COST / 成本
花費有歸屬
找出用量來源，搭配預算、限制與模型選擇管理支出。
01 / 先懂產品定位
Unity Gateway把企業 AI 的使用，
變成可管理的日常。
當公司開始使用多種模型、程式開發代理與企業工具，Unity Gateway 提供共同的治理入口：誰能用、花多少、能做什麼、出了什麼問題。
企業 AI 的共同入口
內部應用Coding Agents
Unity Gateway存取 · 成本 · 政策 · 可觀測性
AI 模型MCP 與工具
Unity Catalog資產目錄、身分權限與資料治理
CHOICE / 選擇
模型有彈性
在共同治理入口下，使用託管模型或串接外部供應商。
CONTROL / 控制
操作有規則
把權限、防護、工具控制與紀錄帶進 AI 的執行過程。
公司最值得問的第一個問題
我們是否已經有多個團隊各自接模型、各自保管金鑰，卻難以統一回答「誰用了多少、能存取哪些資料」？如果有，Gateway 的管理價值就很具體。這是本指南依功能提出的評估角度，並非已替你的公司做出採購結論。
02 / 架構與基本名詞
先把模型、代理與治理分清楚
AI 模型負責產生推論結果；代理把模型、指令與工具組合成工作流程。Unity Gateway 位於這些互動的治理路徑上，Unity Catalog 則提供資產與權限基礎。
| 元件 | 主要責任 | 公司裡的直覺例子 |
|---|---|---|
| 模型 / Model | 理解輸入並產生文字、程式或其他結果。 | 負責撰寫客服回覆草稿的能力。 |
| 代理 / Agent | 依任務呼叫模型與工具，執行多個步驟。 | 查訂單、讀退貨規則，再產生回覆的流程。 |
| MCP / 工具 | 讓代理能查資料、使用 API 或操作外部系統。 | 查詢知識庫、GitHub 或公司系統。 |
| Unity Catalog | 登錄資產、管理擁有者與存取權。 | 定義哪些團隊可執行某個模型或工具。 |
| Unity Gateway | 治理經過它的 AI 呼叫、成本、路由與互動。 | 在模型或工具被使用時套用統一規則。 |
| Model Serving | 部署並提供模型推論服務。 | 真正承接推論運算與容量需求。 |
| MLflow / Lakewatch | 分別支援 AI 品質追蹤評估，以及安全分析。 | 開發團隊除錯與資安團隊調查。 |
[02] Unity Gateway 技術總覽 ↗[08] Model Serving 與推論容量 ↗[15] MLflow 3 for GenAI ↗[16] Lakewatch 安全監控 ↗[18] MCP 與代理工具總覽 ↗
一個客服代理的請求，會經過哪些地方？
應用帶著身分發出請求
可由外部應用或 coding agent 呼叫模型服務；MCP 呼叫也可透過 Gateway。
確認服務權限，套用使用控制
檢查 Unity Catalog 授權；依已啟用的設定評估預算、速率與服務政策。
模型產生結果，需要工具時另發工具呼叫
模型服務路由到實際模型；MCP 服務管理工具選擇與對外連線。工具所用身分取決於連線設定。
回應檢查與紀錄
可在回傳前檢查內容，並依設定留下用量、追蹤與稽核資料。這是概念順序，實際執行細節依服務類型而異。
治理的邊界，就是你接進來的路徑。
若員工或程式仍直接用個人金鑰連到外部模型，這些呼叫不會因公司啟用了 Gateway 就自動受管。導入需同步處理客戶端設定、憑證、網路路徑與使用規範。
- Token
- 模型處理文字等內容的計量單位；輸入與輸出可能採不同費率。
- Endpoint / Model Service
- 應用呼叫的服務入口。Model Service 可包含多個後端目的地。
- BYOK
- Bring Your Own Key：使用公司既有供應商金鑰，由平台管理連線。
- Harness
- 讓代理執行任務的框架或執行環境，例如 Claude Code、Codex。
- Trace / Span
- Trace 表示一次流程的追蹤脈絡；Span 記錄其中一個操作。
- Beta / GA
- Beta 是仍可能變動的預覽功能；GA 是正式提供。兩者都需確認區域與設定條件。
03 / 逐項閱讀
官網的 14 項功能，逐一拆解
06 核心 + 08 延伸涵蓋產品頁的六項主要功能與八項 More features。每項都附用途、企業情境及文件限制；「文件已說明」表示有操作文件，不代表對所有區域或帳戶都無條件開放。
成本與模型選擇
成本歸屬Cost Attribution文件已說明
把 AI 帳單拆到服務、模型與使用者。Databricks 模型的費用依帳務資料歸屬；外部模型依 token 與公開單價估算，並按小時彙整。服務標籤可連結團隊或成本中心。
企業情境（示例）
FinOps 能追查哪個服務或使用者帶動支出，再和實際工作成果對照。
FinOps 能追查哪個服務或使用者帶動支出，再和實際工作成果對照。
導入前看這裡：外部估算不等於供應商帳單；Custom provider 目前不支援外部費用追蹤。
預算與支出限制Budgets and Spend Limits部分 Beta
可設定共用或每人每月門檻，選擇寄出警示或封鎖後續用量；也可替特定人員與群組設例外額度。
企業情境（示例）
將正式服務與實驗分開管理，避免實驗耗盡生產預算。
將正式服務與實驗分開管理，避免實驗耗盡生產預算。
導入前看這裡：封鎖採近即時估算，不中斷執行中請求，也不是最終帳單的絕對上限。預算不涵蓋 provisioned throughput 或繞過 Gateway 的獨立 Serving 流量。外部模型納入預算為 Beta，須另行啟用；預算比對使用服務標籤，不使用請求標籤。
智慧路由Smart RoutingBeta
依程式開發任務挑選具備所需能力、成本較低的候選模型。透過 Unity Gateway CLI 使用；若要跨不同代理執行框架選擇，需使用 Omnigent。
企業情境（示例）
讓簡單修改與複雜除錯採用不同模型，再用相同任務集評估品質與成本。
讓簡單修改與複雜除錯採用不同模型，再用相同任務集評估品質與成本。
導入前看這裡：目前僅選 system.ai 模型服務，使用者須有所有候選模型權限。CLI 要以命令列提供任務，互動式根工作階段不適用；跨框架需 Omnigent v0.8.0 以上。
推論容量Inference Capacity相關產品
Model Serving 負責實際提供模型推論。可使用 Databricks 託管基礎模型的按 token 付費方式，或為需要預配置容量的工作負載使用 provisioned throughput；也能接外部供應商。
企業情境（示例）
先用按量模式驗證需求，再根據延遲、吞吐量與用量穩定度評估容量配置。
先用按量模式驗證需求，再根據延遲、吞吐量與用量穩定度評估容量配置。
導入前看這裡：Gateway 的流量管理與底層推論容量是不同層次。增加備援不能代替容量規劃；模型與區域可用性需逐一確認。
資產、存取與安全
AI 資產登錄AI Asset Registry部分 Beta
把 AI 服務放進 Unity Catalog，集中查看名稱、擁有者、說明與權限。模型服務可跨共用 metastore 的工作區治理；Agent Services 提供代理登錄與權限管理。
企業情境（示例）
平台團隊建立核准的 AI 服務清單，降低重複串接與無人維護的代理數量。
平台團隊建立核准的 AI 服務清單，降低重複串接與無人維護的代理數量。
導入前看這裡：Agent Services 為 Beta。文件限制章節明列：目前不支援透過登錄服務執行代理，也不支援其 service policies、rate limits 或 SQL DDL。
安全與存取控制Security and Access含 Beta 政策
以 Unity Catalog 權限決定誰能呼叫服務，再以內容政策檢查每次互動。模型 API、供應商連線與 MCP 服務可各自管理授權。
企業情境（示例）
工程團隊只取得核准模型與指定工具的使用權，平台管理者集中維護連線憑證。
工程團隊只取得核准模型與指定工具的使用權，平台管理者集中維護連線憑證。
導入前看這裡：系統提供的 model services 預設可供帳戶使用者執行，導入時須主動檢查並收斂權限。政策能力的 Beta 狀態見下項。
服務政策Service PoliciesBeta
依呼叫者、輸入、輸出與工具資訊，讓互動繼續（ALLOW）、拒絕（DENY）或等待人員同意（ASK）。可在服務呼叫前及回應後套用內建或自訂規則。
企業情境（示例）
例如讓敏感工具操作先等待核准，或封鎖含敏感資料的模型回覆。
例如讓敏感工具操作先等待核准，或封鎖含敏感資料的模型回覆。
導入前看這裡：政策不取代基本存取權。DENY 可能以 HTTP 200 搭配結構化封鎖資訊回傳，整合端不能只靠 HTTP 狀態判斷是否放行。
AI 防護規則AI GuardrailsLLM 防護為 Beta
官方範例涵蓋個資偵測與遮蔽、越獄與提示注入攔截、不安全內容，以及自訂品牌規則。可針對輸入或輸出選擇處理動作。
企業情境（示例）
客服摘要先處理個資，再檢查回覆是否包含不宜提供的內容。
客服摘要先處理個資，再檢查回覆是否包含不宜提供的內容。
導入前看這裡：實作服務層防護可參照 Service Policies。偵測效果與延遲仍需用公司的繁體中文、混合語言與領域資料驗證；不是零誤判的保證。
速率限制Rate Limits文件已說明
模型服務可限制每分鐘請求數（QPM）與 token 數（TPM）；MCP 服務限制 QPM。可設定整體服務、預設每人及特定使用者或群組規則。
企業情境（示例）
避免單一程式重試迴圈占滿共享服務，為其他使用者保留使用空間。
避免單一程式重試迴圈占滿共享服務，為其他使用者保留使用空間。
導入前看這裡：預設不設限。超限回傳 HTTP 429，客戶端須採退避重試；短時間突發可能略超門檻，因此不能視為精確的即時配額鎖。
流量管理與備援Traffic Management文件已說明
按比例分流到多個模型後端，適合逐步上線或 A/B 測試。主目的地失敗時，依指定順序嘗試備援；具工作階段識別資訊時可維持同一目的地。
企業情境（示例）
先讓小比例流量使用新模型，觀察品質；供應商限流或服務異常時切到已驗證的備援。
先讓小比例流量使用新模型，觀察品質；供應商限流或服務異常時切到已驗證的備援。
導入前看這裡：分流最多五個目的地。分流按權重選擇，和依任務能力挑模型的 Smart Routing 是不同機制。備援模型的工具、輸出格式及品質須先相容。
觀測、除錯與稽核
追蹤與可觀測性Tracing and Observability統一追蹤表 Beta
用量表回答誰用了多少、耗時多久；inference tables 保存單一端點的請求與回應。統一追蹤表可由 metastore 管理者一次配置，集中模型與 MCP 活動，使用 OpenTelemetry 格式。
企業情境（示例）
調查代理失敗時，把服務呼叫與錯誤內容放在同一個分析位置。
調查代理失敗時，把服務呼叫與錯誤內容放在同一個分析位置。
導入前看這裡：統一追蹤交付為 best-effort，不能取代正式稽核紀錄。跨步驟共用 trace ID 的完整串聯仍列為即將提供；閱讀權限須另外授予。
AI 稽核紀錄AI Audit Logging官方事件參考
用 system.access.audit 查詢服務存取軌跡，再依官方事件參考確認有哪些操作會記錄。提示詞與回應內容的調查需搭配追蹤或 inference tables。
企業情境（示例）
資安人員能釐清誰在何時存取哪個 AI 服務，並對照操作與政策結果。
資安人員能釐清誰在何時存取哪個 AI 服務，並對照操作與政策結果。
導入前看這裡：不要假設每個稽核事件都包含完整提示詞或回應。紀錄可能有敏感內容，存取、保存期限與匯出流程都需管理。
MLflow 追蹤與評估MLflow Tracing相關產品
MLflow 3 串連應用追蹤、自訂或內建評分、人員回饋與版本比較。它協助開發團隊理解模型之外的檢索、工具及代理步驟如何影響品質。
企業情境（示例）
比較兩版客服代理的正確率、引用品質與回覆成本，決定是否值得上線。
比較兩版客服代理的正確率、引用品質與回覆成本，決定是否值得上線。
導入前看這裡：Gateway 提供治理與流量資訊；MLflow 的應用儀表化與評估資料仍需依工作流程設置。
安全監控Security Monitoring相關產品
官網將 Lakewatch 連結為安全監控方案。它是 Databricks 的 SIEM，可彙整安全、IT 與業務資料，支援威脅搜尋、偵測與事件調查。
企業情境（示例）
把 AI 異常活動與身分、端點或其他安全事件對照，讓 SOC 調查有更多上下文。
把 AI 異常活動與身分、端點或其他安全事件對照，讓 SOC 調查有更多上下文。
導入前看這裡：Lakewatch 是相關產品；其可用性、部署與費用須另外評估，不能假設已包含在每個 Gateway 設定中。
延伸到實際工作：Coding Agents、MCP 與 Omnigent
讓開發工具共用治理入口
官方整合涵蓋 Claude Code、Codex CLI、Cursor 與 Gemini CLI 等工具。Unity Gateway CLI（ug）協助驗證身分、設定代理與導向服務；用量儀表板可觀察不同工具使用狀況。
需有支援區域的工作區與 Unity Catalog。這是模型與工具整合，並不等於自動接管所有既有桌面訂閱。
MCP：治理代理伸出去的手
可使用內建 MCP Services 或登錄外部 MCP。以服務權限、工具選擇與政策管控呼叫。Databricks 管理連線憑證與 OAuth 流程。
共用服務帳號與每人 OAuth 的權限效果不同。要維持外部系統的個人存取範圍，必須確認使用者身分傳遞與每人授權。
可組合或替換代理框架、共享工作階段，並搭配 Databricks 模型存取與沙箱。它是官網「建立與執行代理」情境的相關方案，需另外啟用預覽；使用 Databricks Sandbox 還有額外區域與功能條件。
04 / 企業效益
這個產品能幫公司做什麼？
以下是依官方能力推導的導入情境，不是客戶實績或成效承諾。選擇最接近你們現況的一項，先做可衡量的小規模驗證。
ENGINEERING
管理分散的程式開發代理
現況：每位工程師使用不同工具與模型，支出與權限很難統一。
做法：將支援工具導向 Gateway，以服務與身分歸屬用量，設定預算；有需要再試 Smart Routing。
試點衡量：每項完成任務成本、交付時間、程式審查退回率。
AI PLATFORM
建立公司共用的模型服務
現況：每個團隊重複串 API、保管金鑰、實作備援。
做法：由平台團隊建立 model services 與 provider services，讓應用使用已核准的服務入口。
試點衡量：新應用接入工時、備援成功率、P95 延遲、單次成功請求成本。
CUSTOMER SUPPORT
讓客服 AI 的資料與品質可檢查
現況：客服資料可能含個資，模型回覆偶爾不符合公司規範。
做法：接上適當的輸入與輸出防護，再用 MLflow 評估回覆與人工修正情況。
試點衡量：任務正確率、敏感資訊漏檢率、誤攔率、人工修改時間。
KNOWLEDGE & TOOLS
讓代理使用企業工具時有邊界
現況：代理能查內部資料，也可能嘗試不必要的寫入或高風險操作。
做法：以 MCP 服務限制可見工具，確認每人 OAuth 或服務帳號，對特定操作套用服務政策。
試點衡量：未授權操作攔截結果、正常任務成功率、授權流程摩擦。
FINOPS
把 AI 支出連回部門與工作成果
現況：只有總帳單，無法判斷哪個專案值得繼續投入。
做法：設計服務標籤與成本中心映射，拆解費用；把成功完成的業務任務當分母比較。
試點衡量：可歸屬支出比例、每成功案件成本、異常支出發現時間。
SECURITY & OPERATIONS
縮短 AI 事件的調查時間
現況：發生失敗或可疑工具活動時，紀錄散在不同系統。
做法：用稽核與追蹤找到呼叫者和服務，再按需求整合安全分析流程。
試點衡量：調查耗時、紀錄完整度、敏感紀錄權限覆核結果。
判斷效益，別只看 token 變少。
若模型單價降低，卻讓錯誤與重試增加，整體成本可能更高。建議同時比較「每個成功任務的總成本」、品質、延遲，以及平台管理工時；這是本指南的評估建議。
| 你們的現況 | 初步評估方向 |
|---|---|
| 已使用 Databricks / Unity Catalog，且多團隊採用 AI | 治理與身分基礎較容易銜接，適合挑一個共用服務試點。 |
| 尚未使用 Databricks，但模型與代理已相當分散 | 管理問題可能成立；需把新平台導入、人員與整合費用一併比較。 |
| 僅有單一、低流量的簡單模型應用 | 先確認是否真的需要跨團隊治理，避免治理維運成本高於現有問題。 |
| 需要全離線、指定地區或禁止任何預覽功能 | 先核對部署模式、資料路徑與必要功能狀態，再談架構。 |
以上為架構評估推論。未提供公司產業、雲端環境、AI 用量與預算，因此本指南不預設 ROI 或建議立即採購。
05 / 從小範圍開始
一條可實作的導入路線
以下是建議的試點順序，並非官方保證的時程。以一個開發團隊、一個模型服務與一個低風險工具為起點。
盤點現況與成功標準
列出工具、模型供應商、金鑰擁有者、資料類型、每月用量與目前痛點。先收集任務品質、成本及延遲基準。
確認工作區、權限與功能可用性
核對雲端與區域、Unity Catalog、管理者角色，以及必要的 Beta 開關。檢查現有 system.ai 預設權限；確認紀錄存放位置與閱讀權限。
接入一個模型與一個客戶端
使用既有託管 model service，或設定 BYOK provider service。把測試應用或 coding agent 導向 Gateway，確認身分與用量可查。
加入成本與安全控制
設定標籤、速率、預算通知與封鎖。用無敏感資料的測試案例驗證防護；MCP 工具從最小權限開始。
演練故障與權限邊界
測試無權限帳號、超量請求、模型異常與政策封鎖。確認應用能理解錯誤、停止無效重試，且正常流程仍能完成。
用數據決定擴大或停止
回看成功任務成本、品質、延遲、管理工時與調查能力。通過事先約定的標準後，再擴到更多團隊與模型。
[17] Coding Agents 整合 ↗[27] GitHub MCP 治理教學 ↗[06] 預算、通知與用量封鎖 ↗[10] Service Policies ↗[26] AWS 功能與區域支援 ↗
需要哪些人一起參與？
| 角色 | 應確認的事情 |
|---|---|
| 平台 / 資料工程 | Gateway 路徑、Unity Catalog、模型服務、憑證與網路。 |
| 應用 / AI 工程 | SDK 或客戶端相容性、重試、備援與品質評估。 |
| 資安 / 資料治理 | 身分傳遞、工具權限、敏感內容、追蹤保存與調閱。 |
| FinOps / 部門負責人 | 標籤與成本歸屬、預算門檻、費用對帳與效益指標。 |
06 / 採用前必讀
成本怎麼看，哪些能力仍有限制？
把總成本拆成四個部分
| 成本項目 | 應取得的資料 |
|---|---|
| 模型推論 | 模型、輸入與輸出 token、快取、按量或預配置容量；外部供應商需對照其帳單。 |
| Gateway 與觀測功能 | 依實際啟用功能核對價格。官方定價頁註明 inference tables 與 usage tracking 以 1KB payload 級距計費。 |
| 資料與相關服務 | 紀錄保存、查詢與評估運算，以及是否採用 Model Serving、Omnigent、Lakewatch 等服務。 |
| 導入與維運 | 客戶端改接、權限維護、政策測試、事件處理與人員工時。 |
後兩項為成本盤點建議。此輪官方定價頁的動態單價表未完整呈現，因此不填入未核實的金額；請依雲端、區域與合約取得正式報價。各產品的費用也不應全部都按秒或全部都按 token 計算。
預算封鎖 ≠ 最終帳單不可能超支
官方操作文件明確說明，門檻採近即時估算，正在處理的請求不會被中斷。對外部模型，供應商帳單才是實際收費依據。部落格的「hard cap」描述應搭配這些限制閱讀。
功能狀態速查
以下狀態依所列 AWS 文件，核對於 2026-09-11；Azure / GCP 及不同工作區需再確認。
| 項目 | 核對結果 | 對導入的意義 |
|---|---|---|
| Unity Gateway 整體 | 正式提供（GA） | 個別擴充功能仍可能需要另外啟用。 |
| Smart Routing | Beta | 候選模型、客戶端模式與跨框架條件見功能詳解。 |
| Service Policies / LLM Guardrails | Beta | 需管理者開啟；先驗證正常與異常案例。 |
| Unified Trace Table | Beta | 交付 best-effort；完整多步追蹤串聯仍有限制。 |
| Agent Services | Beta | 目前可登錄與管權限，不能透過登錄服務執行代理。 |
| 外部模型費用納入預算 | Beta | 另行啟用並勾選；採估算金額。 |
| Omnigent on Databricks | Beta / 相關產品 | 工作區預覽、Sandbox 與區域有各自條件。 |
[09] Agent Services 登錄與限制 ↗[07] Smart Routing ↗[10] Service Policies ↗[11] 統一追蹤表 ↗[06] 預算、通知與用量封鎖 ↗[20] Omnigent on Databricks ↗
五個應向平台團隊或 Databricks 確認的問題
- 我們的雲端、區域與模型是否支援所需功能？資料實際在哪裡處理？
- 外部模型、MCP 工具各使用誰的憑證？能否保留使用者本來的權限？
- 目前應用有哪些流量不會經過 Gateway？如何辨識與管理？
- 紀錄是否會含提示詞、程式碼或敏感資料？誰可閱讀、保存多久？
- 選用功能的完整價格、預覽支援條件與故障處理方式是什麼？
07 / 常見問題
容易混淆的地方，一次說清楚
Unity Gateway 是新的聊天機器人或大型語言模型嗎？
它主要是企業 AI 的治理與使用管理層。應用或代理仍使用底層模型與工具完成工作；Gateway 協助管理這些互動。
一定要把外部模型搬到 Databricks 才能治理嗎？
不一定。BYOK provider services 可連到公司原本使用的外部供應商，並由 Unity Catalog 管理加密憑證。供應商支援、驗證方式與資料傳輸路徑仍須確認。
Smart Routing 和流量分配有什麼不同？
Smart Routing 依開發任務挑候選模型；流量分配依設定百分比選後端。備援則處理初次呼叫失敗後的重試順序。三者解決的問題不同。
接了 MCP，就一定只會看到該使用者本來有權限的資料嗎？
要看驗證設定。每人 OAuth 可代表各自的身分；共用 principal 則用共同憑證。不能只因 MCP 經過 Gateway，就推論外部系統必然採每人權限。
能取代 ChatGPT、Claude、Cursor 的所有訂閱嗎？
不能直接做這個結論。官方 coding agent 整合描述的是模型與工具流量接入；既有產品的介面、授權與訂閱是否可替代，需要逐項比對。
會自動保證答案正確、完全沒有資料外洩嗎？
不會。服務政策與防護能實施控制；答案品質還需要任務評估、人員回饋與持續監控。建議在自己的語言與資料情境量測誤判、漏檢與品質。
這份中文網站是官方文件嗎？
這是依 Databricks 官方產品頁、文件與部落格製作的獨立導讀，以重新整理的繁體中文說明呈現。遇到版本、可用性或操作細節差異時，請回到所附官方來源；企業情境與試點指標則是本指南的分析建議。
08 / 官方來源索引
繼續深入，直接回到原始文件
本指南收錄 27 個官方來源入口：產品主頁的主要功能介紹，加上治理、整合、定價與導入文件。內容核對日為 2026-09-11，文件日期為頁面標示的更新日期。
範圍：技術細節主要依 Databricks on AWS 英文文件。未將第三方評論當成產品事實；沒有把付費電子書或登入後內容視為已讀。官網部分舊連結仍帶有 ai-gateway 或 beta 字樣，本頁使用核對後的文件位置。
- 產品總覽 ↗官方產品頁
- Unity Gateway 技術總覽 ↗文件 · 2026-09-03
- 模型 API 與 Model Services ↗文件 · 2026-08-20
- 外部模型供應商與 BYOK ↗文件 · 2026-09-02
- AI 成本分析 ↗文件 · 2026-08-03
- 預算、通知與用量封鎖 ↗文件 · 2026-09-08
- Smart Routing ↗文件 · 2026-09-08
- Model Serving 與推論容量 ↗文件 · 2026-09-08
- Agent Services 登錄與限制 ↗文件 · 2026-09-02
- Service Policies ↗文件 · 2026-09-02
- 統一追蹤表 ↗文件 · 2026-09-09
- 速率限制 ↗文件 · 2026-08-26
- 流量分配與備援 ↗文件 · 2026-09-01
- 稽核事件參考 ↗文件 · 2026-08-28
- MLflow 3 for GenAI ↗文件 · 2026-06-30
- Lakewatch 安全監控 ↗官方產品頁
- Coding Agents 整合 ↗文件 · 2026-09-08
- MCP 與代理工具總覽 ↗文件 · 2026-08-25
- MCP Services、身分與網路 ↗文件 · 2026-09-07
- Omnigent on Databricks ↗文件 · 2026-09-02
- 可觀測性工具選擇 ↗文件 · 2026-08-03
- AI Spend Controls 功能介紹 ↗官方部落格 · 2026-07-23
- Guardrails 功能與範例 ↗官方部落格 · 2026-05-19
- Model Serving 價格 ↗官方定價頁
- AWS 功能與區域支援 ↗文件 · 2026-09-09
- GitHub MCP 治理教學 ↗文件 · 2026-09-03