Vertex AI 是 Google Cloud 的统一机器学习平台，覆盖从数据准备、模型训练、评估、部署到监控的完整 MLOps 生命周期，同时承载生成式 AI 能力：通过同一入口调用 Gemini 系列模型，在 Model Garden 中发现并部署上百个基础模型，用 Agent Builder 快速搭建检索增强（RAG）与对话式应用。平台解决的核心问题是「AI 工程化碎片化」——训练、托管、检索、生成分散在不同服务，集成成本极高。Vertex AI 用一套控制台、一套 Python SDK（google-cloud-aiplatform）和一套 IAM 权限体系将这些能力统一起来，尤其适合已经在用 Google Cloud 数据栈，或需要企业级合规访问 Gemini 的团队。本文按「速览 → 安装配置 → 快速上手 → 核心能力 → 生产部署 → 同类对比 → 版本演进 → 应用场景 → 误区 → 面试题 → 学习资源」组织，照步骤操作即可完成从零到部署的完整实践。
掌握 Vertex AI 意味着具备 Gemini 企业级接入、MLOps 工程化与 Google Cloud AI 生态三方面能力，是 AI 工程师在 Google 技术栈中交付生产级项目的基础技能。
目录
速览卡是工具类内容的固定首屏模块：30 秒判断「这工具是什么、能不能商用、适不适合我」。
为什么需要 Vertex AI：从碎片化 AI 服务到统一平台
在 Vertex AI 出现之前，Google Cloud 上的机器学习能力分散在 Cloud ML Engine、AutoML、AI Platform 等独立产品中。一个完整项目往往要同时维护数据管道、训练任务、模型托管三套 API，打通它们的认证与权限体系也要消耗大量工程时间。团队通常需要自己写胶水代码把各服务串起来：数据从 BigQuery 导出到 Cloud Storage、训练脚本另写一套配置、模型再手动打包成容器部署，任何环节出问题都要跨多个产品排查。对想快速落地 AI 的中型团队，这种碎片化直接导致项目周期拉长、成本失控。
Vertex AI 把上述能力收敛为一个平台：训练、AutoML、模型注册、在线推理、向量检索、生成式 AI 全部使用同一套身份体系与 Python SDK，数据层面统一对接 BigQuery 与 Cloud Storage。2023 年后平台重心转向生成式 AI，成为 Gemini 系列模型的企业级访问入口——企业可以在同一项目中同时管理「训练自有模型」和「调用托管大模型」两条路线，并通过统一的 IAM、VPC Service Controls、审计日志满足合规要求。
与 AWS SageMaker 强调计算编排、Azure ML 强调与微软系工具集成不同，Vertex AI 的差异化在于三点：一是 Model Garden 内置上百个基础模型（含 Gemma、Llama、Claude 等）可直接部署；二是与 BigQuery 数据链路的集成使得数据已存放在 Google Cloud 时迁移成本最低；三是 Gemini 模型的独家企业级接入与按 token 计费的明确成本结构。
安装与环境配置：3 步就绪
步骤一：创建项目并启用 API。 在 Google Cloud Console 新建项目，进入「API 和服务 → 库」搜索 Vertex AI API 并启用。记下项目 ID，这是后续 SDK 初始化的必填参数。注意 Vertex AI API 是付费服务，启用即可能产生计费。
步骤二：安装 gcloud CLI 与 Python SDK。 本机开发通过 gcloud auth application-default login 写入应用默认凭据（ADC）；CI/CD 环境改用服务账号 JSON 文件，通过环境变量 GOOGLE_APPLICATION_CREDENTIALS 指向该文件。
步骤三：验证连接。 运行验证命令，SDK 能完成 vertexai.init() 即说明认证、网络、项目配置全部就绪。生成式模型常用区域为 us-central1，区域选择直接影响可用模型与单价。
# 1. 安装 gcloud CLI（官方安装包见 https://cloud.google.com/sdk/docs/install）curl -O https://dl.google.com/dl/cloudsdk/channels/rapid/downloads/google-cloud-cli-linux-x86_64.tar.gztar -xf google-cloud-cli-linux-x86_64.tar.gzsudo ./google-cloud-sdk/install.sh # 2. 登录并生成本地应用默认凭据gcloud auth application-default login # 3. 安装 Vertex AI Python SDKpip install -U google-cloud-aiplatform # 4. 验证 SDK 可正常连接项目python -c "import vertexai; vertexai.init(project='YOUR_PROJECT_ID', location='us-central1'); print('Vertex AI SDK OK')"
快速上手：30 分钟跑通第一个 Gemini 调用
最小可用流程的思路：先初始化项目与区域，再创建生成式模型对象，最后做一次内容生成。这个流程不需要先训练任何模型——直接调用平台托管的 Gemini 即可验证环境与网络连通，然后再扩展多模态、流式输出与工具调用。
分步操作：
1. 获取项目 ID：在 Console 首页查看，或运行 gcloud config get-value project。
2. 初始化 SDK：在 Python 中调用 vertexai.init(project="YOUR_PROJECT_ID", location="us-central1")，区域必须与项目 API 启用情况匹配。
3. 生成首个响应：用 GenerativeModel("gemini-2.0-flash").generate_content(...) 传入文本，返回对象的 .text 属性取结果。
4. 扩展输入：把纯文本换成多模态输入，用 Part.from_uri 引用 Cloud Storage 中的图片；将模型名换成 gemini-1.5-flash 或 gemini-2.0-flash-lite 对比输出质量与成本。
5. 无代码验证：在 Console 左侧菜单打开「Vertex AI → Studio」做提示词实验，稳定后再把模板迁移回 SDK。
运行后若输出正常文本，说明链路已通。进阶技巧：对高频低延迟场景用 gemini-2.0-flash-lite 降本；对长内容输出用 stream=True 做流式响应；生产环境将生成逻辑封装为带缓存、限流与熔断的服务，不要把原始 SDK 调用直接暴露给业务层。
import vertexaifrom vertexai.generative_models import GenerativeModel, Part # 1. 初始化：项目 ID 与区域vertexai.init(project="YOUR_PROJECT_ID", location="us-central1") # 2. 创建模型实例（也可换 gemini-1.5-flash / gemini-2.0-flash-lite）model = GenerativeModel("gemini-2.0-flash") # 3. 纯文本生成resp = model.generate_content("用一句话解释 RAG 检索增强生成")print(resp.text) # 4. 多模态生成：引用 Cloud Storage 中的图片resp = model.generate_content([ Part.from_uri("gs://YOUR_BUCKET/cat.jpg", "image/jpeg"), "描述图片内容并给出一个电商商品标题",])print(resp.text)
核心能力详解：5 大支柱
支柱一：Model Garden——上百个模型的发现与部署入口。 Model Garden 是平台内的模型目录，收录 Google 自研模型（Gemini、Gemma、Imagen、Veo 等）与第三方模型（Llama、Claude、Mistral 等）。两种使用方式：直接调用托管 API（如 Gemini），按 token 计费、无需自建 GPU；或「部署到端点」把开源权重模型跑在自选机器上，满足数据不出域需求。选型阶段可在此快速比对模型文档、用例与输入输出格式。
支柱二：Vertex AI Studio——无代码提示词实验台。 Studio 提供浏览器内的提示词实验环境：输入多模态内容、调整 temperature 与 top_p 等生成参数、保存提示词模板、在同一页面比对多个模型输出。实验完成后可生成 Python 或 curl 代码片段迁移到工程。注意 Studio 的实验调用与生产调用分别计费，结论应通过 SDK 复现后再上线。
支柱三：自定义训练与实验管理。 需要训练自有模型时，用 CustomJob 提交训练容器到 Vertex AI 管理的 GPU/TPU 集群，支持 PyTorch、TensorFlow、JAX 与自定义容器，平台负责调度、资源回收与日志采集。配套能力包括：HyperparameterTuningJob 自动调参、Experiment 与 TensorBoard 记录指标、训练产物自动写入 Model Registry。AutoML 也挂在这一层，适合表格、图像、文本、视频等标准任务的快速基线。
支柱四：Model Registry 与在线预测端点。 训练产物通过 Model Registry 做版本登记，每个版本可绑定独立评估指标。部署时创建 Endpoint：选择机器类型（CPU/GPU）、设置副本范围实现自动扩缩容，支持流量拆分灰度（如新版本 5% 流量）、批量预测与边缘部署。生产流量建议打开基于 CPU 利用率与请求并发数的扩缩容指标，低频服务设置 min_replica=0 允许缩容到零。
支柱五：Vector Search 与 Agent Builder——RAG 与智能体。 Vector Search 提供高吞吐向量相似度检索（使用近似最近邻算法，即 ANN），支持十亿级向量规模，是 RAG 与推荐召回的基础设施。Agent Builder 把搜索、检索、生成编排成对话式智能体，支持 function calling（工具调用）对接外部 API，适合客服、商品问答、企业内部知识助手等场景，也是电商场景落地最多的组合。
生产部署与监控：从上线到运维
部署方式一：在线预测端点。 首选部署形态是把模型放上 Endpoint 提供在线预测，SDK 一行 deploy_model 即可完成，配置机器类型、最小/最大副本数、加速器类型。上线建议先做流量拆分灰度（如 5% 流量验证延迟与错误率），稳定后全量切换。由于端点按运行时长计费，低频内部工具务必设置 min_replica=0。
部署方式二：流水线持续训练与再部署。 生产环境不能只靠一次性训练：用 Vertex AI Pipelines（兼容 Kubeflow Pipelines 规范）把数据校验、训练、评估、模型推送组装为可重复执行的流水线，用 Cloud Scheduler 定时触发，数据分布变化时可手动重跑。流水线产物直接注册进 Model Registry，评估通过才允许部署，形成「训练-验证-发布」闭环。
可观测性。 Vertex AI 的日志与指标对接到 Cloud Logging 与 Cloud Monitoring：端点 QPS、延迟 P50/P95、错误率开箱即用，可按阈值配置告警；训练任务日志集中采集，出错可回溯。安全侧启用 Cloud Audit Logs 审计 API 调用，用 VPC Service Controls 划定网络边界，这两个是企业合规审查的必开项。
<p class="para-label">避坑清单：</p>
<ul class="dash-list"><li>区域与模型可用性不一致：Gemini 系列仅在部分区域（如 us-central1）提供，且不同模型可用区域不同。调用前先查官方「模型可用区域」表，否则报 RegionNotSupported 或 404 错误。</li><li>端点按运行时长计费而非按调用数：副本常驻内存，零请求也按节点小时收费。闲置服务设 min_replica=0 允许缩容到零，或改用批量预测，避免无谓费用。</li><li>生成式 AI 有独立配额：每分钟请求数（RPM）与每日 token 额度与计算配额分离，新项目默认值很低，生产前需在配额页面提前申请，否则流量上来直接被限流。</li></ul>
| 维度 | Vertex AI | AWS SageMaker | Azure Machine Learning | Databricks ML |
|---|---|---|---|---|
| 定位 | Google Cloud 统一 AI 平台（MLOps + 生成式 AI） | AWS 端到端机器学习平台 | Azure 机器学习与 AI 服务平台 | 数据湖仓 + AI/ML 一体化平台 |
| 编排范式 | Vertex AI Pipelines（KFP 标准） | SageMaker Pipelines / Step Functions | Azure ML Pipelines | Delta Live Tables + MLflow |
| 类型约束 | 深度绑定 Google Cloud 生态 | 深度绑定 AWS 生态 | 深度绑定微软/Azure 生态 | 绑定 Databricks 平台（多云部署） |
| 学习曲线 | 中：文档完善，需适应区域与配额概念 | 中高：服务多且分散 | 中：与微软开发工具链亲和 | 中：需掌握 Delta 湖与 Spark 体系 |
| 生态集成 | BigQuery、Cloud Storage、Dataflow | S3、Redshift、Glue | Azure Blob、Synapse、Fabric | Unity Catalog、Spark/Delta 生态 |
| 生产部署 | 端点自动扩缩容、GPU/TPU 推理、流量灰度 | 端点多实例、自动扩缩容、推理加速器 | 端点部署 + AKS/Arc 混合部署 | 模型服务 + 统一治理 |
| License | 商业 SaaS（SDK 开源 Apache 2.0） | 商业 SaaS | 商业 SaaS | 商业 SaaS |
| 适合谁 | Google 云用户、Gemini/生成式 AI 重度团队 | AWS 存量客户、超大规模分布式训练 | 微软技术栈企业、混合云场景 | 湖仓一体、Spark 重度数据团队 |
选型建议：已经在 Google Cloud 上并把业务数据存放在 BigQuery/Cloud Storage 的团队，首选 Vertex AI——数据接入成本最低，且 IAM、VPC-SC、审计日志等治理能力最完整。存量的 AWS 用户选 SageMaker，微软生态企业选 Azure ML，以 Spark 与数据治理为中心、强调湖仓一体的团队选 Databricks。
版本迭代
Vertex AI 不采用语义化版本号，能力随 Google Cloud 季度发布持续滚动更新，业界按能力里程碑追踪演进。主线：2021 年统一 MLOps 平台 GA；2022 年补齐模型目录与向量检索；2023 年重心转向生成式 AI（PaLM 2 → Gemini 1.0）；2024-2025 年随 Gemini 系列快速迭代。下表按里程碑整理（截至训练数据，平台可能已有更新版本，请以官方发布记录为准）。
| 版本 | 时间 | 变化 | 提升 |
|---|---|---|---|
| Vertex AI 1.0（平台 GA） | 2021-05 | 整合 AI Platform、AutoML 为统一平台 | 统一 SDK 与 IAM，端到端 MLOps 单一入口 |
| Model Garden 上线 | 2022-05 | 推出模型目录能力 | 在平台内发现并部署 Google 与开源模型 |
| 生成式 AI 套件 | 2023-05 | 上线 Generative AI Studio 与 PaLM 2 | 浏览器内提示词实验，生成式模型 API 化 |
| Vertex AI Search | 2023-11 | 企业搜索与对话产品化 | RAG 能力从自建走向托管（Search/Conversation） |
| Gemini 1.5 系列 | 2024-05 | Gemini 1.5 Flash/Pro 在平台 GA | 百万级 token 上下文窗口，多模态输入 |
| Gemini 2.0 系列 | 2025-02 | Gemini 2.0 Flash GA 上线 | 输入 token 单价降至 0.1 美元/百万档位，Agent 能力增强 |
Vertex AI 本身无公开基准评测分数（MMLU、HumanEval 等榜单的评测对象是平台上的模型而非平台本身），故此处不列评测对比表。平台迭代带来的实测差异主要体现在三方面：模型能力（Gemini 1.5 引入百万级 token 上下文）、推理成本（Gemini 2.0 Flash 相比 1.5 Flash 输入单价大幅下降）、平台编排能力（Agent Builder、Vector Search 等组件持续增强）。企业选型时如对成本敏感，优先评估 2.0 Flash 系列；如需要超长上下文，保留 1.5 Pro 的配置作为对比基线。
AI 应用场景
电商智能客服与商品问答（RAG）
阶段：RAG 管道构建 / 生成式 AI 应用
解决的问题：传统客服依赖人工与 FAQ 关键词匹配，长尾问题解决率低，人力成本随订单量线性增长。通过 Vector Search 对商品规格、售后政策、物流规则向量化建库，Gemini 基于检索结果生成回答并支持多轮对话，客服系统从「查文档」变为「直接回答」。
具体案例：某电商将 20 万条商品 FAQ 与售后政策向量化后接入客服系统，常见问题一次解决率提升约 40%，人工客服平均处理时长下降 60%，高峰时段排队率明显下降。
商品主图与营销素材批量生成
阶段：多模态生成 / 内容工厂
解决的问题：电商大促期间主图、场景图、短视频素材需求量大，外包制作周期长且风格不统一。用 Model Garden 中的 Imagen 生成商品场景图、配合提示词模板批量产出，素材生产从「人工逐张制作」变为「模板 + 审核」流水线。
具体案例：某品牌用 Imagen 对 200+ SKU 批量生成多风格场景图，单批素材生产周期从 2 周缩短到 2 天，素材成本下降约 70%，投放素材的点击率提升 12%。
个性化商品推荐与向量召回
阶段：向量检索 / 推荐系统
解决的问题：协同过滤对冷启动商品失效，且海量商品实时检索延迟高。双塔模型产出商品与用户 embedding 后，用 Vector Search 做近实时近似最近邻检索，替代部分协同过滤召回，兼顾精度与延迟。
具体案例：某跨境电商用双塔 + Vector Search 替换部分协同过滤召回，冷启动商品曝光提升 2 倍，整体推荐 CTR 提升 15%，检索延迟稳定在 50ms 以内。
常见误区
误区「我以为 Vertex AI 是给机器学习训练用的。如果我只想调用现成的大模型，用 Google AI Studio 网页就够了，不需要这种平台。」
正解Vertex AI 同时是 Gemini 系列模型的官方企业级接入点。相比面向原型的 AI Studio，Vertex AI 提供项目级 IAM 权限、VPC Service Controls 网络边界、审计日志、企业级 SLA 与数据治理条款，适合生产系统。训练与推理只是平台的一部分，「调用托管大模型」同样是核心能力。
为何常见：平台涵盖面广，官方文档首屏同时展示 AutoML 与生成式 AI，初学者容易只记住其中一个入口，忽略了另一条主线。
误区「把模型部署到端点后，我以为只有调用时才需要付费，跟按 token 计费的 API 一样。」
正解端点费用 = 机器配置（机器类型 + GPU）× 副本数 × 运行时长 + 请求计量。副本常驻内存与计算资源，即使零请求也按小时计费。省钱方式：min_replica 设为 0、按流量配置自动扩缩容、低频任务改用批量预测（Batch Prediction）而不是在线端点。
为何常见：生成式 API 按 token 计费的模式深入人心，而端点计费是传统云计算的资源租赁模式，两种模型不同导致混淆。
误区「我以为只要开通了 Vertex AI，在任意区域都可以调用 Gemini 和 Model Garden 里的模型。」
正解生成式模型仅在部分区域提供（如 us-central1、europe-west4、asia-southeast1 等），且不同模型系列的可用区域不同。调用不可用区域的模型会返回 RegionNotSupported 或 404 错误。跨国部署前应先查询官方「模型可用区域」表，并同步确认该区域的数据驻留要求。
为何常见：CPU/GPU 等计算资源几乎全球区域可用，用户习惯性认为模型服务也应如此，忽略了模型推理有独立的区域上线节奏。
误区「企业用 Vertex AI 调 Gemini，我担心提示词和文档数据会被 Google 拿去训练模型，泄露商业机密。」
正解Google 明确承诺 Vertex AI 上的用户提示词与响应不会被用于训练基础模型，除非用户主动使用调优（Tuning）功能。企业还可通过 VPC Service Controls 与客户管理加密密钥（CMEK）进一步控制数据边界。但注意：主动做模型微调本身就是把数据用于模型适配的过程，需单独评估合规风险。
为何常见：消费级 AI 产品的数据使用条款与云平台企业条款不同，很多人把两套条款混为一谈，看到「数据用于改进产品」字样就产生误判。
误区「有了 Vertex AI AutoML，不用懂算法也能把模型效果做到跟人工调的一样好，算法团队可以裁掉了。」
正解AutoML 在结构化表格、图像分类等标准任务上能快速给出可用基线，但对长尾数据、非标准目标函数、需要领域定制损失函数的场景，仍需自定义训练（CustomJob）。AutoML 适合探索基线与快速验证业务价值，生产级效果通常需要人工介入特征工程与架构选择。
为何常见：厂商宣传强调「低代码/零代码」，容易让非技术人员高估自动化上限，低估数据质量与业务建模判断的价值。
面试题
Q1. Vertex AI 的核心定位是？
- A.开源的机器学习框架
- B.谷歌云统一机器学习平台← 正确答案
- C.自动化机器学习工具
- D.大模型对话网站入口
答案：B。Vertex AI 是 Google Cloud 上统一的端到端机器学习平台，涵盖训练、推理与生成式 AI。它不是开源框架（A），也不只是 AutoML（C），更不是面向普通用户的对话网站（D，后者是 Google AI Studio 网页端）。
Q2. 安装 Vertex AI Python SDK 的正确命令是？
- A.pip install vertexai-sdk-core
- B.pip install google-cloud-aiplatform← 正确答案
- C.pip install google-cloud-gemini-api
- D.pip install aiplatform-client-lib
答案：B。Vertex AI 官方 Python SDK 的包名是 google-cloud-aiplatform（B）。A、C、D 均不是真实存在的官方包名；安装前建议用 pip install -U 确保获得最新版本。
Q3. 下列哪一项不是 Vertex AI 的组成组件？
- A.Model Garden 模型目录
- B.Vector Search 向量检索
- C.SageMaker Studio 工作台← 正确答案
- D.Agent Builder 智能体构建
答案：C。SageMaker Studio 是 AWS 的机器学习工作台，不是 Google Cloud 组件。Model Garden（模型目录）、Vector Search（向量检索）、Agent Builder（智能体构建）都是 Vertex AI 的核心组件，分别承担模型发现、相似度检索与对话式应用编排。
Q4. 在 Vertex AI 中运行一个完整的机器学习项目，通常涉及哪些环节？
- A.用 BigQuery 与 Cloud Storage 准备数据← 正确答案
- B.用 CustomJob 或 AutoML 训练模型← 正确答案
- C.用内置端点部署并提供在线预测← 正确答案
- D.用 Cloud CDN 加速模型推理请求
答案：ABC。数据准备（A）、模型训练（B）、部署推理（C）构成标准 MLOps 链路。Cloud CDN 是内容分发网络，用于静态资源加速，不承担模型推理；推理加速应使用带 GPU 的预测端点，而非 CDN。
Q5. 初始化 Vertex AI Python SDK 时，vertexai.init() 必须指定哪两个参数？
- A.项目 ID 与区域位置← 正确答案
- B.项目 ID 与登录密码
- C.区域位置与 API 密钥
- D.邮箱地址与服务账号
答案：A。vertexai.init() 的核心必填参数是 project（项目 ID）与 location（区域）。SDK 依赖 gcloud 应用默认凭据或服务账号完成认证，不需要密码或 API 密钥；区域与项目实际可用区域不一致会导致调用失败。
Q6. 关于 Vertex AI 在线预测端点，下列哪些说法正确？
- A.端点常驻运行并按节点时长计费← 正确答案
- B.支持自动扩缩容与 GPU 加速← 正确答案
- C.端点闲置会自动休眠并停止计费
- D.免费额度可覆盖生产流量
答案：AB。端点按「机器配置 × 副本数 × 运行时长」计费，零请求也持续计费（A 对）；支持配置最小/最大副本实现自动扩缩容，并可选用 GPU 加速（B 对）。端点不会自动休眠（C 错），免费额度只够开发测试（D 错），生产负载需按量付费。
Q7. Model Garden 中 Gemma 与 Gemini 的关键区别是？
- A.Gemma 权重开源可自托管← 正确答案
- B.Gemini 权重完全开源开放
- C.Gemma 禁止用于商业场景
- D.二者在平台上完全相同
答案：A。Gemma 是 Google 的开源权重模型，可下载到 Vertex AI 之外自托管，也可在 Model Garden 中部署；Gemini 是闭源托管模型，只能通过 API 使用（A 对，B、D 错）。Gemma 采用开放商用许可（C 错）。选型依据是数据不出域需求、成本与模型能力的权衡。
Q8. Model Garden 在 Vertex AI 中的作用是？
- A.存储训练图片的数据仓库
- B.发现并部署模型的一站式目录← 正确答案
- C.可视化模型结构的分析工具
- D.展示训练账单的费用中心
答案：B。Model Garden 是基础模型目录，提供 Google 自研与第三方模型（如 Llama、Claude、Mistral），支持一键部署到端点或通过 API 调用。它不是数据仓库、可视化工具或账单页面，选型和上线前对比模型都从这里开始。
Q9. 在 Vertex AI 上构建电商 RAG 问答系统，通常会用到哪些能力？
- A.Vector Search 做知识库向量检索← 正确答案
- B.Vertex AI Pipelines 做索引更新编排← 正确答案
- C.Gemini API 做检索结果生成← 正确答案
- D.Cloud CDN 做内容分发加速
答案：ABC。RAG 三要素分别是向量检索（A）、流程编排（B）与生成模型（C）。商品库更新后索引需要定时重建，Pipelines 负责这一自动化流程。Cloud CDN 用于静态内容加速，与检索增强生成链路无关（D 错）。
Q10. 关于 Vertex AI 与 Google AI Studio 的关系，正确的是？
- A.两者完全相同，仅是入口不同
- B.Vertex AI 面向企业，AI Studio 面向原型← 正确答案
- C.AI Studio 面向生产，Vertex AI 面向开发
- D.Vertex AI 不能调用最新 Gemini 模型
答案：B。AI Studio 是网页原型工具，免费额度适合快速试验；Vertex AI 提供项目级 IAM、VPC-SC 安全边界、审计日志、企业 SLA 与数据治理条款，是生产环境的官方入口（B 对，A、C 错）。Gemini 最新模型均会同步上线 Vertex AI（D 错）。上线前应将原型代码迁移到 Vertex AI SDK。
参考来源
- docVertex AI 产品页平台能力总览与功能清单
- docVertex AI 官方文档全量 API 参考与入门教程
- doc生成式 AI 开发文档Gemini SDK 调用与提示词指南