跳至主要内容
文档
close
开始使用
Google Cloud 使用入门
商品列表
Cloud Customer Care
精选产品
Agent Platform
Apigee API Management
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
交互的能力
Looker
跨产品工具
访问权限和资源管理
费用和用量管理
基础设施即代码
SDK、语言、框架和工具
技术领域
AI 和机器学习
应用开发
应用托管
计算
数据分析和流水线
数据库
分布式云、混合云和多云
行业解决方案
迁移
网络
可观测性和监控
安全
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
登录
Documentation
Cloud Architecture Center
免费开始使用吧
文档
更多
控制台
< Architecture Center 首页
新变化
基础知识
内容概览
Well-Architected Framework
概览
新变化
支柱
卓越运营
概览
借助 CloudOps 确保运营就绪状态和性能达标
管理突发事件和问题
管理并优化云资源
将变更流程自动化，同时进行管控
持续改进和创新
在一个页面中查看
安全性、隐私权和合规性
概览
践行“设计即安全”理念
落地零信任架构
实现提前确保安全性
构建预防性网络防御体系
安全且负责任地使用 AI
将 AI 用于安全领域
满足监管、合规性和隐私权需求
共担责任和命运
在一个页面中查看
可靠性
概览
根据用户体验目标定义可靠性
设定切合实际的可靠性目标
通过冗余构建高可用性
利用横向可伸缩性优势
利用可观测性检测潜在故障
从设计上支持优雅降级
开展故障恢复测试
开展数据丢失恢复测试
进行全面的事后剖析
在一个页面中查看
费用优化
概览
让支出与业务价值相匹配
培养成本意识文化
优化资源使用情况
持续优化
在一个页面中查看
性能优化
概览
规划资源分配
利用弹性优势
推行模块化设计
持续监控并提升性能
在一个页面中查看
可持续
概览
使用低碳区域
优化 AI 和机器学习工作负载
优化资源使用情况
开发高能效软件
优化数据和存储空间
持续衡量和改进
推广可持续发展文化
符合行业准则
在一个页面中查看
在一个页面上查看所有支柱
跨支柱视角
AI 和机器学习
概览
卓越运营
安全
可靠性
费用优化
性能优化
在一个页面中查看
金融服务 (FS)
概览
卓越运营
安全
可靠性
费用优化
性能优化
在一个页面中查看
部署原型
概览
Zonal
区域
多区域
全球
Hybrid
多云
比较分析
后续操作
参考架构
Compute Engine 上的单可用区部署
Compute Engine 上的区域级部署
Compute Engine 上的多区域部署
在 Compute Engine 和 Spanner 上进行全球部署
着陆区设计
着陆区概览
确定身份初始配置
确定资源层次结构
网络设计
确定网络设计
实现网络设计
确定安全性
企业基础蓝图
概览
架构
身份验证与授权
组织结构
网络
检测控制措施
预防性控制
部署方法
操作最佳实践
部署蓝图
AI 和机器学习
内容概览
智能体 AI
概览
选择代理架构组件
选择代理设计模式
多智能体 AI 系统
多代理专用网络模式
多租户智能体 AI 系统
使用 ADK 和 Cloud Run 的单智能体 AI 系统
用例
管理互动式学习
实现数据科学工作流自动化
构建跨云开放式数据湖仓一体
使用 Google Maps Platform 构建值得信赖的智能体系统
对多模态数据进行分类
针对分布式数据实现智能体分析
启用双向多模态直播
多模态 GraphRAG 资源编排
协调对不同系统的访问
编排安全运维工作流
生成式 AI
概览
使用 RAG 的生成式 AI
概览
支持 RAG 的生成式 AI 应用的专用连接
使用 Gemini Enterprise 和 Agent Platform 的 RAG 基础设施
使用 Agent Platform 和 Vector Search 的 RAG 基础设施
使用 Agent Platform 和 AlloyDB 的 RAG 基础架构
使用 GKE 和 Cloud SQL 的 RAG 基础设施
使用 Agent Platform 和 Spanner Graph 构建 GraphRAG 基础设施
执行适用于 RAG 应用的 CI/CD 流水线
部署企业生成式 AI 和机器学习模型
部署和运行生成式 AI 应用
在所有后端上部署 AI 推理模型的网络方案
GKE 上 AI 推理模型部署的网络
用例
自动执行健康保险索赔的利用率审核
生成个性化营销活动
生成个性化的产品推荐
根据音频生成播客
针对客户支持问题生成解决方案
机器学习应用和运营
概览
在 Google Cloud 上实现机器学习的最佳实践
有关高质量预测式机器学习解决方案的指南
使用 TensorFlow Extended、Agent Platform Pipelines 和 Cloud Build 的 MLOps
MLOps：机器学习中的持续交付和自动化流水线
使用 Dataflow 和 Cloud Vision API 构建机器学习视觉分析解决方案
参考架构
部署架构
用于数据分析和 AI 的机密计算
跨孤岛和跨设备联邦学习
通过大规模候选集生成实现双塔检索
利用 Labelbox 开发模型并为数据添加标签
C3 AI 架构
AI 和机器学习基础设施
使用 Cloud Storage FUSE 优化 AI 和机器学习工作负载
使用 Managed Lustre 优化 AI 和机器学习工作负载
应用开发
内容概览
开发方法和样式
构建可扩缩且弹性佳的应用时应遵循的模式
开发平台管理
部署企业开发者平台
概览
架构
开发者平台控制
服务架构
日志记录和监控
运营
费用和归因
部署方法
Cymbal Bank 示例
映射 BeyondProd 原则
部署蓝图
在 GKE 上运行费用经过优化的 Kubernetes 应用的最佳实践
通过 GKE Gateway 公开服务网格应用
参考架构
部署架构
使用 GKE Gateway 和 Cloud Service Mesh 构建分布全球的应用
参考架构
部署架构
Google Cloud 上身份和访问权限治理的模式和做法
使用 ServiceNow 管理资源
