Google Agent Platform：功能、計費與客服應用

Google Agent Platform 是 Google Cloud 用來打造、部署、治理與優化 AI 代理的企業級平台，官方現名 Gemini Enterprise Agent Platform，產品頁標題直接掛上「formerly Vertex AI」，說明它就是 Vertex AI 的演進版本。2026 年 4 月 22 日，Google Cloud 在發表公告中宣布這個新名字，把模型選擇、模型建置與代理建置能力，連同代理整合、DevOps、編排與安全的新功能整併成單一平台，官方文件裡的短名就叫 Agent Platform。中文圈慣稱的 Google Agent Platform，指的正是這一套。

依官方文件總覽，平台圍繞四個支柱組織：Build 負責開發、Scale 負責部署與擴展、Govern 負責治理、Optimize 負責評測與優化，底層可取用超過 200 個基礎模型，覆蓋從開發到上線的完整生命週期。計費可拆成三層：模型 token 費、代理運算資源費、資料與搜尋費，其中代理運算資源與部分搜尋服務設有每月免費額度，新客戶另有 300 美元的試用額度。客服則是官方點名的重點場景，從平台組件到 Agent Assist、Contact Center AI Platform 的完整產品線各有對應位置，後文會逐項拆解。

一個平台的三個名字：Vertex AI、Agent Platform 與 Gemini Enterprise

要看懂這個產品，先把名字理清楚。時間拉回 2025 年 4 月 9 日，Google Cloud 在當年的 Next 大會發布多代理系統公告，把 Agent Development Kit（ADK）、Agent Garden、Agent Engine 與 Agent2Agent 協定四件套加進 Vertex AI，當時的定位是在 Vertex AI 上建造與管理多代理系統。ADK 定位為開源框架，官方的說法是一百行之內的直覺程式碼就能建出一個代理，首發只提供 Python 一種語言。

一年後局面重整。2026 年 4 月 22 日的公告宣布推出 Gemini Enterprise Agent Platform，定位寫得明白：它是 Vertex AI 的演進，把客戶熟悉的模型選擇、模型建置與代理建置能力，加上代理整合、DevOps、編排與安全的新功能，整併為一個平台。公告同時寫死方向：往後所有 Vertex AI 服務與路線圖演進，一律透過 Agent Platform 交付，不再以獨立服務的形態存在。對已經在 Vertex AI 上開發的團隊，這不是多一個新選項，而是既有投資的收斂與升級。

名稱對照的實務做法如下：產品頁現在的標題是 Gemini Enterprise Agent Platform（formerly Vertex AI），文件站的入口文件名是 Agent Platform overview，中文討論裡的 Google Agent Platform 稱呼對應同一個產品。讀文件、比規格、看報價時，建議以官方現名為準，再把三個名字當成同一條產品線在不同時期的稱呼，才不會把新舊文件誤讀成兩套產品。

還有一條名稱變動值得記錄。原本獨立銷售的 Google Agentspace，官方在後續公告加上編注：Agentspace 現在是 Gemini Enterprise 的一部分，Agentspace 背後的代理建立與編排技術，如今支撐 Gemini Enterprise 平台的核心功能。換句話說，開發與取用形成兩端：技術團隊在 Agent Platform 上建代理，公告說明這些代理可以透過 Gemini Enterprise app 順暢交付給員工使用，同時與 IT 營運緊密整合，在規模擴大時維持控制、治理與安全。

讀舊文件時要帶著翻譯表。2025 年的教學與文件講的 Agent Engine，對應 2026 年文件裡的 Agent Runtime。網路上大量教學以 Vertex AI 為名講同樣的功能，內容未必過時，但選單位置與服務名稱通常已經改版。養成「先看文件日期、再對照官方現名」的習慣，可以省下不少按圖索驥卻找不到按鈕的時間。

若你對 AI 代理的基本概念還不熟，例如代理跟聊天機器人的差別、工具呼叫怎麼運作，可以先回頭讀站上的AI Agent 實戰指南，再回來看平台規格會順很多。

四大支柱：Build、Scale、Govern、Optimize

官方文件把平台組織成四個支柱，這個切法也是理解功能的最好地圖。Build 支柱放開發工具：ADK 是模組化且模型無關的框架，Agent Studio 是低程式碼的視覺畫布，Agent Garden 提供預建代理與模板，Model Garden 則是模型入口，官方對它的描述是取用 Google 前沿模型、第三方模型與開源模型的櫃位。資料側有 RAG Engine，負責把私有企業資料安全接上大型語言模型，官方對它的說明是改善回答準確度並降低幻覺，Vector Search 則是為 AI 應用而生的原生搜尋引擎，處理資料的存放、檢索與管理。開發介面另有兩個互補選項：Colab Enterprise 筆記本走程式碼路線，供資料分析與實驗使用，Managed Agents API 則以組態驅動、REST 優先的介面，在全託管沙箱裡建自主代理，適合想把代理當資源呼叫、不想管部署細節的團隊。

Scale 支柱處理上線後的事。Agent Runtime 是高效能、可擴展的執行環境，支援次秒級冷啟動與長時間運行的代理。Sessions 管理單次互動內的狀態與上下文，Memory Bank 讓代理擁有跨連續對話的長期記憶，Code Execution 讓代理在安全沙箱裡生成並執行 Python 程式碼，處理計算與資料分析。這四個組件合起來，回答的是代理上線後最現實的問題：跑得動、記得住、算得出來。

Govern 支柱回應企業最大的疑慮：代理滿天飛之後誰來管。Agent Registry 是組織級的代理、工具與技能目錄，Agent Identity 給每個代理唯一的密碼學身分，讓每個動作都有清晰可稽核的軌跡並做到細粒度授權，Agent Gateway 搭配 Model Armor 成為政策執行點，保護代理互動、防範威脅並確保合規。治理政策層還有內容保護與語意治理，目標是降低資料外洩這類風險，威脅與弱點掃描則針對代理系統的特性提供即時偵測。文件同時提醒，這層防護涵蓋的不只是自建代理，從合作夥伴生態引入的代理也在管轄範圍內。

Optimize 支柱負責讓代理變好，官方的清單包括以多輪自動評審與線上流量評估系統性檢驗代理品質、用可設定的虛擬人物模擬多輪互動壓力測試、以統一的追蹤檢視器看清代理的推理與效能，以及用失敗分析回頭優化系統指令。四個支柱不是行銷話術，而是採購清單。評估各家代理平台時，都可以拿這四個面向去問：開發工具齊不齊、部署環境撐不撐得住長任務、治理機制能不能對稽核交待、上線後有沒有評測與除錯的工具鏈。Google 的設計把四段全部收進同一個產品，這是它與單點工具最大的差異。

核心功能拆解

開發側：ADK、Agent Studio 與 Agent Garden

ADK 是整個平台的開發核心。它開源且模型無關，2025 年 4 月首發時只有 Python，現在的官方文件列出 Python、TypeScript、Go、Java 四種語言。它原生支援多代理架構，可以把代理組成專業分工的團隊，讓它們互相協作與派工。編排設計上走雙軌：需要可預測的流程就用工作流代理定出固定管線，需要隨情境調整就交給代理協調的動態路由，兩種風格可以在同一個系統裡並用。規模數字可以佐證它的位置：2026 年 4 月的公告說，ADK 每月經手的 Gemini 模型 token 量超過六兆。採用方的現身說法也在同一份公告裡：PayPal 表示他們用 ADK 與視覺化工具檢視代理互動、管理多代理工作流，把代理快速建置並部署到正式環境。

2026 年的改版把多代理組織再推一層。官方公告說，把代理組織成子代理網路可以解鎖更強的推理能力，這套新的圖形化框架讓你為代理協作定義清晰可靠的邏輯。背景任務也有專屬機制：批次與事件驅動代理能把 BigQuery 與 Pub/Sub 裡的資料叫起來，在背景跑大量非同步工作，例如內容評估或資料分析。對行銷與內容團隊來說，內容評估與資料分析這類大量非同步工作，可以直接交給這批代理在背景執行，不必佔用互動路徑的資源。

不寫程式的人從 Agent Studio 入場。2026 年改版後的定位是從簡單提示一路做到複雜代理的視覺畫布，等到需要深度客製，再把邏輯直接匯出成 ADK 專案，轉進全碼環境繼續開發。這條低阻力路徑的設計意圖很清楚：讓業務側先做出可用的原型，再交給工程團隊收斂成正式服務。平台裡還有一個代理式開發的新入口：Google Antigravity 提供集中式的應用程式來引導、客製與編排代理，可以同時部署多個代理執行完整工作流，官方舉的例子是產品發表會：網站程式碼生成、符合品牌的素材產製、客戶信件撰寫一次派工。

Agent Garden 是官方策展的樣本庫，設計目的是讓開發者用預建樣本快速起頭。文件給的例子包括附預設邏輯的 RAG 樣本、可連到 GitHub 原始碼深度客製的模板，以及與 RAG Engine、Vector Search、Gemini 模型預先整合的基礎設施。用途導向是它的一大特色，官方明言每個樣本對準特定任務，例如以文件為本的客服支援，或產業級的研究整合。2026 年的公告再補上一批模板：程式碼現代化、財務分析、經濟研究、發票處理，直接當多代理系統的積木用。

模型選擇：Model Garden 與超過 200 個模型

Model Garden 是平台的模型櫃，官方說法是提供對超過 200 個全球主要模型的第一級取用，包含 Google 自家的 Gemini 3.1 Pro、Gemini 3.1 Flash Image、Lyria 3，開源的 Gemma 4，也支援第三方的 Anthropic Claude Opus、Sonnet、Haiku。混合模型陣容是實際的採購優勢：Model Garden 一個入口就提供超過 200 個模型，Google 自家與 Claude 的牌價也列在同一份平台定價頁上，不必為了用 Claude 另立一套採購。

第三方模型的帳怎麼算，平台定價頁有明碼：Claude Opus 5 每百萬 token 輸入 5 美元、輸出 25 美元，Claude Sonnet 5 輸入 2 美元、輸出 10 美元。想深入 Google 自家陣容的模型特性與取捨，可以搭配站上的Gemini 3 完整指南，Claude 的模型定位與計價細節，則可參考Claude Sonnet 5 的深度解析。

模型進來之後還能再調。產品頁說明可以用多種調校選項把模型客製到自己的情境，模型評估服務則提供企業級的工具，對生成式模型做客觀、資料驅動的評估。最新的進展是強化學習微調：2026 年 9 月的 release notes 顯示，可以在 Google Cloud 控制台建立、監控並測試 Gemini 模型的強化學習微調工作，配置程式碼或模型獎勵函數，先對樣本提示測試獎勵邏輯再上場，訓練與評估指標即時追蹤，微調後的檢查點還能直接在 Agent Studio 裡測試。對需要把代理行為對齊特定業務規則的團隊，這是把「提示工程」升級成「系統化訓練」的入口。

部署與狀態：Agent Runtime、Sessions 與 Memory Bank

Agent Runtime 是 2026 年改版後的執行環境，官方強調兩個數字等級的表現：次秒級冷啟動，以及秒級供應新代理。它也支援多日工作流，可以部署連續自主運行數天的長時代理，處理需要長期持久性的多步驟流程。它的前身是 2025 年公告裡的 Agent Engine，當時的定位是 Vertex AI 裡的全託管執行環境，負責把自建代理推上正式環境，內建測試、發布與可靠性機制。改名 Agent Runtime 之後，規格往長任務與狀態管理深化，對客服、研究這類一跑就是幾天的任務型態是關鍵升級。

代理要自己動手做事，就需要沙箱。Agent Sandbox 提供硬化的執行環境，讓模型生成的程式碼與電腦操作任務（例如瀏覽器自動化）在不危及宿主系統的前提下運行。Release notes顯示 Computer Use 與 Shell 沙箱已在 2026 年 9 月 9 日進入正式版，同波還加上 VPC Service Controls、私人服務連線與客戶自管金鑰的支援，把沙箱拉進企業網路與加密的合規框架。Shell 沙箱能在隔離的 Linux 容器裡執行不受信任的指令、安裝套件、操作檔案，暫停與恢復機制讓閒置的沙箱可以釋放運算資源又保留檔案狀態。

Sessions 與 Memory Bank 解決狀態問題。Sessions 管理對話歷史與狀態，支援自訂 Session ID，也就是用你自己的唯一識別碼追蹤連續對話，直接映射到內部資料庫與 CRM 紀錄，這個設計對客服場景至關重要，後文會再回到它。Memory Bank 則從對話中動態生成並整理長期記憶，新的 Memory Profiles 讓代理以低延遲召回高準確度的細節。官方引述的落地案例裡，日本餐廳發現服務 Gurunavi 用 Memory Bank 記住使用者過往行為與偏好，主動給出建議，預期使用者滿意度提升 30% 以上。金融科技公司 Payhawk 的財務控制代理記住使用者習慣後自動提交費用報告，提交時間減少超過 50%。兩個案例指向同一件事：記憶讓代理從「每次都重新認識你」變成「越用越懂你」，這是代理與聊天機器人在體驗上的分水嶺。

治理：Agent Identity、Agent Registry 與 Agent Gateway

治理三件套是這個平台與自組工具鏈拉開差距的地方。Agent Identity 給每個代理唯一的密碼學身分，讓代理的每個動作都有清晰可稽核的軌跡，授權政策可以直接綁在身分上。Agent Registry 是企業的單一事實來源，索引組織內每個代理、工具與技能，確保只有受治理、被核准的資產能被取用。Agent Gateway 的官方比喻是代理生態的流量管制中心，提供代理與工具之間安全統一的連線，強制一致的安全政策，並以 Model Armor 防範提示注入與資料外洩。

防護不只靜態政策。Agent Anomaly Detection 用統計模型加上 LLM 評審框架標記異常推理，與威脅偵測機制並行，讓可疑行為在釀成事故前被看見。Agent Gateway 的計費設計也反映治理思路：牌價明定每 vCPU 小時對應 15,000 次 API 呼叫或授權請求，閘道經手的互動量會直接反映在帳單上。對受金融、醫療等強監管約束的組織，這一層是把代理從實驗推進正式環境前必須驗收的欄位。

品質：模擬、評測與可觀測性

Optimize 支柱的工具鏈圍繞一個問題：代理上線後怎麼知道它表現好。Agent Simulation 用擬真的合成使用者互動與虛擬化工具在受控環境測試代理，依多步對話中的任務成功率與安全性自動計分。Agent Evaluation 對線上流量持續評分，用多輪評審模型評估整段對話的邏輯，而不只是單則回應。Agent Observability 提供統一的追蹤檢視，把複雜推理視覺化，問題發生時可以逐段除錯。Agent Optimizer 則自動聚類真實世界的失敗模式，建議修正後的系統指令來提高準確度。

把四件事連起來看，它構成一套上線後的品質迴圈：先模擬、上線後評測、異常時看追蹤、定期用失敗聚類回頭改提示。評測工具還能吃即時流量的數據，代表分數會隨真實使用漂移而更新，而不是上線那天的快照。對客服這類直接面對顧客的應用，這條迴圈的存在與否，直接決定代理是越用越準，還是默默漂移。

連線標準：MCP 與 A2A

平台對兩個開放標準的支援值得單獨看。MCP 的官方文件定義很簡潔：MCP 標準化大型語言模型與 AI 應用或代理連接外部資料來源的方式。Google 給的配套是 Agent Platform 遠端 MCP 伺服器，啟用平台 API 即可打開，可從 Gemini CLI、ChatGPT、Claude 與自建應用連進來管理 Agent Platform 的資源。換句話說，你可以在別家的助理裡管理 Google 代理平台的資源，這是開放標準帶來的實際彈性。2025 年的公告也把立場說清楚：用 MCP 這類開放標準為代理配備資料，或直接接 Google Cloud 管理的 API 與連接器，回應可以接地於 Google Search、自選資料來源或 Google Maps 資料。

A2A 協定處理另一個方向：代理之間的互操作。2025 年 4 月的公告說它給代理一個共同的開放語言來協作，無論代理建立在哪個框架或供應商上，Google 並表示這是與眾多產業夥伴共同推動的開放標準。兩個標準的分工可以這樣記：MCP 把工具與資料接到代理身上，A2A 讓代理彼此對話與派工，規格中用來描述代理能力的 Agent Card，則是跨框架協作的共同語彙。

資料接地與搜尋：讓代理講話有依據

代理要能回答企業自己的問題，資料接地是繞不開的工程。平台在這層提供三個互相搭配的組件：RAG Engine 負責把私有企業資料安全接上語言模型，目標是提高回答準確度並降低幻覺。Vector Search 提供向量檢索的基礎設施，處理 embedding 的存放與近鄰搜尋。接地於 Google 搜尋則讓代理的回答可以引用開放網路的資訊，官方文件明言接地查詢帶進來的輸入 token 不收費，這點在計費篇會再展開。

企業資料檢索的託管方案是 Agent Search，官方文件的改名說明註明 Vertex AI Search 正在改名為 Agent Search，文件內容也持續更新到新品牌。定價頁把它拆成兩種計費模式：一種按查詢與索引用量付費，適合剛起步或流量難以預測的工作負載。Configurable 模式則以每月訂閱提供核心搜尋容量，官方定位是給工作負載穩定、想要更強成本控制的客戶。功能分級上，Standard 版含語意檢索，Enterprise 版再加上核心生成式回答，進階生成式回答則提供追問建議、複雜查詢處理與多模態等功能。

兩種模式的取捨可以用流量形狀判斷。查詢量還在爬升期、或明顯有潮汐效應的服務，按量付費不吃虧，還能先用每月免費查詢驗證需求。流量已經平原化、且大到值得談承諾量的服務，Configurable 模式以每月訂閱鎖定查詢容量與儲存，最低月承諾是每分鐘 1,000 次查詢與 50 GB 儲存，適合把檢索當基礎建設經營的團隊。

接地策略的選擇其實是內容策略。以私有企業資料為主的團隊，先用 RAG Engine 把資料安全接上模型，提高回答準確度並降低幻覺。需要開放網路資訊的場景，再接地於 Google 搜尋、自選資料來源或 Google Maps 資料。兩者混搭是常見形態：內部知識優先、外部搜尋補位，再以來源標註讓使用者分辨依據。對客服應用來說，接地直接決定回答可不可信，這也是 Agent Garden 把以文件為本的客服支援列為樣本重點的原因。

計費方式：三層帳單結構

平台的計費可以拆成三層來讀：模型 token 費、代理運算資源費、資料與搜尋費。三層分別對應官方的不同價格區塊，金額隨模型與規格迭代很快，動手估算前建議直讀當日頁面，以下數字是 2026 年 9 月截取的牌價。

第一層是模型費，按 token 計。以 Gemini 3.1 Pro Preview 為例，全球端點的輸入價是每百萬 token 2 美元（輸入在 20 萬 token 以內的級距），超過 20 萬 token 的輸入每百萬 4 美元，快取輸入每百萬 0.20 與 0.40 美元，輸出（含回應與推理）每百萬 12 與 18 美元。Flash 級的輸入與輸出牌價都低於 Pro 級：Gemini 3.5 Flash 輸入每百萬 1.50 美元、輸出 9 美元，3.5 Flash-Lite 輸入 0.30 美元、輸出 2.50 美元。代理的推理迴圈會反覆消耗 token，模型選擇對帳單的影響通常比其他決策都大，同一個任務交給 Pro 級或 Flash 級，每次對話的成本差距會直接累積。

第二層是代理運算資源費。產品定價頁把 Scale 產品統一在三種資源上計費：Compute、Memory、Storage，並依資源提供每月每帳戶的免費額度。牌價是 Agent Compute 每 vCPU 小時 0.085 美元、每月前 50 小時免費，Agent Memory 每 GiB 小時 0.009 美元、每月前 100 GiB 小時免費，Agent Storage 換算約每 GiB 月 0.30 美元、每月前 1 GiB 免費。計費以秒進位，Runtime 等待下一個提示之間的閒置時間不收費，這對對話量有尖離峰的客服應用是個友善的設計，離峰時段只要還在每月免費額度內，待命就不產生 Compute 帳單。

記憶與會話類服務的計費口徑也值得看。Scale 產品的用量統一以 Compute、Memory、Storage 三種資源計費，部分以請求次數計量的服務也換算為 Agent Compute 的 vCPU 小時，Memory Bank 與 Sessions 累積的資料則計入 Agent Storage 的牌價。換句話說，對話量與記憶量會直接反映在這層帳單上，長期營運的估算要把「講得越多、記得越多」這兩個成長軸一起算。

幾個計費時點要記在行事曆上。Agent Gateway 的用量自 2026 年 7 月 13 日起計費，Memory Bank 與 Sessions 自 2026 年 9 月 1 日改依新結構計費。正在評估的團隊如果只拿舊報價或早期帳單推估，很容易漏掉這批陸續生效的項目，把上線後的月費估得太樂觀。

第三層是資料與搜尋費，兩個項目最常見。接地於 Google 搜尋的部分，Gemini 3 模型合計每月有 5,000 次搜尋查詢免費，超出後每 1,000 次收 14 美元，自 2026 年 1 月 5 日起計費，而接地帶進來的輸入 token 不另收費。企業資料檢索走 Agent Search，每月每帳戶有 10,000 次查詢免費（不含進階生成式回答），Standard 版每千次查詢 1.50 美元，Enterprise 版含核心生成式回答每千次 4.00 美元，進階生成式回答可加購、每千次再加 4.00 美元，索引資料儲存的牌價為每 GB 5 美元。

入場成本另有兩道緩衝。新客戶有 300 美元的 Google Cloud 歡迎額度，可在 90 天內使用，官方文件說明試用期間不會產生帳單，各資源另有每月免費額度可長期使用，兩道緩衝適合用來驗證需求。若用量穩定，定價頁列出 Gemini Enterprise 彈性節省方案，簽一年期後 Agent Compute 每小時降到 0.0765 美元，三年期降到 0.068 美元，約當 9 折與 8 折的級距，適合已經驗證流量、要長期營運的部署。

控制成本有四個實際手法。優先用快取輸入，同模型的快取價大約是一般輸入的一折，重複讀取的長上下文先進快取。第二是模型選擇，比較各型號的牌價與自身的 token 用量，把簡單工作交給價格較低的型號，這個分工對 token 帳單的影響最直接。第三是把每月免費額度用滿再開付費，試做期尤其如此。第四是善用閒置不計費的設計，Runtime 等待下一個提示的時間不計費，再搭配批次與事件驅動代理把大量非同步工作放到背景執行，估算容量時一併納入。

客服應用：從平台積木到完整產品線

平台層的客服積木

用平台自建客服代理，有四塊現成積木。第一塊是 Agent Garden 的客服樣本：官方明言樣本對準以文件為本的客服支援，起手就是把說明文件、知識庫接上 RAG Engine，讓回答接地於自家文件而不是模型想像。第二塊是 Sessions 的自訂 ID，把對話狀態直接映射到內部資料庫與 CRM 紀錄，客服主管事後能把每一通對話接回客戶歷程，稽核與分析才有地基。

第三塊是即時互動。平台以 WebSocket 協定支援雙向串流，讓代理在即時的客戶或員工互動中保持高回應性，處理語音與視訊不延遲，這是語音客服與視訊協作場景的門檻條件。第四塊是 Memory Bank 的個人化：記住客戶過往的行為與偏好後，代理能主動給出貼合的建議，Gurunavi 引述的預期成效是滿意度提升 30% 以上，同樣的記憶機制放到客服，就是把「您上次問過的問題」變成代理的常識，客戶不必每次重述背景。

企業實例：Comcast 的 Xfinity Assistant

官方公告裡最完整的客服案例是 Comcast。這家電信商以 ADK 重建了 Xfinity Assistant，他們的技術長在公告中說明：團隊從腳本式自動化走向對話式生成智慧，為客戶提供個人化的疑難排解與自助支援，Agent Runtime 是重要加速器，讓他們部署了複雜的多代理架構，在提升數位自助解決率的同時，透過 Gemini 確保接地且安全的互動。引述的收尾句講得更直白：不只靠第一次就解決客戶問題來減少重複接觸，而是在重新定義規模化的客戶體驗。

這個案例給自建團隊兩個可遷移的指標。其一是數位自助解決率，衡量代理把多少接觸攔在進線之前，其二是重複接觸率，衡量第一次的解決品質。兩個指標搭配平台的評測迴圈，就是客服代理的營運儀表板雛形：模擬階段先驗證流程走得通，上線後盯評測分數與客戶回饋，異常時用追蹤檢視器定位是哪一步推理出錯。Comcast 案例的另一層啟示是架構選擇：他們沒有把客服代理做成一個巨型機器人，而是部署複雜的多代理架構，這正是 ADK 子代理網路設計的典型用法。規模化之後，單一代理的提示詞會越長越難維護，拆成小而專的代理再編排，才是可以長期營運的形態。

Google 的客服產品線

如果不打算自建，Google Cloud 有三種現成的客服方案，與 Agent Platform 構成自建與採購的光譜。第一條是 Gemini Enterprise for Customer Experience：方案頁以 Customer Experience Agent Studio 為核心，官方說法是讓各種技術水準的員工用拖拉畫布，在幾天內建立並上線支援流程，這些支援代理與購物代理直接連線，讓每次支援互動都帶著歷史上下文。同條線上還有能自主導覽商品目錄、組合購物車、套用忠誠計畫與優惠、一路帶到結帳的 Shopping agent，以及提供個人化結果與 AI 摘要的 AI Commerce Search。

第二條是 Agent Assist，它不取代真人，而是武裝真人客服。官方頁列出的成效是讓客服代表多處理 28% 的對話、以 Smart Reply 與中央知識庫加快 15% 的回應速度並減少放棄的對話，另一個承諾是以一致的高品質回應改善客戶滿意度，並讓新人從高績效代理的資料裡學得更快。功能面涵蓋對話中的即時教練與下一步建議、從企業網站知識庫文件與 CRM 生成的建議回答、即時通話轉錄，以及互動結束後的自動摘要。AI Trainer 另提供模擬訓練，讓新進人員在受控環境裡快速上手，它隸屬 Gemini Enterprise for Customer Experience 產品線。

第三條是 Contact Center AI Platform，定位是雲端原生的聯絡中心即服務（CCaaS），整合全通道路由、智慧虛擬代理與洞察分析。官方列的賣點包括以 AI 驅動的預測路由做接觸分流、以回合式對話引導降低處理時間、視覺化 IVR 提供自助服務，以及跨 app、數位觸點與語音的上下文保存。三種方案的分工可以簡記為：平台自建代理、套件武裝真人、整套外包聯絡中心，編制與量體決定你站在光譜的哪一端。

光譜上的移動是雙向的。先採購 Agent Assist 的團隊，累積了知識庫與資料基礎後，往自建代理移動的門檻會降低，因為接地用的資產是共通的。反之，自建到一半發現維運吃力的團隊，把既有代理接到聯絡中心平台上，也比從零開始省力。評估時與其問哪一條路最好，不如問現在的資料成熟度與工程能量落在哪一段，先站穩再往兩端挪。

導入路徑建議

把前面的積木串成一條可執行的路徑：從 Agent Garden 的客服樣本起步，把知識庫與說明文件接地到回答裡。用 Agent Studio 快速做出原型，需要深度客製時匯出成 ADK 專案。部署到 Agent Runtime，以 Sessions 自訂 ID 對接 CRM，讓對話與客戶紀錄對得上。上線後用 Agent Evaluation 與 Observability 顧品質，用 Memory Bank 累積個人化，用量起來後再回頭做模型分層與快取。預算面上，先用免費額度跑通，再依三層帳單結構估算正式流量下的月費，並把 2026 下半年陸續生效的新計費項目算進去。

組織面的配套比技術面更常被低估。客服代理上線前要先盤點知識庫的品質，文件過期或互相矛盾的團隊，接地出來的回答只會把問題放大。要指定回答的授權邊界，哪些情境代理可以自行回覆、哪些必須轉真人，這條線劃清楚，數位自助解決率才有意義。要安排真人客服的轉型，Agent Assist 這類工具的價值在讓人處理更複雜的案件，而不是讓人失業，把績效指標從通話通數改成解決品質，配套才算完整。

資料面的前置作業同樣具體。知識文件要先做版本管理與權限分級，哪些內容可以進入接地範圍、哪些涉及個資或報價必須隔離，這些邊界要在代理人上線前劃好，因為治理政策與 Agent Gateway 的防護是照規則執行的，規則本身得先存在。對話紀錄的保存期限與客戶同意範圍，也建議在導入初期就與法務確認，事後補程序的代價遠高於事前多開兩次會。

導入前的評估：三種角色各看什麼

行銷與客服主管看兩件事：Agent Studio 的低程式碼路徑能讓團隊多快做出原型，以及三種客服方案裡哪一種貼合現有編制。如果聯絡中心已經外包或自建完整，Agent Assist 這類武裝真人的方案風險較低。如果客服量體大且流程特殊，自建代理加上 Agent Runtime 的路徑值得排進路線圖，配合批次與事件驅動代理，行銷端的內容評估與資料分析也能搭同班車。

開發者看彈性與鎖定風險。ADK 是開源框架，官方文件明言代理可以在本地執行，也可以部署到 Runtime、Cloud Run 或 Google Kubernetes Engine。MCP 與 A2A 都是開放標準，工具與代理之間的連線不依賴私有協定，平台的遠端 MCP 伺服器也讓 ChatGPT、Claude 這類外部助理能夠連入。真正的取捨在於：平台的治理、評測與狀態管理是現成的，自組等價工具鏈要花掉的工程量，通常才是隱性成本，這筆帳要比牌價先算。

採購看帳單結構與生效時點。三層計費要分開估：模型費取決於模型選擇、token 用量、上下文級距與快取使用，運算資源費有免費額度緩衝，搜尋與接地費依賴知識檢索的設計。300 美元試用額度與每月免費額度適合驗證，正式估算則要對照牌價與節省方案，並留意多項計費在 2026 年下半年才剛生效，早期帳單可能尚未包含這些項目。跨部門共用的部署，還要注意免費額度是以帳戶為單位計算，多團隊搶同一桶額度時要事先約定優先序。

至於還不需要急著上的團隊，判斷標準與其他代理應用一致：沒有可程式呼叫的服務端點、沒有 CRM 或內部資料可對接、目前只有內容網站，那就先把機器可讀的基本功做好，等服務與資料到位再進場。平台的規格演化很快，從 2025 年 4 月的四件套到 2026 年 4 月的整併改名，一年內翻了兩輪，太早跟規格，維護成本反而高。看準四個支柱的功能是否對上自己的缺口、三層帳單是否在預算內、客服場景要走自建還是產品線，這三個問題有答案，進場時機就清楚了。