Google Cloud Platform入门实战：GCP核心服务速成指南

对于AI与机器学习工程师而言，掌握云平台已经成为绕不开的核心技能。无论是AWS、Azure还是GCP，当一个项目从个人实验走向生产环境时，合规、安全、可扩展性等问题就会扑面而来，而云平台正是为简化这些复杂度而生。本文基于一份面向初学者的GCP速成教程，梳理出Google Cloud Platform最重要的几项服务、核心术语以及控制台UI与gcloud命令行（CLI）的实操要点。

从项目与计费账户开始

GCP的组织逻辑建立在"项目（Project）"这一最高层级的容器之上。一个项目可以拥有多个资源（Resources），而资源是各类服务（Service）的具体实例。创建项目时需要注意：项目名称不要求全局唯一，但由此生成的项目ID是全局唯一的——如果你用了"test"这种常见名称，系统会自动追加数字。很多命令行操作都需要指定项目ID而非名称，这一点务必分清。

另一个绕不开的前提是计费账户（Billing Account）。GCP上几乎所有服务都需要绑定支付方式，哪怕只收取几美分。教程中反复强调一个关键风险点：GCP采用事后计费模式，不像预充值那样设硬性上限。你用了多少资源，Google就在事后向你收取多少费用，即便账户余额不足，这笔钱依然算作欠款。因此养成及时删除闲置实例的习惯至关重要。

Cloud Storage：最简单的存储服务

Cloud Storage是上手GCP最直观的服务。它的核心概念是存储桶（Bucket）——一个存放文件和文件夹的空间。创建桶时需要指定一个全局唯一且永久的名称，这意味着一旦创建便无法更改。

创建过程中会遇到"区域（Region）"这一重要术语，它决定了服务器的物理位置，直接影响延迟与合规性。你可以选择单一区域、多区域（最高可用性，适合EU合规场景），或更细粒度的"可用区（Zone）"。存储类别方面，Standard适合频繁访问的常规数据，Nearline用于一个月内的备份，Coldline对应季度级访问，Archive则用于长期归档——越往下延迟越高、成本越低。

一个容易混淆的细节是分层命名空间（Hierarchical Namespace）。如果不启用它，你创建的"文件夹"其实只是文件名的前缀，并非磁盘上真实的目录结构。对于存储带目录结构数据集的机器学习场景，启用这一选项会更合理。

命令行中创建桶同样简洁，遵循 gcloud storage buckets create gs://桶名 --location=europe-west4 的统一模式。

上传文件用 gcloud storage cp 即可完成。GCP CLI的命令结构高度一致：gcloud 服务名 资源名 动作，掌握这个规律后学习新服务会轻松许多。

Cloud Run：部署容器化应用

如果说Cloud Storage是"存东西"，那Cloud Run就是"跑东西"——用于部署Docker容器、网站或Web应用。教程演示了两种部署路径：从源码直接部署，以及上传预构建Docker镜像后再部署。

从源码部署只需一条 gcloud run deploy 命令，但首次运行会暴露一个典型问题：默认计算服务账户缺少构建容器的权限，导致部署失败。解决方法是进入**IAM与管理（IAM & Admin）**界面，为默认服务账户添加"Cloud Run Builder"角色。这也引出了GCP的核心概念——IAM是管理所有权限、策略、角色与服务账户的中枢。

更进阶的场景是让部署的应用访问其他服务。教程中构建了一个能从私有存储桶读取文件内容的Flask应用，关键在于为Cloud Run服务配置一个具备"Storage Object Viewer"角色的专用服务账户，而非依赖默认账户。整个流程涉及本地构建Docker镜像、推送到Artifact Registry、再从镜像仓库部署，权限的精细化配置是其中的难点。

Artifact Registry 是GCP托管的私有容器镜像仓库（类似Docker Hub的私有版），也支持存储Maven、npm等其他制品。在Cloud Run的进阶部署流程中，本地构建好的Docker镜像需要先推送到Artifact Registry，Cloud Run再从中拉取镜像进行部署。这一环节同样受IAM管控——服务账户需要具备对应仓库的读取权限，否则部署会因无法拉取镜像而失败。与直接从源码部署相比，预构建镜像的方式让构建过程与部署过程解耦，更适合CI/CD流水线场景。

服务账户（Service Account） 是GCP中代表"应用程序或服务"的身份，区别于代表真实用户的普通账户。Cloud Run中的每个服务都以某个服务账户的身份运行，该账户持有什么角色，服务就只能访问对应的资源。最小权限原则（Principle of Least Privilege）要求为每个服务创建专用账户并只授予必要权限，而非共用默认账户——这既降低了安全风险，也使权限审计更清晰。

Compute Engine与Cloud SQL

Compute Engine用于启动虚拟机（VM）。创建实例时右侧会实时显示每月与每小时成本，可通过切换区域、调整核心数与内存影响价格——最便宜的e2-micro预设约每月9美元。选择操作系统（默认Debian）、开放HTTP/HTTPS流量后即可创建，之后可通过浏览器SSH或命令行 gcloud compute ssh 连接。

Cloud SQL提供托管的MySQL或PostgreSQL数据库，在合规、安全、备份方面比本地自管更省心。教程作者坦言不喜欢它的图形界面（会用30天免费优惠干扰自定义实例创建），更推荐纯命令行操作。需要注意的是，连接实例前必须安装cloud-sql-proxy组件，这也是教程作者在Arch Linux的AUR安装包上踩过坑的地方——最终只有用官方默认安装方式才能跑通。

BigQuery与Vertex AI

BigQuery是GCP最知名的数据分析服务，本质是一个一站式数据仓库，地位类似Databricks或AWS SageMaker。教程演示了对公开数据集（如Stack Overflow问题库）运行SQL查询，并提示：查询界面会显示本次将处理的数据量（如1.98GB），而LIMIT子句并不会减少扫描量——这直接关系到计费。值得一提的是，BigQuery拥有独立的bq命令行工具，可用于创建数据集、加载CSV、执行查询，侧面反映了这项服务的分量。

Vertex AI则是AI/ML领域最重要的服务。教程给出两个方向：一是直接调用Google的生成式模型（如Gemini 2.5），并强调可强制EU数据驻留以满足合规要求（作者特别声明这不构成法律建议，需自行研究）；二是本地训练scikit-learn模型后部署到Vertex AI作为API使用。后者流程较长——上传模型到存储桶、gcloud ai models upload注册模型、创建端点、再部署到端点，整个部署过程可能耗时数十分钟。

数据驻留（Data Residency） 指将数据的存储与处理限定在特定地理区域内，是欧盟《通用数据保护条例》（GDPR）合规的核心要求之一。Vertex AI支持将模型推理请求强制路由至欧盟区域节点，确保用户输入的提示词（Prompt）及模型响应不会离开欧盟境内的数据中心，从而帮助企业满足"数据不出境"的监管要求。需要注意的是，实现合规不仅靠选择正确的区域，还需要审查服务条款、数据处理协议（DPA）及内部数据治理流程，云平台的技术设置只是整体合规框架的一部分。

LIMIT子句不减少扫描量 这一BigQuery特性源于其底层的列式存储与全表扫描架构（Dremel引擎）。BigQuery在执行查询时会先完整扫描所有涉及的列，再对结果集截取LIMIT指定的行数——计费依据是扫描的数据字节数而非返回的行数。控制成本的正确方式包括：使用分区表（Partitioned Table）按时间或字段分区以缩小扫描范围、通过聚簇（Clustering）让相关数据物理相邻、或在查询前使用"本次将处理X GB"的预估提示来决策是否执行。

成本控制：预算、警报与硬限制

由于GCP的事后计费特性，成本管理是初学者必须重视的环节。教程给出几个关键认知：

• 预算与警报不是硬性上限。设置10欧元预算警报只会在达到50%、90%、100%时发邮件通知，且通知可能延迟，并不会自动停止消费。
• 新推出的**支出上限强制（Spend Cap Enforcement）**功能目前处于预览阶段，仅对部分服务可用，不能保证完全阻断成本。
• 真正安全的做法是限制功能而非成本——例如在Vertex AI中为某个模型设置每小时百万token的硬限制，因为这类限制不直接关联费用。
• 停止一切开销最彻底的方式是直接删除项目，这会立即终止计费（但此前产生的费用仍需结算）。

要排查费用来源，可以查看"API与服务"中正在处理请求的服务、IAM资产清单中的活跃资源，以及计费账户的消费概览——但后者数据可能有约24小时的延迟，不可完全依赖其实时性。

GCP计费数据约有24小时延迟的根本原因在于其计费管道的异步架构：资源使用量先由各服务上报至计费系统，再经过聚合、汇率换算、折扣计算等处理后才形成可查账单。这意味着凌晨突然飙升的费用可能要到次日才会反映在控制台中。为应对这一盲区，可以结合Cloud Monitoring设置基于资源指标（如VM CPU使用率、API调用次数）的实时警报，而不单依赖计费警报——资源异常往往比账单异常更早被指标层面的监控捕捉到。

小结

这份速成教程的价值在于用"动手学"的方式，帮初学者建立对GCP的整体认知：理解项目/资源/服务的层级关系，掌握控制台UI与gcloud CLI两套操作方式，熟悉Cloud Storage、Cloud Run、Compute Engine、Cloud SQL、BigQuery、Vertex AI六大核心服务，以及至关重要的IAM权限模型和成本控制机制。每一项服务都足以展开成独立的深度教程，但先建立起"知道有什么、知道去哪找"的全局地图，才是高效上手云平台的起点。