30分钟用Claude Code在Google Cloud构建部署应用

在B站的一场技术分享中，Google Cloud开发者倡导者Ivan Nardini展示了如何用Claude Code与Google Cloud在30分钟内完成一个反馈应用的构建与部署。这场演示不仅是一次工具串联，更揭示了AI辅助开发正在如何重塑企业软件交付的完整链路。

一个演示，五顶帽子：AI如何贯穿软件生命周期

Ivan用一个具体场景开场：在典型的企业开发中，产品经理提出想法，UI/UX设计师制作原型，软件工程师实现逻辑，安全工程师审查风险，数据分析师挖掘洞察——五个角色环环相扣，但也意味着反复的沟通与交接成本。

Claude Code的定位正是"增强"这五个角色。Ivan在演示中依次戴上产品经理、设计师、工程师、安全工程师和数据分析师的帽子，用同一个工具完成了从画草图到部署上线的全流程。这种"一人分饰多角"的演示方式，直观地呈现了AI编码代理对团队协作模式的压缩效应。

说个细节，观众互动环节透露了一个关键信息：大多数人已经用AI工具写代码，但只有少数人用同一个工具完成过部署。这正是本次分享试图弥合的能力缺口——从"本地能跑"到"云端能用"。

为什么选择Claude模型跑在Google Cloud上

在动手之前，Ivan先回答了"为什么要用Google Cloud上的Claude模型"这个问题。他的理由集中在企业级需求的几个痛点上：

• 按token计费，没有消息条数上限；
• 预置吞吐量（provisioned throughput） 可为生产级应用预留容量；
• 应用默认凭证（ADC） 自动发现凭据，无需管理API密钥轮换或环境变量；
• 模型在多个区域提供服务，支持全球端点和区域端点；
• 数据保留在用户自己的项目中，受自有策略管控。

配置流程也被大幅简化：Claude Code内置向导可以自动识别项目、区域和可用模型，用户只需"钉住"要用的模型即可开始构建。对于需要在合规框架内使用AI的企业来说，这套组合的吸引力在于"不用为了用模型而另建一套凭证和治理体系"。

预置吞吐量（provisioned throughput） 是云模型服务中的一种容量保障机制。按需计费模式下，请求会与其他租户共享算力池，高峰期可能出现排队或限流。预置吞吐量允许企业按单位时间预留固定的模型推理容量，类似数据库领域的“预留实例”或网络领域的“专用带宽”。对生产级应用而言，这意味着延迟和吞吐量可预期，不会因为邻居流量突增而抖动；代价是需要为闲置容量付费，因此更适合负载稳定或对SLA有明确要求的场景。Google Cloud上的Claude模型还支持全球端点与区域端点两种接入方式，前者路由到最近可用区域以降低延迟，后者则满足数据驻留与合规要求。

应用默认凭证（ADC，Application Default Credentials） 是Google Cloud客户端库的统一身份发现机制。代码无需硬编码API密钥或服务账号文件，ADC会按固定顺序查找凭据：环境变量GOOGLE_APPLICATION_CREDENTIALS指向的文件、gcloud CLI的本地登录态、以及运行在GCE/Cloud Run/GKE等环境时的内置服务账号。这让同一份代码在本地开发、CI流水线和云端运行时无需修改即可完成认证，也避免了API密钥轮换与泄露风险。

从餐巾纸草图到可交互原型

演示的第一阶段，Ivan扮演产品经理。他上传了一张手绘草图——用他的话说，是"在旧金山喝咖啡时画的"——并在Claude.md中说明身份和意图：从图片渲染出应用线框图原型，供设计师后续使用。几分钟内，Claude就生成了可展示的原型。

这一步的意义不在于渲染本身，而在于砍掉了产品经理与设计师之间"描述-返工-再描述"的循环。草图的模糊性被AI补全为结构化的界面语言，沟通成本显著下降。

随后，UI/UX设计师登场。这次的目标是产出可上生产的三页面应用：落地页、感谢页和实时反馈仪表盘。Ivan启用了plan mode——让Claude先思考并列出实施计划，再动手写代码。他模拟了通过Figma的MCP服务器接收设计文档，计划列出后人工确认，Claude再执行实现。最终从线框图迭代出了可用的界面。

工程师视角：不需要懂Google Cloud也能部署

第三顶帽子属于软件工程师。这里Ivan点出了一个常见困境：前端写完了，但不知道怎么部署到Google Cloud。他的解法是两个新发布的组件：

开发者知识API及其MCP服务器，让Claude Code能直接消费最新的Google Cloud文档，自行判断最佳架构。演示中选定的架构是：反馈API部署在Cloud Run无服务器服务上，用Firestore收集原始反馈，原始数据同步到BigQuery做分析，最终在Looker中呈现仪表盘。

Google Cloud Skills，则覆盖架构中的单个实现模块，比如"把API部署到Cloud Run"或"连接Cloud Run与Firestore"。MCP服务器给全局视野，Skills补执行细节。

更进一步的机制是子代理（sub-agent）。Ivan同时启动了三个子代理，分别负责API、数据摄取管道和仪表盘，并行推进实现——如同一次冲刺中的任务拆分。实现完成后，Claude还自动接管了测试环节。

MCP（Model Context Protocol） 是一个开放协议，用于让AI编码代理以标准化方式连接外部工具与数据源。可以把MCP服务器理解为“给模型用的插件”：每个服务器暴露一组工具（tools）和资源（resources），并附带机器可读的描述，Claude Code在运行时发现这些能力，再根据任务需要调用。与传统的函数调用相比，MCP的价值在于生态复用——同一个BigQuery MCP服务器可以被任何支持MCP的客户端使用，无需为每个AI工具单独写集成代码。这也是文章中开发者知识API、BigQuery和Looker能够以统一方式接入Claude Code的原因。

子代理（sub-agent） 是Claude Code中的一种任务委派机制。主代理可以把一个边界清晰、上下文独立的子任务交给子代理执行，子代理拥有自己的对话上下文和工具权限，完成后只把结果摘要返回主代理。这样做有两个好处：一是并行，多个子代理可同时处理API、数据管道和仪表盘等互不依赖的模块；二是隔离，子任务的中间过程不会撑爆主对话的上下文窗口。代价是需要人工或主代理做好任务拆分，并确保各子代理的产出在接口层面一致。

安全审查与一键上线

应用代码就绪后，第四顶帽子是安全工程师。Ivan使用Claude Code中预置的安全审查流程，检查OWASP常见问题，并限制服务账号的权限范围——比如确保对数据库的读写操作被规则约束。演示中Claude执行了首轮测试，发现一个潜在问题并自动修复，随后部署了后端API和前端。

最终交付的是一个Cloud Run上的实时端点。现场观众为这场分享打分，提交后仪表盘实时更新了响应数量、评分和可视化图表。Ivan还内置了一个反馈分析器，调用Google Cloud上的Claude模型，根据评论生成摘要。

OWASP（Open Web Application Security Project） 是一个非营利组织，其发布的OWASP Top 10列出了Web应用最常见的安全风险类别，例如注入攻击、失效的访问控制、安全配置错误和敏感数据泄露等。它并非可执行的检查清单，而是一套行业共识的风险分类框架，因此常被用作安全审查流程的“检查维度”。在AI辅助开发的语境下，把OWASP类别固化为可自动执行的审查步骤，意味着安全检查从上线前的人工评审前移为编码阶段的常规动作；但需要注意，自动化审查主要覆盖模式化问题，业务逻辑漏洞和权限设计的合理性仍需人工判断。

数据分析的最后一环与生态拼图

最后一顶帽子属于数据分析师。仪表盘上的响应时间等指标，可以回流到产品改进中。Ivan没有现场演示BigQuery和Looker的MCP服务器用法，但指出了获取路径：Google Cloud的Agent Registry列出了原生支持的MCP服务器，包括开发者知识服务和BigQuery MCP服务器，提供配置说明、可观测性功能和工具描述。Looker方面则有开源的MCP Toolbox for Databases，附带与Claude Code集成的快速上手指南。

这场演示真正说明了什么

从技术上看，这是一个工具链的整合展示。但更深层的信息是：AI编码代理的价值正在从"补全代码"转向"接管流程"。Skills补足领域知识，MCP服务器打通外部系统，子代理实现并行执行，安全审查被前置为可自动化的步骤——这些组件拼在一起，指向的是一种新的交付范式：开发者描述意图，AI负责从原型到部署的路径规划与执行。

Ivan在结尾强调，演示代码会在会后发布，Google Cloud与Anthropic两侧都有快速上手文档。对于已经在用AI写代码、但尚未打通部署链路的团队来说，这套组合提供了一个可复现的起点。