瞭解 Core Web Vitals 和 Google 搜尋結果
Core Web Vitals 是一組衡量實際使用者體驗的指標，包括網頁的載入效能、互動性和視覺穩定性；我們強烈建議網站擁有者在 Google 搜尋中獲得良好的 Core Web Vitals，並確保使用者通常皆能享有良好的使用體驗。這與網頁體驗的其他層面一樣，都是我們的核心排名系統決定排名的考量要素。詳情請參閱「瞭解 Google 搜尋結果中的網頁體驗」。
Core Web Vitals 指標
- Largest Contentful Paint (LCP)：評估載入效能。為了提供良好的使用者體驗，請力求在開始載入網頁的 2.5 秒內完成 LCP。
- Interaction to Next Paint (INP)：評估回應速度。為了提供良好的使用者體驗，請力求讓 INP 分數低於 200 毫秒。
- Cumulative Layout Shift (CLS)：評估視覺穩定性。為了提供良好的使用者體驗，請力求讓 CLS 分數低於 0.1。
最佳化 Core Web Vitals
以下幾項資源可協助您評估及監控 Core Web Vitals，並進行最佳化調整：
- 查看 Search Console 中的 Core Web Vitals 報告。這份報告會顯示您的網頁效能。
- 請參閱這份指南，進一步瞭解 Core Web Vitals 相關概念，包括評估、偵錯、改善與最佳做法。
- 進一步瞭解可協助您評估及回報 Core Web Vitals 的不同工具，這些工具能夠評估 LCP、INP 和 CLS。
使用 Vertex AI Agent Builder 建構 AI 虛擬服務專員
Updated 2025年3月7日
在本程式碼研究室中，您將學習如何使用 Google Cloud 強大的工具和基礎架構，建構及部署生成式 AI 代理程式。我們將介紹基本概念，並逐步引導你完成初始步驟，讓第一位服務專員順利執行服務。
使用 PostgreSQL 適用的 Cloud SQL 將全端 JavaScript 應用程式部署至 Cloud Run
Updated 2025年3月6日
Cloud Run 是一個全代管運算平台，讓您能直接在可擴充的 Google 基礎架構上執行程式碼。本程式碼研究室將示範如何將 Cloud Run 上的 Next.js 應用程式連結至 PostgreSQL 適用的 Cloud SQL 資料庫。 本實驗室的學習內容包括： 在終端機中啟用 API： 如果出現授權提示訊息，請點選「授權」 繼續操作。 這個指令可能需要幾分鐘才能完成，但最終應該會顯示類似以下的成功訊息： 建立並設定 Cloud Run 可使用的 Google Cloud
邏輯迴歸程式碼研究室
Updated 2025年3月6日
本程式碼研究室將說明如何使用邏輯迴歸，瞭解性別、年齡層、曝光時間和瀏覽器類型等特徵，與使用者按下廣告的可能性有多大的關聯。 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 首先，請選取含有大量高品質資料的舊廣告活動。要是不確定哪個廣告活動含有最佳品質的資料，不妨針對時間最早且可存取的整月資料執行以下查詢： 選取較舊的資料後，您就能針對即將從廣告資料中心移除的資料訓練及測試模型。如果這項資料受到模型訓練限制，資料刪除後，這些限制就會結束。
邏輯迴歸程式碼研究室
Updated 2025年3月6日
本程式碼研究室將說明如何使用邏輯迴歸，瞭解性別、年齡層、曝光時間和瀏覽器類型等特徵，與使用者按下廣告的可能性有多大的關聯。 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 首先，請選取含有大量高品質資料的舊廣告活動。要是不確定哪個廣告活動含有最佳品質的資料，不妨針對時間最早且可存取的整月資料執行以下查詢： 選取非近期資料後，您就能針對即將從廣告資料中心移除的資料訓練及測試模型。如果這項資料受到模型訓練限制，資料刪除後，這些限制就會結束。
線性迴歸程式碼研究室
Updated 2025年3月6日
本程式碼研究室將說明如何使用線性迴歸建立模型，以便預測單次點擊出價。 如要完成這個程式碼研究室，請務必符合以下條件： 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 執行下列查詢 最佳做法是將資料表建立步驟與模型建立步驟分開。 請針對您在上一個步驟建立的暫存資料表，執行以下查詢。請放心，您不用提供開始和結束日期，系統會根據暫存資料表的資料推斷這兩項資訊。 資料列 mean_absolute_error mean_squared_error
線性迴歸程式碼研究室
Updated 2025年3月6日
本程式碼研究室將說明如何使用線性迴歸建立模型，以便預測單次點擊出價。 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 執行下列查詢 最佳做法是將資料表建立步驟與模型建立步驟分開。 請針對您在上一個步驟建立的暫存資料表，執行以下查詢。請放心，您不用提供開始和結束日期，系統會根據暫存資料表的資料推斷這兩項資訊。 資料列 mean_absolute_error mean_squared_error mean_squared_log_error
開始使用 Spanner Vector Search
Updated 2025年2月28日
在本程式碼實驗室中，您將建立 Spanner 例項，並使用 Spanner 內建的向量搜尋功能，以及與 Vertex AI 模型整合，對向量嵌入執行相似度搜尋。
Aidemy：在 Google Cloud 上使用 LangGraph、EDA 和生成式 AI 建構多代理系統
Updated 2025年2月27日
在 Google Cloud Platform 上開發名為「Aidemy」的功能性 AI 輔助教學系統，展示多代理系統的強大功能。在 Google Cloud 上設計、建構及部署複雜的多代理系統，掌握 LLM 應用程式開發的關鍵概念，並瞭解事件導向架構的優點，累積實務經驗。
使用 Cloud 資料庫、無伺服器執行階段和開放原始碼整合功能的玩具店搜尋應用程式
Updated 2025年2月27日
在本程式碼研究室中，您將建構以 RAG 為基礎的向量搜尋應用程式，用於為客戶搜尋相符的玩具 (透過文字和圖片)、根據使用者要求建立自訂玩具，以及使用 AlloyDB、Gemini、Imagen、LangChain4j 和資料庫專用的 GenAI Toolbox 預測自訂玩具的價格。
Private Service Connect 介面 Vertex AI Pipelines
Updated 2025年2月26日
在本教學課程中，您將瞭解如何設定及驗證 Private Service Connect Vertex AI Pipelines
在 Kubernetes 上執行 AlloyDB Omni 和本機 AI 模型。
Updated 2025年2月25日
在本程式碼研究室中，您將學習如何在 GKE 叢集中部署 AlloyDB Omni、將 I 模型部署至相同叢集、在 AlloyDB Omni 中註冊模型，並讓兩者協同運作
使用 AlloyDB AI 和 LangChain 建構 LLM 和 RAG 型即時通訊應用程式
Updated 2025年2月25日
在本程式碼研究室中，您將瞭解如何建立 AlloyDB 叢集、為資料庫部署 GenAI 資料庫檢索服務，以及使用這項服務建立範例應用程式。
透過 AlloyDB Omni 中的資料欄引擎加快數據分析查詢速度。
Updated 2025年2月25日
在本程式碼研究室中，您將瞭解如何在運算 VM 中部署 AlloyDB Omni、載入資料，以及使用 AlloyDB Columnar Engine 提升效能
網誌近期更新內容
以下是 Google 搜尋中心網誌上與 Core Web Vitals 相關的所有公告：
瞭解如何運用導覽選項、進階狀態和連帶效果開發實際運作的應用程式。 2025年3月7日 在本程式碼研究室中，您將學習如何使用 Google Cloud 強大的工具和基礎架構，建構及部署生成式 AI 代理程式。我們將介紹基本概念，並逐步引導你完成初始步驟，讓第一位服務專員順利執行服務。 Thu Ya Kyaw (Googler), Abhishek Sharma (GDE) 2025年3月7日 在本程式碼研究室中，您將瞭解如何使用 Trusted Space 解決方案，透過加速器執行 AI/ML 工作負載。 Meetrajsinh Vala 2025年3月7日 開始使用密碼金鑰，為使用者打造安全又便利的驗證體驗。 2025年3月7日 Compose for Wear OS 是新型的宣告式 UI 工具包，一起來瞭解如何使用這個工具包建構最適合手錶的美觀 UI。 2025年3月6日 Cloud Run 是一個全代管運算平台，讓您能直接在可擴充的 Google 基礎架構上執行程式碼。本程式碼研究室將示範如何將 Cloud Run 上的 Next.js 應用程式連結至 PostgreSQL 適用的 Cloud SQL 資料庫。 本實驗室的學習內容包括： 在終端機中啟用 API： 如果出現授權提示訊息，請點選「授權」 繼續操作。 這個指令可能需要幾分鐘才能完成，但最終應該會顯示類似以下的成功訊息： 建立並設定 Cloud Run 可使用的 Google Cloud Luke Schlangen & Jack Wotherspoon 2025年3月6日 本程式碼研究室將說明如何使用邏輯迴歸，瞭解性別、年齡層、曝光時間和瀏覽器類型等特徵，與使用者按下廣告的可能性有多大的關聯。 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 首先，請選取含有大量高品質資料的舊廣告活動。要是不確定哪個廣告活動含有最佳品質的資料，不妨針對時間最早且可存取的整月資料執行以下查詢： 選取較舊的資料後，您就能針對即將從廣告資料中心移除的資料訓練及測試模型。如果這項資料受到模型訓練限制，資料刪除後，這些限制就會結束。 2025年3月6日 本程式碼研究室將說明如何使用邏輯迴歸，瞭解性別、年齡層、曝光時間和瀏覽器類型等特徵，與使用者按下廣告的可能性有多大的關聯。 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 首先，請選取含有大量高品質資料的舊廣告活動。要是不確定哪個廣告活動含有最佳品質的資料，不妨針對時間最早且可存取的整月資料執行以下查詢： 選取非近期資料後，您就能針對即將從廣告資料中心移除的資料訓練及測試模型。如果這項資料受到模型訓練限制，資料刪除後，這些限制就會結束。 2025年3月6日 本程式碼研究室將說明如何使用線性迴歸建立模型，以便預測單次點擊出價。 如要完成這個程式碼研究室，請務必符合以下條件： 如要完成這個程式碼研究室，您需要足夠的高品質廣告活動資料來建立模型。 執行下列查詢 最佳做法是將資料表建立步驟與模型建立步驟分開。 請針對您在上一個步驟建立的暫存資料表，執行以下查詢。請放心，您不用提供開始和結束日期，系統會根據暫存資料表的資料推斷這兩項資訊。 資料列 mean_absolute_error mean_squared_error 2025年3月6日架構與狀態
使用 Vertex AI Agent Builder 建構 AI 虛擬服務專員
Trusted Space 程式碼研究室
在 Android 和其他平台上使用密碼金鑰
Compose for Wear OS
使用 PostgreSQL 適用的 Cloud SQL 將全端 JavaScript 應用程式部署至 Cloud Run
邏輯迴歸程式碼研究室
邏輯迴歸程式碼研究室
線性迴歸程式碼研究室