在前兩天，我們分別完成了 Azure AI Foundry 與 GCP Vertex AI 的 API 呼叫。
今天，我們來做一次對照，從實際開發者的角度比較兩者在 API 串接體驗 上的差異。

1️⃣ API 設定流程

面向 Azure AI Foundry GCP Vertex AI
驗證方式 API Key + Endpoint Service Account JSON Key
啟用方式 建立 Azure OpenAI 資源 啟用 Vertex AI API
初始步驟 複製 Key & Endpoint 即可使用 需設定專案、建立服務帳號、下載金鑰檔

👉 Azure 上手更快，但 GCP 的安全性與權限管理更精細。

2️⃣ 開發體驗

面向 Azure AI Foundry GCP Vertex AI
SDK openai (官方延伸 Azure 版本) google-cloud-aiplatform
模型呼叫 指定 engine (部署名稱) 直接選擇模型名稱（如 chat-bison、gemini-pro）
Playground 對應 與 API 體驗相似，差異不大 Playground 參數與 API 呼叫一致性更高

👉 GCP 在模型管理與 API 一致性上更直觀，Azure 則是依靠「部署名稱」來做映射。

3️⃣ 調整參數與靈活性

面向 Azure AI Foundry GCP Vertex AI
可調參數 temperature, max_tokens temperature, max_output_tokens, top_p, top_k
彈性 較簡單，適合快速開發 選項更多，適合研究與調優

👉 如果只想「快速上線」，Azure 更快；如果需要「微調與研究」，GCP 更適合。

4️⃣ 成本與計費

面向 Azure AI Foundry GCP Vertex AI
計費模式 按 Token 使用量 按 Token 使用量
模型選擇 OpenAI 模型為主（GPT、DALL·E、Whisper） Google 自家模型（Gemini、Imagen）+ 部分開源模型
成本可控性 較容易估算，與 OpenAI 接近 依模型不同，費用差異較大

👉 兩者都採 Token 計價，但模型來源不同，費率會有差異。

5️⃣ 總結

Azure AI Foundry：快速、簡單、與 Microsoft 生態（Teams、Power BI）整合方便

GCP Vertex AI：靈活、多樣，適合數據科學與 AI 研究應用

👉 選擇哪個平台，取決於團隊 需求優先順序：

如果是 企業內部導入 → Azure AI Foundry

如果是 數據研究與 AI 產品開發 → GCP Vertex AI

小結

到這裡，我們已經完成了從 Playground → API 呼叫 → API 比較 的學習路線。
接下來（Day 9），我們會實際動手做一個 小型應用 Demo，把 API 串接落實到簡單的應用場景中 🚀。