跳至主要內容
說明文件
close
開始使用
開始使用 Google Cloud
產品清單
Cloud Customer Care
精選產品
Agent Platform
Apigee API 管理平台
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker
跨產品工具
存取權與資源管理
費用與用量管理
基礎架構即程式碼
SDK、語言、框架和工具
技術領域
AI 和機器學習
應用程式開發
應用程式託管
運算
資料分析和管道
資料庫
分散式雲端、混合雲和多雲端
產業解決方案
遷移
網路
觀測能力與監控
安全性
Storage
/
控制台
English
Deutsch
Español
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어
登入
Documentation
Cloud Architecture Center
免費試用
說明文件
更多
控制台
< 返回架構中心首頁
新功能
基礎知識
內容總覽
Well-Architected Framework
總覽
新功能
宗旨
卓越的營運成果
總覽
使用 CloudOps 確認作業準備度與成效
管理事件和問題
管理及最佳化雲端資源
自動執行及管理變更
持續改良和創新
在單一頁面中查看
安全性、隱私權和法規遵循
總覽
採用融入安全考量的設計
導入零信任機制
導入「優先確保安全」機制
預先防範網路威脅
以安全且負責任的方式使用 AI
運用 AI 強化安全防護
滿足法規遵循和隱私權需求
共同責任與命運共同體
在單一頁面中查看
可靠性
總覽
根據使用者體驗目標定義可靠性
設定合理的可靠性目標
透過備援機制建構高可用性
活用水平擴充功能
使用觀測工具偵測可能的故障情形
納入優雅降級設計
執行測試，確保能在故障時復原
執行測試，確保能在資料遺失時復原
出具全面的檢討報告
在單一頁面中查看
成本最佳化
總覽
依據業務價值調整支出
培養注重成本的文化
充分運用資源
持續進行最佳化調整
在單一頁面中查看
效能最佳化
總覽
規劃資源分配方式
發揮彈性優勢
推廣模組化設計
持續監控及提升效能
在單一頁面中查看
永續發展
總覽
使用低碳區域
最佳化 AI 和機器學習工作負載
充分運用資源
開發節能軟體
最佳化資料和儲存空間
持續評估及改善
推廣永續發展文化
符合業界規範
在單一頁面中查看
在單一頁面查看所有支柱
跨支柱觀點
AI 和機器學習
總覽
卓越的營運成果
安全性
可靠性
成本最佳化
效能最佳化
在單一頁面中查看
金融服務 (FS)
總覽
卓越的營運成果
安全性
可靠性
成本最佳化
效能最佳化
在單一頁面中查看
部署作業原型
總覽
可用區
區域
多區域
全球
混合式
多雲端
比較分析
後續主題
參考架構
在 Compute Engine 上進行單一區域部署
在 Compute Engine 上進行區域部署
在 Compute Engine 上進行多區域部署
在 Compute Engine 和 Spanner 上進行全球部署
登陸區設計
登陸區總覽
決定身分新手上路程序
決定資源階層
網路設計
決定聯播網設計
實作網路設計
決定安全等級
企業基礎藍圖
總覽
架構
驗證及授權
機構架構
網路
偵測性控制
預防性控制措施
部署方法
營運最佳做法
部署藍圖
AI 與機器學習
內容總覽
代理式 AI
總覽
選擇代理架構元件
選擇代理程式設計模式
多代理 AI 系統
多代理私人網路模式
多租戶代理式 AI 系統
使用 ADK 和 Cloud Run 的單一代理 AI 系統
用途
管理互動式學習
自動執行資料科學工作流程
建構跨雲端開放式資料湖倉
使用 Google 地圖平台建構值得信賴的代理系統
分類多模態資料
針對分散式資料導入代理式分析
啟用雙向多模態直播
多模態 GraphRAG 資源自動化調度管理
協調不同系統的存取權
自動化調度管理資安營運工作流程
生成式 AI
總覽
搭配 RAG 的生成式 AI
總覽
支援 RAG 的生成式 AI 應用程式的私人連線
使用 Gemini Enterprise 和 Agent Platform 的 RAG 基礎架構
使用 Agent Platform 和 Vector Search 建構 RAG 基礎架構
使用 Agent Platform 和 AlloyDB 建構 RAG 基礎架構
使用 GKE 和 Cloud SQL 建構 RAG 基礎架構
使用 Agent Platform 和 Spanner Graph 的 GraphRAG 基礎架構
適用於 RAG 應用程式的 Harness CI/CD 管道
部署企業級生成式 AI 和機器學習模型
部署及運作生成式 AI 應用程式
在所有後端提供 AI 推論模型適用的網路
在 GKE 上提供 AI 推論模型時的網路設定
用途
自動審查健康保險理賠的利用情形
生成個人化行銷廣告活動
生成個人化的產品建議
從音訊生成 Podcast
生成客戶支援問題的解決方案
機器學習應用程式和作業
總覽
在 Google Cloud 中實作機器學習技術的最佳做法
高品質預測型機器學習解決方案指南
使用 TensorFlow Extended、Agent Platform Pipelines 和 Cloud Build 執行 MLOps
機器學習運作：機器學習的持續推送軟體更新與自動化管線
使用 Dataflow 和 Cloud Vision API 建構 ML 視覺分析解決方案
參考架構
部署架構
機密運算適用於資料分析和 AI
跨孤島和跨裝置聯合學習
實作雙塔檢索，並大規模生成候選項目
使用 Labelbox 開發模型和標記資料
C3 AI 架構
AI 和機器學習基礎架構
運用 Cloud Storage FUSE 最佳化 AI 和機器學習工作負載
透過 Managed Lustre 最佳化 AI 和機器學習工作負載
應用程式開發
內容總覽
開發方法和樣式
可擴充及具有韌性的應用程式模式
開發平台管理
部署企業開發人員平台
總覽
架構
開發人員平台控制項
服務架構
記錄和監控
運作
費用和歸因
部署方法
Cymbal Bank 範例
對應 BeyondProd 原則
部署藍圖
最佳做法：在 GKE 執行最具成本效益的 Kubernetes 應用程式
透過 GKE 閘道公開服務網格應用程式
參考架構
部署架構
使用 GKE 閘道和 Cloud Service Mesh 建構全球分散式應用程式
參考架構
部署架構
Google Cloud 身分與存取權管理的模式與做法
使用 ServiceNow 管理資源
選取代管容器執行階段環境
開發運作和開發生命週期
架構決策記錄總覽
透過部署管道開發及交付應用程式
參考架構
部署架構
DevOps Research and Assessment (DORA) 功能
應用程式架構
在 GKE 和 Cloud SQL 上使用 Apache Guacamole
參考架構
部署架構
Compute Engine 上的 Chrome 遠端桌面
設定 Linux
Windows 設定
Google Cloud 上的連線裝置架構
總覽
獨立 MQTT 代理程式
IoT 平台產品
裝置與 Pub/Sub 連線至 Google Cloud
執行 IoT 後端的最佳做法
自動佈建及設定邊緣和裸機系統與伺服器的最佳做法
管理及調度在代管 Kubernetes 上執行的 Windows 應用程式網路
