Vertex AI RAG Engine : corpus, recherche ancrée et agent ADK

Vous avez quelques documents internes et vous voulez un assistant qui y répond avec ses sources, sans écrire ni base vectorielle ni découpeur de texte. Vertex AI RAG Engine est le service managé de Google Cloud qui fait ce travail : il lit vos fichiers, les découpe, calcule les embeddings, les range dans une base vectorielle et sait retrouver les bons passages.

Dans ce lab, vous construisez de bout en bout l'assistant documentaire d'une société fictive, Nimbus Conseil (télétravail, notes de frais, sécurité, accueil), puis vous supprimez tout et vérifiez que rien ne reste facturé.

Pour qui ?

• Développeurs Python qui connaissent le principe du RAG (sinon : la leçon 1 le rappelle en 5 minutes).
• Vous avez un projet Google Cloud avec facturation, et gcloud installé.
• Pas besoin d'avoir déjà utilisé ADK : l'agent fait 20 lignes.

Ce que vous construisez

flowchart LR
  D["docs/*.md (fictifs)"] -->|"upload"| G["Bucket GCS lab-rag-engine-…"]
  G -->|"import_files + découpage"| C["Corpus RAG Engine"]
  C --> V["RagManagedDb (Spanner, palier Basic)"]
  Q["Question"] --> R["retrieval_query : passages + distance"]
  R --> C
  Q --> M["Gemini 2.5 Flash + outil retrieval"]
  M --> C
  M --> A["Réponse ancrée + sources citées"]
  Q --> AG["Agent ADK + VertexAiRagRetrieval"]
  AG --> M

Prérequis

• Python 3.10 ou plus récent, pip install -r files/requirements.txt.
• Identifiants ADC (Application Default Credentials, les identifiants que les bibliothèques Google lisent automatiquement) : gcloud auth application-default login.
• APIs activées : Vertex AI (aiplatform.googleapis.com), Cloud Storage, Cloud Resource Manager.
• Une région où RAG Engine est disponible : on utilise europe-west4 (voir leçon 1).

Programme

En local ou sur GCP ?

Le code complet est dans files/ : rag_engine_lab.py, agent.py, test_rag_engine_lab.py et les documents d'exemple de files/docs/.