Google 搜尋中心最新消息
掌握搜尋引擎最佳化 (SEO) 和 Google 搜尋的最新消息，包括網誌上的近期公告、說明文件內容異動、即將舉行的 Google 搜尋活動、YouTube 影片和 Podcast 節目。
Google 搜尋中心網誌近期貼文
使用 Vertex AI Agent Builder 建構 AI 虛擬服務專員
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
Trusted Space 程式碼研究室
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
在 Android 和其他平台上使用密碼金鑰
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
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
使用 PostgreSQL 適用的 Cloud SQL 將全端 JavaScript 應用程式部署至 Cloud Run
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
邏輯迴歸程式碼研究室
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
邏輯迴歸程式碼研究室
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
線性迴歸程式碼研究室
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
線性迴歸程式碼研究室
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
2025年3月6日
架構與狀態
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2日
開始使用 Spanner Vector Search
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。
Derek Downey, Rose Liu, Chow Lin
2025年2月28日
Aidemy：在 Google Cloud 上使用 LangGraph、EDA 和生成式 AI 建構多代理系統
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。
Christina Lin
2025年2月27日
說明文件近期更新內容
近期活動
查看最新影片
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
收聽最近幾集的《Search Off the Record》Podcast
瞭解 Google 搜尋的幕後運作原理。在每一集節目中，Google 搜尋關係團隊的成員會針對每次推出新版本的決策過程、Search Console 的功能優先順序和其他主題，提供相關背景資訊。
只要訂閱 Podcast，即可收到新集數上線通知。
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
在 Google Cloud Shell 編輯器中，開發人員專用 Gemini Code Assist Standard 和 Enterprise 版導覽
Updated 2025年2月25日
在本程式碼實驗室中，您將使用 Gemini Code Assist，這是 Google Cloud 中的 AI 技術輔助協作工具。您將瞭解如何使用 Gemini Chat 和內嵌程式碼輔助功能，生成程式碼、瞭解程式碼，以及執行其他 AI 輔助程式碼工作。
開始在 PostgreSQL 適用的 Cloud SQL 中使用向量嵌入
Updated 2025年2月24日
在本程式碼研究室中，您將瞭解如何使用 Cloud SQL AI 整合功能搭配向量搜尋，並在向量資料上建立索引
提供 AVIF 圖片
Updated 2025年2月24日
圖片占據網頁載入所需位元組的平均值 超過 60% 。使用 AVIF 可縮小圖片大小，加快網站載入速度。 AVIF 是一種源自 AV1 影片位元串流的圖片格式。AVIF 的設計宗旨是提高壓縮效率。 AVIF 圖片的大小比 JPEG、PNG、GIF 或 WebP 圖片小得多，且品質相同或更佳。 Squoosh 是圖片壓縮網頁應用程式，可輕鬆將圖片壓縮為 AVIF 圖片。 接著，Squoosh 會將圖片壓縮為 AVIF 圖片。Squoosh 完成後，右下角會顯示下載按鈕，並顯示 AVIF
如何為 AlloyDB 建立 Private Service Connect
Updated 2025年2月21日
在本程式碼研究室中，您將瞭解如何為 AlloyDB 建立 Private Service Connect
如何為 Cloud SQL 建立 Private Service Connect
Updated 2025年2月20日
在本程式碼研究室中，您將瞭解如何為 Cloud SQL 建立 Private Service Connect
在 AlloyDB 上為生成式 AI 和代理應用程式安裝及設定 Toolbox
Updated 2025年2月20日
在本程式碼研究室中，您將使用 Gen AI Toolbox for Databases 服務，為價格預測應用程式建構及部署工具箱，並使用 AlloyDB 和生成式 AI 功能。
在 Go 中實作生成式 AI 應用程式的觀測技術
Updated 2025年2月18日
生成式 AI 應用程式也需要像其他應用程式一樣具備可觀察性。 生成式 AI 是否需要特殊的可觀察性技術？ 在本研究室中，您將建立簡單的生成式 AI 應用程式。部署至 Cloud Run 。並使用 Google Cloud 觀測能力服務和產品，為其加入必要的監控和記錄功能。 如果您還沒有 Google 帳戶，請 建立新帳戶 。 在終端機中，啟用本實驗室所需的 Google API： 這個指令需要一段時間才能完成。最後，它會產生類似以下的成功訊息： 如果您收到開頭為 ERROR:
程式碼研究室 - 使用 Firestore、Vector Search、Langchain 和 Gemini 建構瑜珈姿勢推薦應用程式 (Python 版本)
Updated 2025年2月12日
本程式碼研究室將引導您建立知識驅動的瑜珈姿勢推薦應用程式，該應用程式會提供相符的瑜珈姿勢，回答使用者的問題。您將瞭解如何從 Hugging Face 資料集建立瑜珈姿勢的 Firestore 集合、設定 Firestore 向量搜尋，以及將所有內容整合至 Flask 應用程式。
在 JavaScript 中實作生成式 AI 應用程式的實際可觀察性技術
Updated 2025年2月10日
生成式 AI 應用程式也需要可觀察性， 生成式 AI 是否需要特殊的可觀察性技術？ 在本研究室中，您將建立簡單的生成式 AI 應用程式。部署至 Cloud Run 。並使用 Google Cloud 觀測能力服務和產品，為其加入必要的監控和記錄功能。 如果您還沒有 Google 帳戶，請 建立新帳戶 。 在終端機中，啟用本實驗室所需的 Google API： 這個指令需要一段時間才能完成。最後，它會產生類似以下的成功訊息： 如果您收到開頭為 ERROR: