Vertex AI Search : data store, recherche filtrée et réponses citées

Vertex AI Search est le moteur de recherche d'entreprise de Google Cloud (son API s'appelle Discovery Engine). Là où RAG Engine vous donne des briques (corpus, passages, outil pour Gemini), Vertex AI Search vous donne un moteur complet : index, classement, extraits, filtres, et une réponse générée avec ses citations. C'est aussi le moteur sur lequel s'appuie Gemini Enterprise.

Dans ce lab, vous créez tout par l'API Python (pas de console) pour la société fictive Nimbus Conseil : un data store de 5 documents avec métadonnées, une application de recherche, des requêtes avec réponse citée et filtres, puis la suppression vérifiée de chaque ressource.

Pour qui ?

• Développeurs Python à l'aise avec Google Cloud (gcloud, IAM de base).
• Vous savez ce qu'est le RAG ; idéalement vous avez fait le lab Vertex AI RAG Engine.

Ce que vous construisez

flowchart LR
  D["docs/*.txt + metadata.jsonl"] -->|"upload"| G["Bucket lab-vais-…"]
  G -->|"import_documents"| DS["Data store lab-vais-docs (eu)"]
  DS --> APP["Application lab-vais-app (Enterprise + LLM)"]
  Q["Question + filtre"] --> S["search : documents classés"]
  Q --> A["answer_query : réponse + citations"]
  S --> APP
  A --> APP
  APP -.->|"même moteur"| GE["Gemini Enterprise"]

Prérequis

• Python 3.10+, pip install -r files/requirements.txt (dont google-cloud-discoveryengine).
• gcloud auth application-default login et l'API discoveryengine.googleapis.com activée.
• Un projet avec facturation. Vertex AI Search n'existe qu'en multi-région (global, eu, us) : on prend eu.

Programme

En local ou sur GCP ?

Code complet : vais_lab.py, test_vais_lab.py, documents fictifs dans files/docs/.