Last reviewed 2025-11-25 UTC
本文概略介紹架構指南,說明如何設計、建構及部署 AI 和機器學習應用程式。
為協助您根據角色和需求找到合適的指引,我們提供下列類型的架構指南:
- 設計指南:提供跨產品的規範指南,協助您規劃及設計雲端架構。
- 參考架構:特定工作負載的詳細架構範例和設計建議。
- 應用實例:解決特定業務問題的高階架構範例。
- 部署指南:部署特定架構的逐步說明或程式碼。
代理式 AI
代理式 AI 應用程式透過自主規劃和多步驟工作流程,解決開放式問題。
如要在 Google Cloud建構代理式 AI 應用程式,請先參閱下列指南:
- 設計指南:選擇代理式 AI 架構元件
- 設計指南:選擇代理式 AI 系統的設計模式
- 參考架構: Google Cloud中的多代理 AI 系統
- 參考架構:使用 ADK 和 Cloud Run 的單一代理 AI 系統
探索更多代理式 AI 架構指南。
生成式 AI
生成式 AI 應用程式可運用 AI 產生摘要、找出複雜的隱藏關聯,或生成新內容。
如要在 Google Cloud上建構生成式 AI 應用程式,請先參閱下列指南:
- 設計指南:為生成式 AI 應用程式選擇模型和基礎架構
- 參考架構:搭配 RAG 的生成式 AI
探索更多生成式 AI 架構指南。
機器學習應用程式和作業
穩健的機器學習運作 (MLOps) 是所有 AI 計畫的基礎,無論是分類和迴歸模型,還是複雜的生成式 AI 和代理式 AI 系統,都必須仰賴 MLOps。
如要在 Google Cloud建構及操作機器學習應用程式,請先參閱下列指南:
- 藍圖:在企業中建構及部署生成式 AI 和機器學習模型
- 參考架構:使用 Dataflow 和 Cloud Vision API 建構機器學習視覺數據分析解決方案
- 參考架構: Google Cloud上的跨孤島和跨裝置聯合學習
探索更多機器學習應用程式和作業架構指南。
AI 和機器學習基礎架構
AI 和機器學習應用程式的效能、成本和擴充性,直接取決於底層基礎架構。機器學習生命週期的每個階段,對運算、儲存和網路都有獨特的需求。
下列資源可協助您設計及選取適合 AI 和機器學習工作負載的基礎架構:
- 設計指南:在 Google Cloud中為 AI 和機器學習工作負載設計儲存空間
- 參考架構:使用 Cloud Storage FUSE 最佳化 AI 和機器學習工作負載
- 參考架構:使用 Google Cloud Managed Lustre 最佳化 AI 和機器學習工作負載