Google ADK + Qdrant MCP：让 RAG 成为 AI Agent 的"记忆外挂"

从"一本正经地胡说八道"说起

用过 ChatGPT 的朋友大概都遇到过这种情况：你问一个专业领域的问题，AI 信心满满地给出一个答案，但仔细一看——数据是编的，引用是假的，一本正经地胡说八道。这不是 AI "不聪明"，而是它本身就"没有知识"，它只是在拟合语言概率。

RAG（检索增强生成）就是为了解决这个问题而生的。简单来说：RAG 就像给 AI 配了一个随时可查的资料库。用户提问时，系统先从资料库中检索相关片段，再把这些"有据可查"的内容塞给 AI 作为上下文——AI 不再凭空发挥，而是"看着答案回答"。

但是，传统的 RAG 系统有一个痛点：向量数据库的查询逻辑和 AI Agent 的工具调用是割裂的。你需要在代码里手动写"先查向量库、再把结果塞给 prompt"这段胶水代码，既不优雅，也不好维护。

khoi03/adk-mcp-rag 这个项目给出了一个新的解决思路：让向量数据库以 MCP Server（Model Context Protocol Server） 的身份，成为 AI Agent 的一种原生工具。

图注：RAG Agent 整体架构，展示了用户请求 → Google ADK Agent → MCP Tool → Qdrant 向量库 → 检索结果回流的全流程。

Google ADK：AI Agent 开发的新范式

Google Agent Development Kit（ADK）是 Google 官方在 2025 年初推出的 AI Agent 开发框架。相比 LangChain、Hays 等老牌框架，ADK 的核心设计理念是简化 Agent 的构建流程，让开发者聚焦于"定义 Agent 的行为"而不是"管理 Agent 的生命周期"。

ADK 的几个关键概念：

• LlmAgent：用一行配置定义一个 Agent，包括使用哪个模型、给什么指令、配备哪些工具。
• Runner：管理 Agent 的运行循环——接收用户输入、调用 Agent、返回结果。
• Session：为每个用户维护独立的对话状态，无需自己管理 context window。
• Artifact：让 Agent 生成的文件（代码、图表等）自动保存并可视化。

ADK 还自带一个 Web UI 调试工具（adk web），可以实时看到 Agent 的思考过程、工具调用和中间结果，极大降低了开发调试成本。

MCP：让 AI Agent 学会"调用外部工具"

MCP（Model Context Protocol）是 Anthropic 在 2024 年底开源的一种标准化协议，用于规范 AI Agent 如何与外部工具和数据源交互。在 MCP 出现之前，AI Agent 连接外部工具需要为每个工具单独写适配代码；有了 MCP，只需要实现一次 MCP Server，任何兼容 MCP 的 Agent 都能调用它。

打个比方：MCP 就像是 AI 世界的"USB 接口标准"——不再需要为每个设备定制线缆，插上就能用。

mcp-server-qdrant 就是一个将 Qdrant 向量数据库暴露为 MCP 工具的 Server。它对外暴露的核心工具是 qdrant-find：Agent 发送查询请求，Qdrant 在向量空间中找到最相似的文档片段，返回给 Agent 作为上下文。

技术实现：三层架构的精妙协作

adk-mcp-rag 的代码组织非常清晰，可以分为三层：

第一层：入口（main.py）

# 通过 Google ADK Runner 启动 Agent
runner = Runner(
    app_name='mcp_filesystem_app',
    agent=root_agent,
    artifact_service=artifacts_service,
    session_service=session_service,
)

主程序负责初始化 ADK Runner 和 Session Service，然后启动异步运行循环。用户的查询通过 Content 对象传递给 Agent，最终以 SSE 流式响应输出。

第二层：Agent 定义（agents/agent.py）

# 通过 MCPToolset 将 Qdrant 暴露为 Agent 工具
toolset = await self.mcp_tools.get_tools_async(os.getenv('QRANT_MCP_SSE'))
root_agent = LlmAgent(
    model='gemini-2.0-flash',
    name='ask_rag_agent',
    instruction=self.prompt_configs['ask_rag_agent']['instruction_prompt'],
    tools=[toolset],
    generate_content_config=types.GenerateContentConfig(temperature=0.2),
)

Agent 的 prompt 在 agents/config/prompts.yml 中定义。prompt 明确指示 Agent："只在用户提出需要知识库支撑的问题时才调用检索工具，回答要有引用来源"。这是一个很实用的设计——日常闲聊不触发检索，既节省 API 调用，也避免无关信息干扰。

第三层：向量数据库（local_vector_store/）

# 文档向量化入库
loader = DirectoryLoader("data")
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)

db = VectorDB(embeddings_model_name="sentence-transformers/all-MiniLM-L6-v2")
db.add_documents(chunks)

文档入库存取使用 LangChain 的文档加载器（支持 PDF 和 Markdown），文本分割采用 RecursiveCharacterTextSplitter（按段落语义切分），向量嵌入模型默认使用 all-MiniLM-L6-v2（轻量高效，384 维向量）。

一键部署：Docker Compose 搞定一切

这个项目在部署体验上做得很用心。docker/ 目录下提供了完整的 Docker Compose 配置，一行命令启动全套服务：

docker compose -p qdrant-mcp up --build -d

启动后实际运行两个容器：

• qdrant：Qdrant 原生向量数据库（6333 端口），带 Web Dashboard（6334 端口）
• qdrant-mcp：通过 mcp-server-qdrant 包暴露 Qdrant 的 SSE 端点（8888 端口）

主程序通过 QRANT_MCP_SSE=http://localhost:8888/sse 环境变量连接 MCP Server。整个链路无需手动配置 IP 或端口，网络名统一为 mcp-servers Docker 网络。

优势与局限

优势

1. MCP 标准化：向量数据库作为 MCP 工具接入，Agent 调用逻辑简洁纯粹。
2. 流式响应：ADK Runner 以 SSE 模式流式输出，响应体验流畅。
3. 引用溯源：Agent 回答强制要求引用来源，避免幻觉。
4. 一键部署：docker-compose 覆盖向量库 + MCP Server + 配置，开箱即用。
5. ADK Web UI：内置可视化调试界面，开发体验友好。

局限

1. 仅支持 PDF/Markdown：文档加载器暂不支持 Word、Excel 等常见办公格式。
2. 依赖外部 LLM API：Gemini 2.0 Flash 需要 Google API Key（国内访问不便）。
3. 中文embedding模型非默认：默认 MiniLM 英文模型效果最佳，中文场景建议替换为 shibing624/text2vec-base-chinese 等中文 embedding 模型。
4. 没有增量更新机制：重新入库会清空旧数据，全量覆盖。

总结

adk-mcp-rag 是一个将 Google ADK、MCP 协议和 Qdrant 向量库三者深度融合的 RAG 实现。它代表了一个趋势：未来 AI Agent 将通过标准协议（如 MCP）原生调用外部工具，而不是在业务代码里写胶水逻辑。对于想了解 Agentic RAG 架构、以及如何用 MCP 协议构建生产级 RAG 系统的开发者，这个项目是一个值得参考的范本。