Google Cloud 中的多代理程式 AI 系統

Last reviewed 2026-10-09 UTC

本文件提供參考架構，協助您在 Google Cloud中設計完善的多代理 AI 系統。多代理式 AI 系統會將複雜且動態的程序分割成數個獨立任務，由多個專業的 AI 代理共同執行。

本文適用對象包括在雲端建構及管理 AI 基礎架構和應用程式的架構師、開發人員和管理員。本文假設您對 AI 代理和模型有基本瞭解。本文件並未提供設計及編寫 AI 代理程式碼的具體指引。

本文件的「部署」一節列出程式碼範例，可協助您瞭解如何建構及部署多代理式 AI 系統。

架構

下圖顯示部署在 Google Cloud的多代理 AI 系統架構範例。

Google Cloud中多代理 AI 系統的架構。 Google Cloud中的多代理 AI 系統架構。

架構元件

上一節的範例架構包含下列元件：

前端
使用者透過前端 (例如做為無伺服器 Cloud Run 服務執行的對話介面) 與多代理系統互動。
代理

在這個範例中，協調者代理會控制代理式 AI 系統。協調代理會叫用適當的子代理，觸發代理流程。代理可透過 Agent2Agent (A2A) 通訊協定互相通訊，無論程式設計語言和執行階段為何，都能互通。範例架構顯示依序模式和反覆修正模式中的代理。

如要進一步瞭解本範例中的子代理，請參閱「代理流程」一節。

代理執行階段

AI 代理可以部署為無伺服器 Cloud Run 服務、Google Kubernetes Engine (GKE) 上的容器化應用程式，或 Gemini Enterprise Agent Platform 的 Agent Runtime。

ADK

Agent Development Kit (ADK) 提供工具和框架，可用於開發、測試及部署代理。ADK 可簡化代理建立作業，讓 AI 開發人員專注於代理的邏輯和功能。

AI 模型和模型執行階段

在這個範例架構中，代理會使用 Gemini Enterprise Agent Platform 上的 AI 模型提供推論服務。架構顯示 Cloud Run 和 GKE 是您選擇使用的 AI 模型的替代執行階段。

Model Armor

Model Armor 可檢查及清理部署在 Agent Platform 和 GKE 中的模型輸入和回覆。Model Armor 也可用於透過 Agent Gateway 轉送的代理和工具流量。詳情請參閱「Model Armor 與 Google Cloud 服務整合」。

MCP 用戶端、伺服器和工具

Model Context Protocol (MCP) 標準化代理與工具之間的互動，方便存取工具。針對每組代理與工具，MCP 用戶端會向 MCP 伺服器傳送要求，代理則透過該伺服器存取資料庫、檔案系統或 API 等工具。

代理流程

上述架構中的多代理系統範例流程如下：

  1. 使用者透過前端 (例如即時通訊介面) 輸入提示，該介面會以無伺服器 Cloud Run 服務的形式運作。
  2. 前端會將提示詞轉送至協調者代理。

  3. 協調者代理會根據提示中表達的意圖，啟動下列其中一個代理流程。

    • 依序：
      1. 工作 A 子代理會執行工作。
      2. task-A 子代理叫用 task-A.1 子代理。

    • 反覆修正：

      1. 工作 B 子代理執行工作。
      2. 品質評估子代理會審查任務 B 子代理的輸出內容。
      3. 如果輸出內容不盡理想，品質評估工具會叫用提示強化子代理，修正提示。
      4. 工作 B 子代理會使用強化後的提示詞，再次執行工作。

      這個循環會持續進行，直到輸出結果令人滿意或達到疊代次數上限。

    範例架構包含human-in-the-loop路徑，可讓人類使用者在必要時介入代理流程。

  4. 工作 A.1 子代理和品質評估工具子代理會獨立叫用回覆生成器子代理。

  5. 回覆生成器子代理會生成回覆、執行驗證和基準檢查，然後透過協調者代理將最終回覆傳送給使用者。

使用的產品和工具

這個參考架構使用下列 Google Cloud 和第三方產品與工具：

用途

多代理式 AI 系統適用於複雜的用途，需要多項專業技能協作和協調，才能達成業務目標。如要找出適合多代理式 AI 系統的用途，請分析業務流程，並找出 AI 可強化的特定任務。著重於具體的業務成果，例如降低成本和加快處理速度。這種做法有助於確保 AI 投資與業務價值一致。

以下是多代理 AI 系統的應用實例。

財務顧問

提供個人化股票交易建議並執行交易。下圖顯示這個用途的代理流程範例。這個範例使用依序模式。

多代理系統的財務顧問應用實例。

下圖顯示下列流程：

  1. 資料檢索代理會從可靠來源，擷取即時和歷來股價、公司財務報表和其他相關資料。
  2. 財務分析代理會對資料套用適當的分析和圖表技術，找出價格走勢模式並做出預測。
  3. 股票推薦代理會根據使用者的風險偏好和投資目標，使用分析結果和圖表，生成買賣特定股票的個人化推薦。
  4. 交易執行代理會代表使用者買賣股票。

研究助理

建立研究計畫、收集資訊、評估及修正研究，然後撰寫報告。下圖顯示這個用途的代理流程範例。本範例中的主要流程採用依序模式。範例也包含反覆修正模式。

多代理系統的研究助理用途。

下圖顯示下列流程：

  1. 規劃代理會建立詳細的研究計畫。

  2. 研究員代理會完成下列工作：

    1. 根據研究計畫找出適當的內外部資料來源。
    2. 收集及分析必要資料。
    3. 準備研究摘要，並提供給評估代理。

    研究員代理會重複執行這些工作，直到評估員代理核准研究結果。

  3. 報告撰寫代理會建立最終研究報告。

供應鏈最佳化工具

最佳化庫存、追蹤貨件，以及與供應鏈合作夥伴溝通。下圖顯示這個用途的代理流程範例。本範例使用依序模式。

多代理系統的供應鏈最佳化工具用途。

  1. 倉儲管理代理會根據庫存、需求預測和供應商前置時間，建立補貨訂單，確保庫存量維持在最佳狀態。

    • 代理會與運送追蹤代理互動，追蹤運送狀態。
    • 這個代理會與供應商通訊代理互動，通知供應商訂單異動。

  2. 運送追蹤代理會整合供應商的物流平台和貨運公司系統，確保訂單及時有效率地履行。

  3. 供應商通訊代理會代表系統中的其他代理，與外部供應商通訊。

設計替代方案

您可以根據對管理能力、控管和彈性的需求，在 Google Cloud 中為 AI 代理和模型選擇多種執行階段選項。詳情請參閱「選擇代理式 AI 架構元件」。

設計須知

本節說明使用這個參考架構開發拓撲時，應考量的設計因素、最佳做法和建議，以滿足您在安全性、可靠性、成本和效能方面的特定需求。

本節指南僅列出部分範例。視工作負載的需求，以及您使用的 Google Cloud 和第三方產品與功能而定，您可能需要考量其他設計因素和取捨。

系統設計

本節提供指引，協助您選擇部署作業的 Google Cloud 區域，以及選取適當的 Google Cloud 產品和工具。

區域選項

為 AI 應用程式選取 Google Cloud 區域時，請考量下列因素：

如要為應用程式選取合適的 Google Cloud 位置，請使用下列工具：

  • Google Cloud 區域挑選工具：這項互動式網頁工具可根據碳足跡、成本和延遲時間等因素，為應用程式和資料選取最佳 Google Cloud區域。
  • Cloud Location Finder API：這項公用 API 可讓您透過程式輔助方式，尋找 Google Cloud、Google Distributed Cloud 和其他雲端服務供應商的部署位置。

代理程式設計

本節提供設計 AI 代理的一般建議。編寫代理程式碼和邏輯的詳細指南不在本文討論範圍內。

  • 定義及設計代理：
    • 清楚定義代理式 AI 系統的業務目標，以及每個代理執行的工作。
    • 選擇最符合需求的代理設計模式。
    • 使用 ADK，有效率地建立、部署及管理代理架構。
  • 代理互動：
    • 在架構中設計真人服務專員，支援自然語言互動。
    • 確保每個代理都會向其依附的用戶端清楚傳達其動作和狀態。
    • 設計代理，偵測及處理模糊不清的查詢和細微的互動。
  • 背景資訊、工具和資料：
    • 確保代理有足夠的情境，可追蹤多輪互動和工作階段參數。
    • 清楚說明代理可使用的工具，包括用途、引數和使用方式。
    • 確保代理的回覆以可靠的資料來源為依據，減少幻覺。
    • 實作邏輯來處理不相符的情況，例如提示與主題無關。

安全性

本節說明設計考量和建議，協助您在 Google Cloud 中設計符合工作負載安全性需求的拓撲。

代理的安全性考量

AI 代理會帶來某些獨特且嚴重的安全風險，傳統的確定性安全防護做法可能無法充分因應。Google 建議採用保護 AI 的方法，結合確定性安全控管措施和動態推論防禦機制的優勢。這項做法奠基於三大核心原則：人類監督、明確定義代理自主性，以及可觀測性。以下是符合這些核心原則的具體建議。

  • 人工監督：代理式 AI 系統有時可能會失敗或未按預期運作。例如，模型可能會生成不準確的內容，或代理可能會選取不適當的工具。在業務關鍵的代理式 AI 系統中，加入人工介入迴路流程，讓人類監督者監控、覆寫及暫停代理。舉例來說，人類使用者可以審查代理的輸出內容、核准或拒絕輸出內容，並提供進一步指引來修正錯誤或制定策略決策。這種做法結合了代理式 AI 系統的效率，以及人類使用者的批判性思考和領域專業知識。
  • 代理身分和最小權限存取權：
  • 輸入和輸出流量管理：透過 Agent Gateway 轉送代理流量，在輸入和輸出邊界強制執行執行階段安全性政策。如要瞭解支援 Agent Gateway 的 Agent Runtime 平台，請參閱「支援的 Agent Runtime」。
    • 用戶端至代理 (輸入)：在 Agent Runtime 前方部署 Agent Gateway。閘道會使用 Model Armor 驗證呼叫端，並即時檢查傳入的提示詞。
    • 代理至任意目的地 (輸出)：
      • 在輸出模式下，透過 Agent Gateway 轉送傳出的代理對代理 (A2A) 和代理對工具 (MCP) 要求。
      • 使用 IAM 存取政策和 Identity-Aware Proxy (IAP)，強制執行預設拒絕存取政策。
      • 確認目標代理和工具已在 Agent Registry 中註冊。
      • 使用 Model Armor 檢查傳出的工具叫用和回覆，防止資料竊取、間接提示詞注入和工具濫用。
  • 監控：運用全方位追蹤功能監控代理行為，清楚掌握代理採取的每個動作，包括推論過程、工具選擇和執行路徑。詳情請參閱「在 Agent Runtime 中記錄代理」和「在 ADK 中記錄」。

如要進一步瞭解如何保護 AI 代理，請參閱「AI 代理的安全防護」。

Agent Platform 安全性考量

為確保 Agent Platform 設定和使用方式符合安全性需求，請考慮下列建議：

MCP 安全性考量

為確保 MCP 實作符合安全性需求，請考慮下列建議：

  • 工具註冊與探索：在 Agent Registry 中註冊 MCP 伺服器和工具，確保代理只會連線至已列入清單且經管理員核准的 MCP 端點。
  • 存取控管和流量檢查：在「代理到任何位置 (輸出)」模式下，透過 Agent Gateway 轉送代理到 MCP 的流量，並使用 IAP 和 IAM 存取權政策保護 MCP 伺服器 (例如託管於 Cloud Run 的 MCP 伺服器)。在 Agent Gateway 設定 Model Armor 或語意管理政策，檢查 MCP 工具輸入和輸出內容，防範敏感資料外洩和間接提示詞注入。
  • 一般 MCP 安全性：設定代理使用 MCP 時，請確保外部資料和工具的存取權已獲授權、實施加密等隱私權控制項、套用篩選器保護機密資料，並監控代理互動。詳情請參閱「MCP 與安全性」。

A2A 安全性考量

為確保 A2A 實作符合安全性需求，請考慮下列建議：

  • 傳輸安全性：A2A 通訊協定規定，在正式環境中，所有 A2A 通訊都必須使用 HTTPS，並建議使用傳輸層安全標準 (TLS) 1.2 以上版本。
  • 驗證：A2A 通訊協定會將驗證作業委派給標準網路機制 (例如 HTTP 標頭)，以及 OAuth2 和 OpenID Connect 等標準。每個代理都會在代理資訊卡中宣傳驗證需求。詳情請參閱「A2A 驗證」。
  • 代理間治理：在 Agent Registry 中註冊 A2A 代理，並透過 Agent Gateway 轉送代理間要求。將 Agent Gateway 與 Agent Identity、IAP 和 IAM 存取政策結合，即可透過加密方式驗證呼叫代理的身分、在協調代理和子代理之間強制執行精細授權，並使用 Model Armor 檢查代理間的酬載。

Cloud Run 安全性考量

為確保 Cloud Run 實作符合安全性需求，建議您採取下列做法：

  • 輸入安全性 (適用於前端服務)：如要控管應用程式的存取權，請停用前端 Cloud Run 服務的預設 run.app 網址，並設定區域性外部應用程式負載平衡器。除了平衡應用程式的傳入流量，負載平衡器也會處理 SSL 憑證管理作業。如要進一步強化防護，您可以使用 Google Cloud Armor 安全性政策，為服務提供要求篩選、DDoS 防護和頻率限制。

  • 使用者驗證：

    • 組織內的使用者：如要驗證內部使用者對前端 Cloud Run 服務的存取權，請使用 IAP。使用者嘗試存取受 IAP 保護的資源時，IAP 會執行驗證及授權檢查。
    • 組織外部使用者：如要驗證外部使用者對前端服務的存取權，請使用 Identity Platform 或 Firebase 驗證。如要管理外部使用者存取權，請設定應用程式來處理登入流程，並對 Cloud Run 服務發出經過驗證的 API 呼叫。

    詳情請參閱「驗證使用者」。

  • 代理和 MCP 伺服器安全：在 Cloud Run 託管代理或 MCP 伺服器時，請設定 Cloud Run 的 Agent Platform 功能，為服務指派代管代理身分，並搭配使用 IAP 和 Agent Gateway，驗證及授權傳入的代理和工具要求。

  • 容器映像檔安全性：為確保只有授權的容器映像檔部署至 Cloud Run，您可以使用二進位授權。如要找出並降低容器映像檔中的安全風險，請使用 Artifact Analysis 自動執行安全漏洞掃描。詳情請參閱「容器掃描總覽」。

  • 資料落地：Cloud Run 可協助您符合資料落地規定。Cloud Run 服務會在所選區域內執行。

如要進一步瞭解容器安全性，請參閱「Cloud Run 一般開發提示」。

架構中所有 Google Cloud 產品的安全性考量

為確保架構符合安全性需求，請考慮下列一般建議：

  • 資料加密：根據預設， Google Cloud 會使用 Google-owned and Google-managed encryption keys加密靜態資料。如要使用您控管的加密金鑰保護代理資料，可以採用您在 Cloud KMS 建立及管理的 CMEK。如要瞭解與 Cloud KMS 相容的 Google Cloud 服務，請參閱「相容服務」。
  • 降低資料竊取風險：如要降低資料竊取風險，請在基礎架構周圍建立 VPC Service Controls 範圍。VPC Service Controls 支援這項參考架構使用的所有Google Cloud 服務。
  • 存取控管：設定拓撲中資源的權限時，請遵循最小權限原則。
  • 雲端環境安全：使用 Security Command Center 中的工具偵測安全漏洞、找出及緩解威脅、定義及部署資安態勢，以及匯出資料以進一步分析。
  • 部署後最佳化：在Google Cloud中部署應用程式後，您可以使用 Active Assist 取得建議，進一步強化安全性。請查看建議，並視環境情況套用。詳情請參閱「在 Active Assist 中查看建議」。

如需 AI 和機器學習工作負載專屬的安全原則和建議，請參閱 Well-Architected Framework 中的「AI 和機器學習觀點：安全性」。

可靠性

本節說明設計考量和建議，協助您在 Google Cloud中建構及運作可靠的基礎架構。

代理的可靠性考量

為確保代理程式設定符合可靠性需求，請考慮下列建議：

  • 容錯功能：設計代理系統，容許或處理代理層級的失敗。在可行情況下，請採用分散式方法，讓代理能獨立運作。
  • 模擬故障：將代理式 AI 系統部署至正式環境前，請先模擬正式環境進行驗證。找出並修正代理間協調問題和非預期行為。
  • 錯誤處理：為診斷及疑難排解錯誤，請實作記錄、例外狀況處理和重試機制。

Agent Platform 可靠性考量

為確保 Agent Platform 設定和使用方式符合可靠性需求，請參考下列建議：

  • 容量規劃：如果要求數量超過分配的容量，系統會傳回錯誤代碼 429。如果工作負載對業務至關重要，且持續需要高處理量，您可以使用佈建輸送量預留處理量。
  • 模型端點可用性：如果資料可以跨多個區域或國家/地區共用，則可使用模型的全域端點。

Cloud Run 抵禦可用區和區域中斷的能力

Cloud Run 是區域性服務。這項服務會同步將資料儲存在區域內的多個可用區，並自動在可用區之間平衡流量負載。如果可用區服務中斷，Cloud Run 會繼續運作，資料也不會遺失。如果發生區域服務中斷，服務會停止運作，直到 Google 解決中斷問題為止。

架構中所有 Google Cloud 產品的可靠性考量

在 Google Cloud部署應用程式後，您可以使用 Active Assist 取得建議，進一步提升可靠性。請查看建議，並視環境情況套用。詳情請參閱「在 Active Assist 中查看建議」。

如要瞭解 AI 和機器學習工作負載專屬的可靠性原則和建議，請參閱 Well-Architected Framework 中的「AI 和機器學習觀點：可靠性」。

作業

本節說明使用這個參考架構設計可有效運作的 Google Cloud 拓撲時，應考量的因素。

Agent Platform 作業考量

為確保 Agent Platform 設定和使用方式符合營運需求，請參考下列建議：

  • 使用記錄檔監控：根據預設，寫入 stdout 和 stderr 串流的代理記錄會轉送至 Cloud Logging。如需進階記錄功能，可以將 Python 記錄器與 Cloud Logging 整合。如需完整控管記錄和結構化記錄，請使用 Cloud Logging 用戶端。詳情請參閱「記錄代理程式」和「在 ADK 中記錄」。
  • 持續評估：定期對代理的輸出內容和軌跡 (或代理產生輸出內容時採取的步驟) 進行質性評估。如要實作代理評估，您可以使用 Gen AI 評估服務，或 ADK 支援的評估方法。

MCP 作業注意事項

為確保 MCP 實作符合您的作業需求，請參考下列建議：

  • 資料庫工具：如要有效管理 AI 代理的資料庫工具，並確保代理能安全處理連線集區和驗證等複雜作業，請使用 MCP Toolbox for Databases。提供集中儲存及更新資料庫工具的位置。您可以在代理之間共用工具，並更新工具，而不必重新部署代理。工具箱包含多種工具，適用於 AlloyDB for PostgreSQL 等 Google Cloud資料庫，以及 MongoDB 等第三方資料庫。
  • 生成式 AI 模型：如要讓 AI 代理使用 Imagen 和 Veo 等 Google 生成式 AI 模型，可以使用生成式媒體 API 的 MCP 伺服器 Google Cloud 。
  • Google 安全性產品和工具：如要讓 AI 代理存取 Google 安全性產品和工具，例如 Google Security Operations、Google Threat Intelligence 和 Security Command Center，請使用 Google 安全性產品的 MCP 伺服器。

架構中所有 Google Cloud 產品的作業考量

使用 Cloud Trace 持續收集並分析追蹤記錄資料。追蹤資料可讓您快速找出並診斷複雜 Agentic Workflows 中的錯誤。您可以在 Trace Explorer 工具中，透過圖表進行深入分析。詳情請參閱「查看代理追蹤記錄」。

如要瞭解 AI 和機器學習工作負載專屬的卓越營運原則和建議，請參閱 Well-Architected Framework 中的「AI 和機器學習觀點：卓越營運」。

成本最佳化

本節提供指引，說明如何最佳化使用此參考架構建構的 Google Cloud 拓撲，降低設定和營運成本。

Agent Platform 費用考量

為確保 Agent Platform 設定和用量符合成本需求，建議您採取下列做法：

  • 成本分析與管理：如要分析及管理 Agent Platform 成本，建議您建立每秒查詢次數 (QPS) 和每秒權杖數 (TPS) 的基準指標。部署後，請監控這些指標。基準也有助於規劃容量。舉例來說，基準可協助您判斷何時可能需要佈建輸送量。
  • 模型選取：您為 AI 應用程式選取的模型會直接影響成本和效能。如要找出最適合特定用途的模型，在效能和成本之間取得最佳平衡，請反覆測試模型。建議您先從最具成本效益的模型著手，再逐步改用更強大的選項。
  • 符合成本效益的提示：提示 (輸入) 和生成回覆 (輸出) 的長度會直接影響效能和成本。撰寫簡短、直接且提供充分背景資訊的提示。設計提示，讓模型提供簡潔的回覆。例如，加入「用 2 句話總結」或「列出 3 個重點」等詞句。詳情請參閱提示設計最佳做法。
  • 脈絡快取：如果要求含有重複內容，且輸入詞元數量較多，請使用脈絡快取功能，降低這類要求的成本。
  • 批次要求：在相關情況下，請考慮批次預測。批次要求的費用低於標準要求。

Cloud Run 成本考量

為確保 Cloud Run 實作符合成本要求，請考慮下列建議：

  • 資源分配：建立 Cloud Run 服務時，您可以指定要分配的記憶體和 CPU 數量。請先使用預設的 CPU 和記憶體配置。觀察資源用量和成本變化，並視需要調整分配。詳情請參閱「設定服務的記憶體限制」和「設定服務的 CPU 限制」。
  • 費率最佳化：如果能預測 CPU 和記憶體需求，可以透過承諾使用折扣 (CUD) 節省費用。

架構中所有 Google Cloud 產品的費用考量

在 Google Cloud部署應用程式後，您可以取得建議，使用 Active Assist 進一步最佳化成本。請查看建議，並視環境情況套用。詳情請參閱「在 Active Assist 中查看建議」。

如要估算 Google Cloud 資源的費用，請使用Google Cloud Pricing Calculator。

如要瞭解 AI 和機器學習工作負載專屬的成本最佳化原則和建議，請參閱 Well-Architected Framework 中的「AI 和機器學習觀點：成本最佳化」。

效能最佳化

本節說明設計考量和建議，協助您在 Google Cloud 中設計符合工作負載效能需求的拓撲。

代理效能考量

為確保代理程式設定符合效能需求，請參考下列建議：

  • 模型選取：為代理式 AI 系統選取模型時，請考量代理執行工作所需的能力。
  • 提示最佳化：如要快速大規模改善及最佳化提示成效，並避免手動重寫，請使用 Agent Platform 提示最佳化工具。提示詞最佳化工具可協助您有效率地調整提示詞，以便在不同模型中使用。

Agent Platform 效能注意事項

為確保 Agent Platform 設定和用量符合效能需求，請參考下列建議：

  • 模型選取：您為 AI 應用程式選取的模型會直接影響成本和效能。如要找出最適合特定用途的模型，在效能和成本之間取得最佳平衡，請反覆測試模型。建議您先從最具成本效益的模型著手，再逐步改用更強大的選項。
  • 提示工程：提示 (輸入) 和生成回覆 (輸出) 的長度會直接影響效能和成本。撰寫提示時，請簡短、直接，並提供充分的背景資訊。設計提示，讓模型提供簡潔的回覆。例如「用 2 句話總結」或「列出 3 個重點」。詳情請參閱提示設計最佳做法。
  • 脈絡快取：如果要求含有重複內容，且輸入詞元數量較多，請使用脈絡快取功能，減少延遲時間。

Cloud Run 效能注意事項

請依據效能需求，設定要分配給 Cloud Run 服務的記憶體和 CPU。詳情請參閱「設定服務的記憶體限制」和「設定服務的 CPU 限制」。

如需更多效能最佳化指南，請參閱「Cloud Run 一般開發提示」。

架構中所有 Google Cloud 產品的效能考量

在 Google Cloud部署應用程式後，您可以使用 Active Assist 取得建議，進一步提升效能。請查看建議，並視環境情況套用。詳情請參閱「在 Active Assist 中查看建議」。

如要瞭解 AI 和機器學習工作負載專屬的效能最佳化原則和建議，請參閱 Well-Architected Framework 中的「AI 和機器學習觀點：效能最佳化」。

部署作業

如要瞭解如何建構及部署多代理式 AI 系統，請使用下列程式碼範例。這些程式碼範例是功能完整的起點，可供您學習和實驗。為確保在正式環境中能以最佳狀態運作，您必須根據特定業務和技術需求自訂程式碼。

後續步驟

貢獻者

作者：Kumar Dhanagopal | 跨產品解決方案開發人員

其他貢獻者：