Google ADK + Vertex AI RAG Engine：让文档问答像聊天一样简单

想象这样一个场景：你手头有一堆 PDF 文档、Word 报告、技术手册，想要快速找到某个问题的答案——比如"去年Q3季度的收入增长了多少"。传统方式下，你需要逐一打开文件、Ctrl+F 搜索，耗时耗力。而 Google ADK + Vertex AI RAG Engine 告诉你：只需 2 分钟配置，就能拥有一个会"读"文档的 AI 助手，开口问，它来答。

从 Google I/O 到 RAG 时代：为什么这个项目值得关注

2024 年 Google I/O 大会上，Google 正式发布了 Agent Development Kit（ADK），这是一个用于构建 AI Agent 的开发框架。与 OpenAI 的 GPTs 或 Anthropic 的 Claude Agent 不同，ADK 的核心优势在于与 Google Cloud 生态的深度整合——特别是 Vertex AI 平台提供的 RAG Engine。

RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业级 AI 应用的主流架构。它的原理并不复杂：在用户提问时，先从知识库中检索相关内容，再将这些内容作为上下文喂给大语言模型生成答案。相比纯参数知识，RAG 能有效减少"幻觉"，同时支持企业私有数据的实时更新。

arjunprabhulal/adk-vertex-ai-rag-engine 是一个基于 ADK 和 Vertex AI RAG Engine 的生产级 RAG 框架，2025 年 5 月开源，目前已有 106 stars、36 forks。虽然作者 arjunprabhulal 并非 Google 官方团队成员，但项目充分利用了 ADK 的 Agent 架构和 Vertex AI RAG 的全套 API，设计上颇具巧思。

核心架构：三层设计，职责清晰

整个项目采用三层架构设计，从底层到顶层依次是：

第一层：存储层（Google Cloud Storage）

项目使用 Google Cloud Storage（GCS）作为文档存储层。用户上传的文件首先落入 GCS 桶（Bucket），再通过 Vertex AI RAG Engine 的导入接口进入向量知识库。这一设计的优势在于：GCS 本身支持海量文件存储、版本控制、访问权限管理，无需额外自建文件服务器。

第二层：RAG 检索层（Vertex AI RAG Engine）

Vertex AI RAG Engine 负责文档的 chunking（分块）、embedding（向量化）和 indexing（索引构建）。项目默认使用 text-embedding-004 模型进行向量化，分块大小和向量距离阈值均可通过 rag/config.py 配置。RAG Engine 会将文档切分成语义单元，生成向量存入 corpus（语料库）。

第三层：Agent 交互层（ADK Agent）

ADK Agent 是整个框架的"大脑"。它由 rag/agent.py 定义，核心是一个配置了 RAG 工具的 Agent 实例。Agent 的 instruction 中预设了三大类任务：GCS 操作（上传/创建/列举 Bucket）、RAG 语料管理（创建/更新/删除 corpus）、语料检索（单 corpus 查询、跨 corpus 搜索）。当用户提问时，Agent 自动选择最合适的工具执行，并将结果格式化返回。

ADK + Vertex AI RAG 整体架构，展示了从文档上传到问答的全流程

亮点功能：不止于检索

多 Corpus 跨库搜索 — 这是项目最有特色的功能之一。大多数 RAG 实现只支持单语料库查询，而本项目通过 search_all_corpora 工具实现了跨多个 corpus 的并发检索。用户提出一个问题，系统会同时在所有 corpus 中搜索相关片段，并按相关性排序返回。

完整的文件生命周期管理 — 从 GCS Bucket 创建、文件上传，到 RAG corpus 创建、文档导入，再到查询和删除，整个文件生命周期都有对应的 Agent 工具支持。用户无需记忆繁琐的 gcloud CLI 命令，用自然语言即可完成操作。

CLI + Web 双界面 — 项目同时提供了 CLI 和 Web 两种交互方式。ADK 自带的 adk web 命令可以启动本地 Web 界面，图形化地管理 Agent 和对话历史。对于习惯命令行的开发者，也有完整的 CLI 工具可用。

Web 界面中输入自然语言查询，系统实时返回带引用的答案

通过 Web 界面上传文件到 Google Cloud Storage

技术栈与代码质量

项目技术栈非常聚焦：

• Python：100% Python 实现，主要依赖 google-adk、google-cloud-aiplatform[adk,agent-engines] 和 google-cloud-storage
• ADK：Agent 开发框架，提供 Agent 抽象、工具注册、Web 服务
• Vertex AI RAG API：Google Cloud 的 RAG 即服务，无需自建向量数据库
• Cloud Storage SDK：GCS 操作的官方 Python 客户端

代码结构清晰，rag/ 目录下分 tools/（功能工具）、config/（配置）和 agent.py（Agent 定义）三个子模块。工具函数遵循 ADK 的 FunctionTool 模式，每个函数有完整的类型注解和 docstring，返回值统一为包含 status 字段的字典，便于 Agent 解析和展示。

不过，项目也存在一些值得注意的问题：

1. 测试覆盖未知：仓库中没有 tests/ 目录，无法判断单元测试覆盖率
2. 配置硬编码：rag/config.py 中的 PROJECT_ID = "your-project-id" 需要用户手动替换，缺乏环境变量注入机制
3. 错误处理较简：部分函数的异常捕获仅返回字符串 error_message，没有区分不同错误类型（如权限错误 vs 网络超时）

部署体验：Cloud-First，门槛不低

部署这个项目需要满足以下前提条件：

1. 拥有 Google Cloud 项目：并在 Vertex AI API 和 Cloud Storage API 上启用相关服务
2. 安装 gcloud CLI 并完成认证：gcloud auth application-default login
3. 启用 ADK：pip install google-adk
4. 配置凭证：设置 GOOGLE_APPLICATION_CREDENTIALS 指向服务账号 JSON 文件

完成以上步骤后，运行 adk web 即可启动。但必须指出：这是典型的 Cloud-First 架构，所有计算和存储都发生在 Google Cloud 上，纯离线本地部署是不支持的。对于数据隐私要求极高（如金融、医疗行业）的企业，这可能是一个限制因素。

好在 ADK 本身提供了一定的灵活性——虽然核心的 Vertex AI RAG Engine 必须联网使用，但用户可以通过自定义工具模式，接入其他向量数据库（如 Pinecone、Weaviate）的 RAG 能力，只是这需要额外的代码改造。

行业意义：企业 RAG 的 Google Cloud 路径

从行业视角看，这个项目代表了一个明确的趋势：企业级 AI 应用正在加速向云服务商整合。Google 通过 Vertex AI RAG Engine 提供了一站式方案：Embedding 模型、向量存储、检索排序、上下文管理全部由 Google 托管，企业只需关注业务逻辑和数据。

ADK 的出现则进一步降低了 Agent 开发门槛。与 LangChain 等通用框架相比，ADK 更专注于 Google 生态，对已经使用 Google Cloud 的企业来说，学习成本更低、集成成本更小。

当然，这条路也有其挑战：供应商锁定（Vendor Lock-in）是绕不开的话题。一旦选择了 Vertex AI RAG Engine，迁移到其他平台的数据和配置成本不可忽视。在做技术选型时，这是值得权衡的关键因素。

---

一句话总结：如果你已经在使用 Google Cloud，想要快速搭建一个支持多文档、多语料库的 RAG 问答系统，这是一个值得参考的开源实现。它用 ADK Agent 的思路重新包装了 Vertex AI RAG API，代码质量良好，但在测试覆盖和配置灵活性上还有提升空间。