Gemini 貫穿軟體開發生命週期

課程概述

Gemini 可以幫忙整理需求、比較設計方案、寫程式、補測試，也能協助讀錯誤紀錄。不過「每個階段都能用」不代表產出的內容可以直接一路送進正式環境。這堂課會把重點放在怎麼分工、怎麼驗證，以及哪些關卡仍要由團隊負責。

你將學到

• 在 SDLC 的每個階段識別 Gemini 可輔助的具體任務
• 使用 Gemini Code Assist 在 IDE 中進行程式碼生成與補全
• 運用 Gemini 進行程式碼審查與技術文件撰寫
• 結合 Cloud Build 與 Cloud Deploy 建立 AI 增強的 CI/CD 流程

核心概念

需求分析與設計階段

需求分析階段，可以請 Gemini 把訪談筆記整理成待確認的使用者故事、列出缺少的條件，或從不同角色角度找矛盾。到了設計階段，它適合拿來發想替代方案、整理取捨，甚至先起草 OpenAPI 規格。但需求是否正確、架構能不能符合成本與法規，仍要回到原始資料和負責人確認；一份寫得很完整的草稿，不等於需求已經被證明。

Gemini Code Assist

Gemini Code Assist 整合在 VS Code、JetBrains 等開發環境中，可提供程式碼補全、生成、解釋、轉換與審查建議。部分版本也能提供來源引用或相似程式碼資訊，協助開發者檢查建議內容；但這不是自動通過授權或安全審查。接受建議後，還是要跑既有的格式、型別、測試、弱點掃描與 Code Review。

時效提醒：2026 年 6 月 18 日起，Gemini Code Assist 個人版、Google AI Pro／Ultra 使用者的 IDE 擴充套件與 Gemini CLI 已停止提供服務，個人帳號可轉往 Antigravity 系列；Standard／Enterprise 訂閱不受這次異動影響。安裝前請先確認帳號方案，詳見官方棄用說明。

測試與品質保證

測試階段，可以請 Gemini 根據需求和程式碼起草單元測試、列出邊界條件，或協助解讀覆蓋率與堆疊追蹤。比較可靠的做法是先讓它說明每個測試對應哪一條需求，再由測試實際證明行為；不要只因為產生的測試全部通過，就認定功能沒有問題。除錯時也要移除 Token、個資與內部資料，再提供必要的錯誤上下文。

AI 增強的 CI/CD

若要把模型接進 CI/CD，應把它當成額外的建議來源，不是取代確定性的檢查。Cloud Build 仍要先跑編譯、測試、lint、依賴與安全掃描；模型可以摘要失敗原因、整理變更風險或提出測試缺口。涉及合併、權限變更與正式發布時，最好保留清楚的核准規則，模型回應逾時或不可用也不該讓整條管線失去控制。

實作重點

• 先確認帳號方案，再於支援的 IDE 安裝 Gemini Code Assist 或使用目前對應的開發工具
• 讓 Gemini 為一段現有程式碼產生單元測試，評估測試案例的完整性
• 使用沒有機密資料的範例進行 Code Review，記錄模型找到、漏掉與誤判的問題
• 嘗試讓 Gemini 產出 Dockerfile、Cloud Build 設定檔或 Terraform 設定

Lab 導讀

Lab 連結：Gemini for end-to-end SDLC — Google Cloud Skills Boost

這個 Lab 會讓 Gemini 參與需求、開發、測試與 CI/CD 設定。操作時不只看它能不能產出，也要問：這份結果如何驗證、失敗時誰負責、是否包含不該送出的資料。若要拿自己的專案測試，先確認公司政策並移除憑證、個資和未公開程式碼。

延伸學習

• Gemini 開發者指南 — Gemini API 的核心開發技巧
• 建構 GenAI 應用 — 將 Gemini 整合進完整應用
• GenAI 的 MLOps 實踐 — AI 應用的持續部署與監控