RAG agentique avec ADK et BigQuery VECTOR_SEARCH

Dans un RAG « classique », chaque question déclenche la même recherche avec le texte brut de la question. Un RAG agentique confie ces choix à un agent : faut-il chercher ? avec quels mots ? dans quelle catégorie ? faut-il réessayer autrement ? Ce lab le construit avec deux briques que beaucoup d'équipes ont déjà : BigQuery pour stocker et chercher, ADK pour l'agent.

Fil rouge : l'assistant documentaire de la société fictive Nimbus Conseil, avec un piège volontaire (deux versions de la politique de télétravail, 2024 et 2026) que seuls les filtres SQL résolvent proprement.

Pour qui ?

• Développeurs Python à l'aise avec SQL et les embeddings.
• Vous avez déjà écrit un agent ADK avec un outil (sinon : Construire un agent IA de A à Z).
• Projet Google Cloud avec BigQuery et Vertex AI activés.

Architecture

flowchart TB
  subgraph Indexation["python bq_rag.py load"]
    MD["docs/*.md"] --> SP["split_sections"] --> EM["gemini-embedding-001 (768 dims, europe-west1)"]
    EM --> T[("BigQuery lab_rag_bq.chunks")]
  end
  subgraph Question["python agent.py ..."]
    U["Utilisateur"] --> AG["Agent ADK (gemini-2.5-flash)"]
    AG -->|"décide, reformule, filtre"| TOOL["rechercher_documents(requete, categorie, annee_min)"]
    TOOL --> QE["Embedding de la requête"] --> VS["VECTOR_SEARCH + WHERE paramétré"]
    VS --> T
    TOOL -->|"extraits + distance"| AG
    AG --> R["Réponse citée"]
  end

Prérequis

• Python 3.10+, pip install -r files/requirements.txt, gcloud auth application-default login.
• Région europe-west1 pour le dataset et pour les modèles (vérifié : gemini-2.5-flash et gemini-embedding-001 y répondent ; gemini-embedding-2 y renvoie 404).

Programme

En local ou sur GCP ?

Code : bq_rag.py, agent.py, test_bq_rag.py, documents fictifs dans files/docs/.