以 Google 搜尋建立基準 | Gemini Enterprise Agent Platform | Google Cloud Documentation

跳至主要內容

說明文件

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 – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어

登入

Gemini Enterprise Agent Platform

免費試用

總覽 Studio 代理模型筆記本 API 參考資料

Agent Platform
生成式 AI

Nest 網誌

說明文件
- 更多
- 總覽
- Studio
- 代理
- 模型
- 筆記本
- API 參考資料
- 定價
  - 更多
- Nest 網誌
控制台

總覽
新手指南
開始使用
開始使用 Agent Platform
使用 Gen AI SDK 開發 Gemini API 程式碼
連線至 Knowledge MCP 伺服器
取得 API 金鑰
設定應用程式預設憑證
從 Google AI Studio 遷移至 Agent Platform
開始使用 Gemini 3
Gemini 模型開發人員指南
Google 生成式 AI 程式庫
生成式 AI 食譜
使用 OpenAI 程式庫存取 Gemini 模型
快捷模式
選取模型
- Model Garden
- Model Garden 總覽
- 使用 Model Garden 中的模型
- 測試模型功能
- Google 模型
- 所有 Google 型號
- Gemini
  - 遷移至最新 Gemini 模型
  - Pro
  - 3.1 Pro
  - 2.5 Pro
  - 閃光燈
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3 Flash
  - 2.5 Flash
  - 2.5 Flash Live API
  - Flash-Lite
  - 3.5 Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - 圖片
  - Nano Banana 2.1
  - Nano Banana 2
  - Nano Banana 2 Lite
  - Nano Banana Pro
  - Nano Banana
  - 虛擬試穿
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - 網購週
  - 3.8 Flash Cyber
  - 直播
  - 3.8 Live
  - Text-to-Speech
  - Gemini 3.8 Flash TTS
  - Gemini 3.8 Flash-Lite TTS
  - 轉錄
  - Gemini 3.5 Transcribe
  - 翻譯
  - Gemini 3.5 Live Translate
  - 嵌入
  - Gemini Embedding 2
  - 機器人工學
  - Gemini Robotics ER 2
    總覽
    空間推論
    代理能力
    工作自動化調度管理
    影片解讀
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- 模型版本
- 合作夥伴模型
- 合作夥伴模式總覽
- Claude
  - 總覽
  - 要求預測
  - Anthropic Claude 模型配額
  - 批次預測
  - 結構化輸出內容
  - 提示詞快取
  - 計算詞元數
  - 網頁搜尋
  - 安全性分類器
  - 網路驗證計畫
  - Claude 模型
  - Fable
  - Fable 5.1
  - Fable 5
  - Opus
  - Opus 5.5
  - Opus 5
  - Opus 4.8
  - Opus 4.7
  - Opus 4.6
  - Opus 4.5
  - Opus 4.1
  - Opus 4
  - 十四行詩
  - Sonnet 5.5
  - Sonnet 5
  - Sonnet 4.6
  - Sonnet 4.5
  - Sonnet 4
  - Haiku
  - Haiku 5.5
  - Haiku 4.5
- Grok
  - 總覽
  - Responses API
  - 函式呼叫
  - 結構化輸出內容
  - 推論
  - 模型詳細資料
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
  - Grok 4.7
- Mistral AI
  - 總覽
  - 模型詳細資料
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Meta
  - 總覽
  - 模型詳細資料
  - Muse Spark 1.3
- 從 Model Garden 部署合作夥伴模型
- 合作夥伴模型淘汰
- 開放式模型
- 總覽
- AlphaFold 3
- AlphaGenome
- DeepSeek
- 嵌入 (e5)
  - 多語言 E5 Small
  - 多語言 E5 Large
- Google Gemma
- Kimi
  - 總覽
  - Kimi K2 思考型
- Llama
  - 總覽
  - 要求預測
  - 模型詳細資料
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - 總覽
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- 代管的開放式模型 (MaaS)
- 自行部署的開放模型
建構
- 提示設計
- 提示簡介
- 提示策略
- 任務專屬提示指引
  - 設計多模態提示
  - 設計對話提示
- 功能
- 安全性
- 文字和程式碼生成
- 圖像生成
- 影片生成
- 音樂生成
- 語音生成
- 媒體分析
- 網址背景資訊
- 思考型
- 互動 API
  - 總覽
  - 開發人員指南
- Live API
- 嵌入
  - 總覽
  - 文字嵌入
    取得文字嵌入
    選擇嵌入工作類型
  - 取得多模態嵌入
  - 取得批次嵌入推論結果
- 翻譯
- 轉錄語音
- 模型工具
- 執行程式碼
- 操作電腦
- 函式呼叫
- 連結
- 開發工具
- 使用 AI 輔助的提示撰寫工具
- 模型調整
- 調整簡介
- 調整 Gemini 模型
  - 監督式微調
    監督式微調簡介
    準備資料
    使用監督式微調
    
    支援的模態
    文字調整
    文件調整
    圖片微調
    音訊微調
    影片微調
    調整函式呼叫
  - 強化學習微調
    關於強化學習微調
    使用控制台的快速入門導覽課程
    使用 API 的快速入門導覽課程
    
    強化學習微調工作
    總覽
    調整用資料集
    超參數
    獎勵函式
    指標和監控
    持續調整
  - 偏好調整
    關於偏好調整
    準備資料
    使用偏好調整功能
  - 使用微調檢查點
  - 使用持續調整功能
  - 使用 LoRA 和 QLoRA 調整建議
- 開放式模型
  - 監督式和蒸餾微調
- 嵌入模型
  - 微調文字嵌入模型
- 翻譯模型
- 遷移
- 使用 OpenAI 程式庫呼叫 Agent Platform 模型
評估
- 總覽
- 教學課程：使用控制台執行評估
- 使用 Agent Platform SDK 中的 GenAI Client 執行評估
- 其他評估方法
- 使用 Agent Platform SDK 中的評估模組進行評估
- 執行 AutoSxS 管道
- 執行以運算為基礎的評估管道
部署
管理
建構專屬模型
- 總覽
- Agent Platform 中的 MLOps
- Agent Platform 介面
- Agent Platform 新手指南
  - 訓練 AutoML 模型
  - 訓練自訂模型
  - 透過自訂模型取得推論結果
  - 使用 Agent Platform 和 Python SDK 訓練模型
    簡介
    必備條件
    建立筆記本
    建立資料集
    建立訓練指令碼
    訓練模型
    進行推論
- 整合式機器學習架構
  - PyTorch
  - TensorFlow
- BigQuery 使用者的 Agent Platform
- 詞彙解釋
- 開始使用
- 設定專案和開發環境
- 安裝 Agent Platform SDK for Python
- 向 Agent Platform 進行驗證
- 選擇訓練方法
- 參加教學課程
  - 教學課程總覽
  - AutoML 教學課程
    
    Hello 圖片資料
    總覽
    設定專案和環境
    建立資料集及匯入圖片
    訓練 AutoML 圖片分類模型
    評估及分析模型效能
    將模型部署至端點及執行推論工作
    清除專案所用資源
    
    Hello 表格型資料
    總覽
    設定專案和環境
    建立資料集及訓練 AutoML 分類模型
    部署模型並要求推論
    清除專案所用資源
  - 自訂訓練教學課程
    訓練自訂表格模型
    
    訓練 TensorFlow Keras 圖片分類模型
    總覽
    設定專案和環境
    訓練自訂圖片分類模型
    透過自訂圖片分類模型提供預測結果
    清除專案所用資源
    使用自訂資料微調圖片分類模型
- 使用 Agent Platform 開發工具
- 開發工具總覽
- 使用 Agent Platform SDK
  - 總覽
  - Agent Platform SDK for Python 簡介
  - Python 2.0.1 版遷移指南
  - Agent Platform SDK for Python 類別
    Agent Platform SDK 類別總覽
    資料類別
    訓練課程
    模型類別
    預測類別
    追蹤類別
- Agent Platform 的 Terraform 支援
- Agent Platform Training
- 總覽
- Agent Platform 無伺服器訓練
  - Agent Platform 無伺服器訓練總覽
  - 載入及準備資料
    資料準備總覽
    將 Cloud Storage 做為掛接的檔案系統使用
    掛接 NFS 共用區以進行無伺服器訓練
    使用代管型資料集
  - 準備訓練應用程式
    瞭解無伺服器訓練服務
    準備訓練程式碼
    
    使用預先建構的容器
    為預先建立的容器建構 Python 訓練應用程式
    用於無伺服器訓練的預先建構容器
    
    使用自訂容器
    用於無伺服器訓練的自訂容器
    建立自訂容器
    在本機進行容器化及執行訓練程式碼
  - 以永久資源執行訓練
    總覽
    建立永久性資源
    在永久資源上執行訓練工作
    取得永久性資源資訊
    重新啟動永久資源
    刪除永久資源
  - 設定訓練工作
    選擇自訂訓練方法
    選擇訓練用的容器設定
    設定訓練所需的運算資源
    使用預留項目搭配訓練工作
    使用 Spot VM 進行訓練
  - 提交訓練工作
    可建立自訂工作
    
    超參數調整
    超參數調整總覽
    使用超參數調整
    可建立訓練管線
    根據資源可用性排定工作
    使用分散式訓練
    使用 Cloud TPU VM 進行訓練
    使用私人 IP 進行自訂訓練
    使用 Private Service Connect 介面進行訓練 (建議)
  - 監控與偵錯
    使用互動式殼層監控訓練並偵錯
    分析模型訓練效能
  - 教學課程：建構持續訓練管道
  - 建立自訂組織政策限制
- Gemini Enterprise Agent Platform 叢集
  - 總覽
  - 開始使用訓練叢集
  - 部署考量事項
    運算資源
    網路
    Storage
    自動化調度管理
  - 建立及管理叢集
    建立叢集
    查看叢集
    管理叢集
    管理叢集上的帳戶和工作排程
  - 叢集復原能力
  - 透過資訊主頁監控復原事件
  - 功能指南
    搭配使用 Slurm 叢集與彈性啟動 VM
  - 在叢集上執行工作負載
    執行預先建立的工作負載
    使用 TensorBoard 呈現工作
    使用 Slurm 管理訓練叢集
- Ray on Agent Platform
- 執行神經架構搜尋
- 使用 Agent Platform Vizier 進行最佳化
  - Agent Platform Vizier 總覽
  - 建立 Agent Platform Vizier 研究
- 開發 AutoML 模型
  - AutoML 訓練總覽
  - 圖片資料
    
    分類
    準備資料
    建立資料集
    訓練模型
    評估模型
    取得預測結果
    解讀結果
    
    物件偵測
    準備資料
    建立資料集
    訓練模型
    評估模型
    取得預測結果
    解讀結果
    使用 Base64 執行圖片資料編碼
    匯出 AutoML Edge 模型
  - 表格型資料
    總覽
    表格資料簡介
    
    表格工作流程
    總覽
    
    端對端 AutoML
    總覽
    訓練模型
    取得線上推論結果
    取得批次推論結果
    
    預測
    總覽
    訓練模型
    取得線上推論結果
    取得批次推論結果
    定價
    服務帳戶
    管理配額
    
    使用 AutoML 執行分類和迴歸
    總覽
    快速入門導覽課程：AutoML 分類 (Cloud Console)
    準備訓練資料
    建立資料集
    訓練模型
    評估模型
    查看模型架構
    取得線上推論結果
    取得批次推論結果
    匯出模型
    
    使用 AutoML 執行預測
    總覽
    準備訓練資料
    建立資料集
    訓練模型
    評估模型
    取得推論結果
    階層式預測
    使用 ARIMA+ 執行預測
    使用 Prophet 進行預測
    執行實體協調
    分類和迴歸的特徵歸因
    預測的特徵歸因
    AutoML 表格型資料的資料類型與轉換作業
    預測的訓練參數
    表格型資料的資料分割
    建立表格型訓練資料的最佳做法
  - 訓練 AutoML Edge 模型
    使用主控台
    使用 API
- 生成式 AI 模型開發
- 總覽
- 建立及管理資料集
- 總覽
- AutoML 模型的資料分割作業
- 建立註解集
- 刪除註解集
- 新增標籤 (控制台)
- 匯出資料集內的中繼資料和註解
- 管理圖片資料集版本 (僅限 API)
- 取得推論結果
- 總覽
- 設定用於推論的模型
- 取得線上推論結果
- 取得批次推論結果
- 提供生成式 AI 模型服務
- 自訂組織政策
- 機器學習運作 (MLOps)
- 管理功能
  - 在 Agent Platform 管理功能
  - Agent Platform 特徵儲存庫
    關於 Agent Platform 特徵儲存庫
    
    設定功能
    準備資料來源
    建立特徵群組
    建立功能
    
    設定線上提供
    線上提供類型
    建立網路商店執行個體
    建立特徵檢視執行個體
    
    控管存取權
    控管資源存取權
    
    同步處理網路商店
    開始同步處理資料
    列出同步作業
    更新特徵檢視中的特徵
    
    提供特徵
    從網路商店提供特徵
    提供歷來特徵值
    
    監控
    監控功能
    
    管理功能資源
    列出特徵群組
    列出特徵
    更新特徵群組
    更新功能
    刪除特徵群組
    刪除特徵
    
    管理網路商店資源
    列出網路商店
    列出特徵檢視畫面
    更新網路商店
    更新特徵檢視
    刪除網路商店
    刪除特徵檢視表
    
    特徵中繼資料
    更新標籤
    
    搜尋資源
    搜尋資源
    
    管理嵌入
    使用嵌入搜尋
    
    筆記本教學課程
    Agent Platform 特徵儲存庫教學課程筆記本
- 管理模型
- 評估模型
- 使用管道自動化調度管理機器學習工作流程
  - 簡介
  - 介面
  - 設定專案
  - 建立管道
  - 執行管道
  - 使用管道範本
    建立、上傳及使用管道範本
    使用範本庫中的預建範本
  - 設定管道
    設定執行作業快取
    設定失敗政策
    設定管道工作的重試次數
    指定管道步驟的機器類型
    使用 Agent Platform Pipelines 要求 Google Cloud 機器資源
    設定 Private Service Connect 介面 (建議)
    使用 Secret Manager 設定密鑰
    在永久資源上設定管道執行作業
  - 排定及觸發管道執行作業
    使用排程器 API 排定管道執行作業
    透過 Pub/Sub 觸發管道執行作業
  - 取消或刪除管線執行作業
    取消管道執行作業
    刪除管線執行作業
  - 重新執行管道
  - 監控管道執行作業
    查看管道指標
    查看管道工作記錄檔
    將記錄檔轉送至 Cloud Pub/Sub 接收器
    設定電子郵件通知
  - 以視覺化方式呈現結果
    分析管道結果並予以視覺化呈現
    追蹤管道構件的歷程
    輸出 HTML 和 Markdown
  - Agent Platform Pipelines 的資源標籤
  - 瞭解管道執行費用
  - 從 Kubeflow Pipelines 遷移至 Agent Platform Pipelines
  - 使用自訂限制
  - Google Cloud 管道元件
    快速入門導覽課程
    Google Cloud 管道元件簡介
    Google Cloud 管道元件清單
    使用 Google Cloud 管道元件
    建構專屬的管道元件
  - Agent Platform Pipelines 教學課程
    教學課程筆記本
- 追蹤及分析機器學習中繼資料
- 監控模型品質
  - 模型監控簡介
  - 模型監控 v2
    設定模型監控
    執行監控工作
    管理模型監控器
  - 模型監控 v1
    提供結構定義給模型監控功能
    監控特徵偏差和偏移
    批次預測的模型監控
- 追蹤實驗
- 管理
- 存取權控管
- 監控 Agent Platform 資源
  - Cloud Monitoring 指標
  - 稽核記錄資訊
- 網路
- 安全性
- 命名資源
- 範例與教學課程
- 筆記本教學課程
- 程式碼範例
  - 所有產品的程式碼範例

開始使用
開始使用 Google Cloud
產品清單