界,防止应用运行期间出现非预期的越权操作。
尽管在真实企业的生产实践中,安全审查和发布往往有极其严格的职责分离,但为了现场演示的完整性,流程做了一定简化:安全工程师角色在完成审核后直接触发自动发布。演讲者在 Claude Code 中运行了一个预设的安全审查命令: “And what is happening is Claude Code run the first task essentially double check that everything is aligned. It found like a possible issue and it automatically fixed it.” 在定位到潜在风险并完成就地热修复后,后端服务与 API 被自动化推送到 Cloud Run,现场直接生成了一个公网可访问的真实终端。
随后演讲者解锁笔记本,将画面切至屏幕投屏,展示实际运行在 GCP Cloud Run 上的反馈应用页面: - **实时打分互动**:演讲者现场询问观众给本次 Session 打几分,台下观众互动喊出“5分(满分)”,演讲者幽默地感谢道:“Oh, five? Oh, okay. Thank you, man. I really appreciate that.” - **实时数据看板刷新**:在界面提交“Cool session”评价与 5 分好评后,前端看板的响应总数、评分平均值与可视化分布即刻呈现实时变动。 - **集成 Feedback Analyzer**:演讲者额外编写了一个内置分析工具,点击后即在 Google Cloud 上调用 Claude 模型,根据用户提交的打分与文本评价,实时生成结构化的反馈洞察摘要。
[20:56](https://www.youtube.com/watch?v=SqHsS737CeA&t=1256s) 数据闭环与 GCP Agent Platform:BigQuery MCP 服务器
在应用顺利上线并完成交互体验后,整个软件生命周期进入了持续运营与数据分析阶段。前端收集的数据包含大量有价值的业务指标,例如演讲者在仪表板中设置的“响应耗时(Response Time)”KPI,它反映了用户从打开界面到提交反馈所花费的时间。这类指标汇集到后端后,能够用于深度分析用户行为并驱动产品的持续迭代。
在 Google Cloud 架构下,针对应用流转数据的深度分析通常由分析型数据仓库 BigQuery 承载,而报表呈现则依托 Looker。演讲者强调,即使是不熟悉这些云产品的开发者,也完全不需要为如何手写 SQL 或配置仪表板而焦虑,因为 Google Cloud 同样提供了对应的 BigQuery MCP 服务器来接管这些操作。
为了让开发者在会后能够直接上手复现,演讲者切回电脑屏幕,展示了官方最新推出的 GCP Agent Platform: - **Agent Registry 统一注册表**:集中收录了 Google Cloud 原生支持的所有 MCP 服务器与官方工具清单,包含前文演示的 Developer Knowledge Service 以及用于数据挖掘的 BigQuery MCP Server。 - **开箱即用的配置与可观测性**:注册表内不仅提供详尽的本地/云端 MCP 挂载指导与工具接口定义,还内置了面向 Agent 行为的 Observability(可观测性)监控特性,便于开发者全面掌控智能体的调用链路。整个演示项目的源码也将在会后全部公开。
[23:38](https://www.youtube.com/watch?v=SqHsS737CeA&t=1418s) Looker 与 BigQuery 的 MCP 集成及课后作业
演讲者接着介绍了数据分析与可视化的环节,重点说明了如何借助 Model Context Protocol(MCP)服务器查询业务数据。团队开源了名为 MCP Toolbox 的工具(MCP Toolbox for Databases),这是一个标准的 MCP 服务器实现,其中包含与 Looker 的原生集成。演讲者提到,官方提供了一份详尽易懂的快速入门指南,指导开发者如何配置 Claude Code 并通过 MCP 服务器直接消费来自 Google Cloud BigQuery 的数据,进而快速生成可视化看板。
由于现场时间所限,演讲者把 Looker 仪表盘的搭建部分留作观众的课后练习。他强调整个演练的代码都会在会后公开发布,开发者完全可以在回家后自行将数据查询与前端报表两部分连接起来。“It's pretty straightforward, but the dashboard that you can create, they are pretty powerful, and you will see how nice they can be.” 演讲者如此保证道,鼓励大家亲自动手体验这种强大的集成能力。
```mermaid flowchart LR accTitle: BigQuery与Looker通过MCP服务器连接架构 accDescr: 展示Claude Code如何通过开源MCP Toolbox连接BigQuery与Looker生成仪表板
subgraph Agent["AI 开发环境"] CC["Claude Code"] end
subgraph Integration["MCP 工具层"] MCP["MCP Toolbox for Databases<br/>(开源 MCP Server)"] end
subgraph GCP["Google Cloud 数据层"] BQ[("BigQuery 数据集")] LK["Looker 数据看板"] end
CC <-->|"查询与调用"| MCP MCP <-->|"拉取数据"| BQ MCP -->|"生成报表"| LK ```
- **开源组件**:发布了包含 Looker 集成的开源数据库 MCP 服务器(MCP Toolbox)。 - **快速入门(Quick Start)**:文档步骤非常详尽,能指引开发者顺利配置 Claude Code。 - **课后实战**:完整示例代码在演示后全面开源,供开发者自行尝试从 BigQuery 拉取数据并生成 Looker 仪表板。
---
[24:36](https://www.youtube.com/watch?v=SqHsS737CeA&t=1476s) 总结:Claude Code 与 Google Cloud 协同开发的强大威力
演讲在刚好卡准的时间点迎来了总结收尾。演讲者回顾了整场分享的两个核心主旨:首先是向大家展示 Claude Code 的核心组件——包括 Skills(自定义技能)、MCP 服务器以及 Subagents(子代理)——如何真正加速全流程软件工程生命周期;其次是证明将 Claude Code 与运行在 Google Cloud Platform(GCP)上的 Claude 模型相结合时体验是多么无缝顺畅。在刚刚过去的演示中,整个系统跨越了产品经理、架构师、开发者、测试与数据分析等多个角色,平稳且高效地完成了从零到部署的闭环开发。
演讲者激动地总结了这场多角色协同演示的感受:“Like if you saw we run several sessions across like multiple personas, and like it was the experience was just straightforward. It was just a incredible.” 他向现场观众推荐进一步查阅 Google Cloud 和 Anthropic 双方维护的高质量文档与快速上手项目,并展示了自己的社交媒体账号,热烈欢迎大家在会后继续提问、交流与提供使用反馈,最终在热烈的掌声中为本场演示画上句号。
- **多角色端到端演练**:在单次会话中无缝流转多个工程师角色(Personas),验证了全生命周期自动化的可行性。 - **双边文档支持**:Google Cloud 与 Anthropic 双方均提供了维护完备的集成指南与技术文档。 - **开源代码发布**:本场 30 分钟内现场开发的所有演示代码与配置文件在演讲结束后立即对外公开。
## Notable quotes > [08:40](https://www.youtube.com/watch?v=SqHsS737CeA&t=520s) So, with the plan mode, what we do, we put Claude in a mode where it thinks before to like it thinks and propose what is going to do before to implement any code. — Ivan Nardini
## Mentioned Ivan Nardini, Google Cloud, Anthropic, Claude, Claude Code, Application Default Credentials (ADC), Model Context Protocol (MCP), Figma, Developer Knowledge API, Google Cloud Skills, Cloud Run, Firestore, BigQuery, Looker, OWASP, Feedback Analyzer, GCP Agent Platform, Agent Registry, MCP Toolbox for Databases
## Video description A live build from zero to deployed in thirty minutes. We'll build a feedback app spanning five roles and the full software lifecycle, using Claude and Google Cloud alongside subagents, MCP servers, and custom skills. You can test the finished app at the end of the session.
[Source](https://www.youtube.com/watch?v=SqHsS737CeA)