Google Cloud AI 產品怎麼選？從需求回推，不背產品清單

假設主管丟來三個需求：

1. 幫客服把回覆草稿寫快一點。
2. 讓員工能查公司內部文件，而且答案要附來源。
3. 做一個能查庫存、建立工單，必要時再請人核准的助理。

三個需求都可能用到 Gemini，但入口不一樣。第一個重點是模型生成，第二個重點是搜尋與引用，第三個還多了工具權限和流程控制。

所以選 Google Cloud AI 產品時，先問「系統要完成什麼工作」，不要先問「哪個產品最強」。

先看四層產品地圖

可以把常見產品分成四層。平台本身在 2026 年 4 月從 Vertex AI 更名為 Gemini Enterprise Agent Platform，下面簡稱 Agent Platform：

表格超出欄寬時，可左右捲動；鍵盤可聚焦表格後用左右方向鍵查看。

這是一張判斷方向的地圖，不是嚴格的產品邊界，也不是 Generative AI Leader 考試指南 1.3 列的 gen AI landscape 五層（基礎設施、模型、平台、Agent、應用）：那五層講的是整個生態系怎麼分工，這裡的四層只是依需求挑 Google Cloud 入口的順序。同一個正式系統，往往會同時使用其中兩到三層。

flowchart TB
  N["Business need"] --> G["Gemini／Agent<br/>Platform API<br/>生成與多模態理解"]
  G --> P["Agent Studio／<br/>Model Garden<br/>探索、比較<br/>與建置模型"]
  P --> S["Agent Search<br/>企業搜尋、<br/>RAG、引用"]
  S --> A["ADK／<br/>Agent Runtime<br/>規劃、工具、<br/>狀態、部署"]
  D["企業資料"] -.-> S
  T["API／工具"] -.-> A
  E["評估、IAM、<br/>成本與治理"] -.-> G
  E -.-> P
  E -.-> S
  E -.-> A

Gemini：先選能力，再選版本

Gemini 是 Google 的多模態模型家族。不同版本會在品質、速度、價格與生命週期之間取捨。

截至這篇更新時，常見起點是：

表格超出欄寬時，可左右捲動；鍵盤可聚焦表格後用左右方向鍵查看。

這裡刻意把 Preview 標出來。預覽模型很適合做概念驗證，但版本、配額或支援條件可能改變；正式環境若使用它，必須先設計升級與回退方案。

模型名稱也會更新。實作前應查看官方的模型版本與生命週期，不要直接從舊文章複製 Model ID。

不要只憑名稱選模型

比較模型時，至少要看五件事：

1. 品質：用自己的真實案例測試，不只看公開榜單。
2. 延遲：互動式客服和離線報表能接受的等待時間不同。
3. 成本：輸入、輸出、快取與思考 Token 都可能影響費用。
4. 能力：是否支援需要的模態、結構化輸出、函式呼叫或 Grounding。
5. 生命週期：是 GA、Preview，還是已公告淘汰日期。

最實用的做法通常是：先用一般型 GA 模型建立品質基準，再拿較輕量的模型跑同一組測試。若較便宜的模型已達標，就沒有必要為每個請求支付更高成本。

flowchart TB
  A["真實案例與驗收門檻"] --> B["一般型 GA 模型<br/>建立品質基準"]
  B --> C["同一測試集比較<br/>品質、延遲、成本、能力"]
  C --> D{"較輕量模型<br/>也達標？"}
  D -->|"是"| E["採用較低成本方案"]
  D -->|"否"| F["保留較高能力模型<br/>或調整工作流程"]
  E --> G["固定版本並持續回歸測試"]
  F --> G

Agent Studio：先把需求試清楚

Agent Studio 適合快速試做：

• 比較不同提示詞
• 測試文字、圖片或 PDF 輸入
• 調整輸出設定
• 取得可放進應用程式的範例程式碼

但 Studio 裡「看起來可以」只是起點。正式開發還要補上版本固定、測試資料、錯誤處理、權限、監控與成本控制。

下一課會直接用 Google Gen AI SDK 呼叫 Agent Platform 上的 Gemini。先在 Studio 找方向，再把相同任務放進可重複執行的程式，通常很順。

flowchart TB
  A["Agent Studio<br/>探索 Prompt 與輸入"] --> B["挑出可行設定"]
  B --> C["匯出 SDK 範例"]
  C --> D["應用程式<br/>固定模型與 Prompt 版本"]
  D --> E["補上 IAM、錯誤處理、<br/>測試、監控與預算"]
  E --> F{"回歸測試達標？"}
  F -->|"否"| A
  F -->|"是"| G["部署與持續觀測"]

Model Garden：模型不只 Gemini

Model Garden 是瀏覽與使用模型的入口，內容包含 Google 模型、合作夥伴模型與開放模型。

你可以用它回答幾個問題：

• 這個模型是否支援目前區域？
• 可以用代管 API 呼叫，還是需要自行部署？
• 授權與商業使用條件是什麼？
• 模型大小、硬體需求與費用是否符合預算？

不同模型的使用方式並不相同，不能看到 Model Garden 裡有一張模型卡，就假設它一定能用相同 API 或相同權限部署。

如果 Gemini 已經符合需求，通常先用代管模型會比較簡單。只有在模型能力、授權、資料控制或特定成本條件真的需要時，再評估其他模型。

Agent Search：答案要根據企業資料時

如果需求是「讓員工問公司文件，回答要能指出來源」，核心問題不是寫出漂亮句子，而是先找到正確資料。

Agent Search 提供企業搜尋與 RAG 所需的代管能力，包括語意搜尋、關鍵字搜尋與 Grounding。常見流程是：

使用者問題
   ↓
搜尋有權限查看的相關文件
   ↓
把片段與來源交給 Gemini
   ↓
產生答案並顯示引用

flowchart TB
  U["已驗證使用者的問題"] --> P["依身分套用資料權限"]
  P --> S["語意＋關鍵字搜尋"]
  S --> R["相關文件片段＋來源"]
  R --> G["Gemini Grounding"]
  G --> A{"證據足以回答？"}
  A -->|"是"| O["答案＋可點擊引用"]
  A -->|"否"| N["明確說明無法確認"]

它適合想快速建立企業知識搜尋、又不打算一開始就自己管理每個向量索引細節的團隊。

這個產品改過幾次名字：Agent Search 的舊名包括 Vertex AI Search 與 Agent Builder，Console 上放它的頁面現在仍叫 AI Applications。看舊教學時，若發現畫面或名稱對不上，先確認文件日期，再對照官方的產品更名對照表。

ADK 與 Agent Runtime：不只回答，還要做事

當系統需要查庫存、建立工單或呼叫內部 API，就進入 Agent 的範圍。舊教材裡的 Vertex AI Agent Builder 已經併入 Agent Platform；現在是用 ADK（Agent Development Kit）開發 Agent，用 Agent Runtime 部署與執行。

Agent 通常包含：

• 模型：理解需求與決定下一步
• 工具：搜尋、資料庫或 API
• 狀態：保存工作流程需要的資訊
• 控制：權限、核准、逾時與重試
• 評估與觀測：確認每一步是否安全、正確

重要的是，模型可以「提出」要呼叫哪個工具，真正執行與授權仍應由應用程式控制。不能因為模型產生了一段函式參數，就直接讓它繞過身分驗證或業務規則。

sequenceDiagram
  participant U as 使用者
  participant A as Agent
  participant C as 應用程式控制層
  participant T as 內部工具／API
  U->>A: 提出需求
  A->>C: 建議工具與參數
  C->>C: 驗證身分、權限、Schema、業務規則
  alt 查詢且授權通過
    C->>T: 以最小權限執行
    T-->>C: 結果
    C-->>A: 可用結果
    A-->>U: 整理回覆
  else 寫入或高風險動作
    C-->>U: 顯示動作內容並要求核准
    U->>C: 明確核准
    C->>T: 執行已核准動作
    T-->>U: 回傳結果與稽核紀錄
  end

用需求選入口

回到開頭三個需求：

客服回覆草稿

先用 Gemini 搭配 Agent Platform 的 API。把公司語氣、輸出格式和不確定時的處理方式寫清楚，再用歷史案例建立測試集。

內部文件問答

先評估 Agent Search。重點是資料來源、存取權限、文件更新、引用與答案是否有根據，不只是 Prompt。

能查庫存與建立工單的助理

用 ADK 與 Agent Runtime 設計流程，但把查詢與寫入分開處理。建立工單這類會改變外部狀態的操作，最好加上明確確認或人工核准。

成本不要靠猜

生成式 AI 的成本通常受這些因素影響：

• 輸入與輸出 Token 數量
• 模型版本
• 是否使用 Grounding、搜尋或其他工具
• 線上即時或批次處理
• 快取、思考與多模態資料量
• 自行部署模型時使用的運算資源

價格會調整，所以課程不寫死每百萬 Token 的金額。估算時請看Agent Platform 定價，再用真實輸入長度和預期流量試算。

上線前至少要有：

• 專案預算與告警
• 每個功能的使用量記錄
• 輸入與輸出 Token 監控
• 模型版本變更與回退計畫
• 一組可以重跑的品質測試

小練習：你會怎麼選？

請替下面三個情境各選一個起點，並寫下理由：

1. 每晚把五千筆商品評論分成固定的六個類別。
2. 讓法務搜尋內部合約，答案必須附上段落來源。
3. 從現場設備照片判斷故障現象，再草擬檢查步驟。

沒有唯一答案。你要說清楚的是品質、延遲、成本、資料來源與風險之間怎麼取捨。

下一課會從第一條路徑開始：用目前的 Google Gen AI SDK，實際呼叫 Agent Platform 上的 Gemini。

官方資料

• Agent Platform 生成式 AI 文件
• Gemini 模型版本與生命週期
• Gemini 3.5 Flash
• Model Garden
• Agent Search 與 RAG 選項
• Agent Platform 定價