Korzystanie z narzędzia do wyszukiwania plików Google Gemini na potrzeby RAG

1. Wprowadzenie

W tym laboratorium kodowania dowiesz się, jak używać wyszukiwania plików w Gemini, aby włączyć RAG w aplikacji opartej na agentach. Użyjesz wyszukiwarki plików Gemini do wczytywania i indeksowania dokumentów bez konieczności martwienia się o szczegóły dzielenia na fragmenty, osadzania czy bazy danych wektorów.

Czego się nauczysz

Podstawy RAG i wyjaśnienie, dlaczego jest to potrzebne.
Czym jest wyszukiwanie plików w Gemini i jakie ma zalety.
Jak utworzyć magazyn wyszukiwania plików.
Jak przesyłać własne pliki do sklepu wyszukiwarki plików.
Jak używać narzędzia Gemini File Search Tool w przypadku RAG.
korzyści z używania pakietu Google Agent Development Kit (ADK),
Jak korzystać z narzędzia do wyszukiwania plików Gemini w rozwiązaniu opartym na agentach utworzonym za pomocą ADK.
Jak korzystać z narzędzia do wyszukiwania plików Gemini razem z „natywnymi” narzędziami Google, takimi jak wyszukiwarka Google.

Co zrobisz

Utwórz projekt Google Cloud i skonfiguruj środowisko programistyczne.
Utwórz prostego agenta opartego na Gemini za pomocą pakietu Google Gen AI SDK (ale bez ADK), który może korzystać z wyszukiwarki Google, ale nie ma funkcji RAG.
wykazać, że nie jest w stanie dostarczać dokładnych informacji wysokiej jakości w przypadku informacji dostosowanych do indywidualnych potrzeb;
Utwórz notatnik Jupyter (który możesz uruchomić lokalnie lub np. w Google Colab) do tworzenia i zarządzania sklepem wyszukiwania plików Gemini.
Użyj notatnika, aby przesłać niestandardowe treści do sklepu wyszukiwarki plików.
Utwórz agenta z dołączonym sklepem wyszukiwania plików i udowodnij, że potrafi generować lepsze odpowiedzi.
Przekształć naszego początkowego „podstawowego” agenta w agenta ADK z narzędziem wyszukiwarki Google.
Przetestuj agenta za pomocą interfejsu internetowego ADK.
Zintegruj usługę wyszukiwania plików z agentem ADK, korzystając z wzorca Agent-As-A-Tool, aby umożliwić nam używanie narzędzia do wyszukiwania plików razem z narzędziem do wyszukiwania w Google.

2. Czym jest RAG i dlaczego jest potrzebny

A więc... Generowanie wspomagane wyszukiwaniem

Jeśli tu jesteś, prawdopodobnie wiesz, o co chodzi, ale na wszelki wypadek zróbmy krótkie podsumowanie. LLM (takie jak Gemini) są świetne, ale mają kilka problemów:

Zawsze są nieaktualne: znają tylko to, czego nauczyły się podczas szkolenia.
Nie wiedzą wszystkiego: modele są ogromne, ale nie są wszechwiedzące.
Nie mają dostępu do Twoich informacji zastrzeżonych: mają szeroką wiedzę, ale nie czytały Twoich dokumentów wewnętrznych, blogów ani zgłoszeń w Jira.

Dlatego gdy zapytasz model o coś, na co nie zna odpowiedzi, zwykle otrzymasz nieprawidłową lub nawet zmyśloną odpowiedź. Często model z pewnością podaje nieprawidłową odpowiedź. Nazywamy to halucynacjami.

Jednym z rozwiązań jest po prostu przekazanie naszych informacji objętych ochroną bezpośrednio do kontekstu rozmowy. W przypadku niewielkiej ilości informacji jest to w porządku, ale gdy informacji jest dużo, szybko staje się to problematyczne. Prowadzi to w szczególności do tych problemów:

Opóźnienie: coraz wolniejsze odpowiedzi modelu.
Zniekształcenie sygnału, czyli „utrata w środku”: model nie jest już w stanie odróżnić istotnych danych od nieistotnych. Model ignoruje większość kontekstu.
Koszt: tokeny kosztują.
Wykorzystanie okna kontekstu: w tym momencie Gemini nie będzie realizować Twoich próśb.

Znacznie skuteczniejszym sposobem na rozwiązanie tego problemu jest użycie RAG. Jest to po prostu proces wyszukiwania odpowiednich informacji ze swoich źródeł danych (za pomocą dopasowywania semantycznego) i przekazywania odpowiednich fragmentów tych danych do modelu wraz z pytaniem. Osadza model w Twojej rzeczywistości.

Działa on w ten sposób, że importuje dane zewnętrzne, dzieli je na części, przekształca je w wektory dystrybucyjne, a następnie przechowuje i indeksuje te wektory w odpowiedniej bazie danych wektorów.

Aby wdrożyć RAG, musimy zwykle zadbać o te kwestie:

Uruchomienie bazy danych wektorowych (Pinecone, Weaviate, Postgres z pgvector...).
Napisz skrypt dzielący dokumenty (np.pliki PDF, Markdown itp.) na mniejsze części.
Generowanie wektorów dystrybucyjnych dla tych fragmentów za pomocą modelu wektorów dystrybucyjnych.
przechowywanie wektorów w bazie danych wektorów;

Ale przyjaciele nie pozwalają sobie na zbytnie komplikowanie spraw. A gdybym Ci powiedział, że jest prostszy sposób?

3. Wymagania wstępne

Tworzenie projektu Google Cloud

Aby wykonać to ćwiczenie, musisz mieć projekt Google Cloud. Możesz użyć istniejącego projektu lub utworzyć nowy.

Sprawdź, czy w projekcie włączone są płatności. Z tego przewodnika dowiesz się, jak sprawdzić stan rozliczeń projektów.

Pamiętaj, że ukończenie tego laboratorium nie powinno wiązać się z żadnymi kosztami. Maksymalnie kilka groszy.

Przygotuj projekt. Poczekam.

Klonowanie repozytorium demonstracyjnego

Utworzyłem repozytorium z treściami pomocniczymi do tego ćwiczenia. Będzie Ci potrzebny.

Uruchom te polecenia w terminalu lub w terminalu zintegrowanym z Edytorem Cloud Shell Google. Cloud Shell i jego edytor są bardzo wygodne, ponieważ wszystkie potrzebne polecenia są już zainstalowane i wszystko działa od razu.

git clone https://github.com/derailed-dash/gemini-file-search-demo
cd gemini-file-search-demo

W tym drzewie widać najważniejsze foldery i pliki w repozytorium:

gemini-file-search-demo/
├── app/
│   ├── basic_agent_adk/        # Agent with Google Search, using ADK framework
│   │   └── agent.py
│   ├── rag_agent_adk/          # Agent with Google Search and File Search, using ADK framework
│   │   ├── agent.py            
│   │   └── tools_custom.py      
│   ├── sdk_agent.py            # Agent using GenAI SDK (no ADK) with Google Search tool
│   └── sdk_rag_agent.py        # Agent using GenAI SDK (no ADK) with Gemini File Search tool
├── data/
│   └── story.md                # Sample story with "bespoke content" to use with Gemini File Search Store
├── notebooks/
│   └── file_search_store.ipynb # Jupyter notebook for creating and managing Gemini File Search Store
│
├── .env.template               # Template for environment variables - make a copy as .env
├── Makefile                    # Makefile for `make` commands
├── pyproject.toml              # Project configuration and dependencies
└── README.md                   # This file

Otwórz ten folder w edytorze Cloud Shell lub w wybranym edytorze. (Czy korzystasz już z Antigravity? Jeśli nie, to dobry moment, aby wypróbować tę funkcję).

Zwróć uwagę, że repozytorium zawiera przykładowe opowiadanie „The Wormhole Incursion” w pliku data/story.md. Współtworzyłem(-am) go z Gemini. Opowiada o dowódcy Dazbo i jego eskadrze inteligentnych statków kosmicznych. (Zainspirowałem się grą Elite Dangerous). Ta historia służy jako „baza wiedzy na zamówienie”, zawierająca konkretne fakty, których Gemini nie zna i których nie może wyszukać za pomocą wyszukiwarki Google.

Konfigurowanie środowiska programistycznego

Aby ułatwić Ci pracę, udostępniliśmy Makefile, które upraszcza wiele poleceń, które musisz uruchomić. Zamiast zapamiętywać konkretne polecenia, możesz po prostu uruchomić coś takiego jak make <target>. Funkcja make jest jednak dostępna tylko w środowiskach Linux, macOS i WSL. Jeśli używasz systemu Windows (bez WSL), musisz uruchomić pełne polecenia zawarte w plikach make.

# Install dependencies with make
make install

# If you don't have make...
uv sync --extra jupyter

Tak wygląda wynik działania polecenia make install w edytorze Cloud Shell:

Tworzenie klucza interfejsu Gemini API

Aby korzystać z interfejsu Gemini Developer API (który jest potrzebny do używania narzędzia Gemini File Search Tool), musisz mieć klucz interfejsu Gemini API. Najłatwiejszym sposobem uzyskania klucza interfejsu API jest użycie Google AI Studio, które udostępnia wygodny interfejs do uzyskiwania kluczy interfejsu API dla projektów Google Cloud. Szczegółowe instrukcje znajdziesz w tym przewodniku.

Po utworzeniu klucza interfejsu API skopiuj go i zadbaj o jego bezpieczeństwo.

Teraz musisz ustawić ten klucz interfejsu API jako zmienną środowiskową. Możemy to zrobić za pomocą .envpliku. Skopiuj dołączony plik .env.example jako nowy plik o nazwie .env. Plik powinien wyglądać tak:

export GEMINI_API_KEY="your-api-key"
export MODEL="gemini-2.5-flash"
export STORE_NAME="demo-file-store"

Zastąp your-api-key rzeczywistym kluczem interfejsu API. Powinien on teraz wyglądać mniej więcej tak:

Teraz sprawdź, czy zmienne środowiskowe zostały wczytane. Możesz to zrobić, uruchamiając to polecenie:

source .env

4. Agent podstawowy

Najpierw ustalmy wartość bazową. Do uruchomienia prostego agenta użyjemy pakietu SDK w wersji google-genai.

Kodeks

Spójrz na app/sdk_agent.py. Jest to minimalna implementacja, która:

Tworzy instancję klasy genai.Client.
Włącza narzędzie google_search.
To wszystko. Brak RAG.

Sprawdź kod i upewnij się, że rozumiesz, co robi.

Running It

# With make
make sdk-agent

# Without make
uv run python app/sdk_agent.py

Zadajmy mu ogólne pytanie:

> What is the stock price of Google?

Powinna ona udzielić prawidłowej odpowiedzi, korzystając z wyszukiwarki Google, aby znaleźć aktualną cenę:

Teraz zadajmy pytanie, na które nie zna odpowiedzi. Wymaga to od agenta przeczytania naszej historii.

> Who pilots the 'Too Many Pies' ship?

Powinien się mylić lub nawet halucynować. Sprawdźmy:

I rzeczywiście, model nie potrafi odpowiedzieć na to pytanie. Nie ma pojęcia, o czym mówimy.

Teraz wpisz quit, aby zamknąć agenta.

5. Wyszukiwanie plików w Gemini: wyjaśnienie

Wyszukiwanie plików w Gemini to połączenie dwóch funkcji:

W pełni zarządzany system RAG: przesyłasz pliki, a Gemini File Search zajmuje się dzieleniem na części, osadzaniem, przechowywaniem i indeksowaniem wektorowym.
„Narzędzie” w kontekście agentów: możesz po prostu dodać narzędzie do wyszukiwania plików w Gemini do definicji agenta i skierować je do magazynu wyszukiwania plików.

Co ważne, jest on wbudowany w sam interfejs Gemini API. Oznacza to, że aby z niej korzystać, nie musisz włączać żadnych dodatkowych interfejsów API ani wdrażać żadnych osobnych usług. Jest to więc rozwiązanie out-of-the-box.

Funkcje wyszukiwania plików w Gemini

Oto kilka funkcji:

Szczegóły dzielenia na części, osadzania, przechowywania i indeksowania są ukryte przed deweloperem. Oznacza to, że nie musisz znać modelu wektorów dystrybucyjnych (którym jest Gemini Embeddings) ani wiedzieć, gdzie są przechowywane wynikowe wektory. Nie musisz podejmować żadnych decyzji dotyczących bazy danych wektorów.
Obsługuje on wiele typów dokumentów od razu po wyjęciu z pudełka. Obejmuje to między innymi pliki PDF, DOCX, Excel, SQL, JSON, notatniki Jupyter, HTML, Markdown, CSV, a nawet pliki ZIP. Pełną listę znajdziesz tutaj. Jeśli na przykład chcesz, aby Twój agent korzystał z plików PDF zawierających tekst, obrazy i tabele, nie musisz ich wstępnie przetwarzać. Wystarczy, że prześlesz pliki PDF w formacie RAW, a Gemini zajmie się resztą.
Możemy dodać niestandardowe metadane do dowolnego przesłanego pliku. Może to być bardzo przydatne do późniejszego filtrowania plików, których narzędzie ma używać w czasie działania.

Gdzie są przechowywane dane?

Przesyłasz niektóre pliki. Narzędzie Gemini do wyszukiwania plików pobrało te pliki, utworzyło z nich fragmenty, a następnie osadzanie i umieściło je w jakimś miejscu. Ale gdzie?

Odpowiedź: File Search Store. Jest to w pełni zarządzany kontener na Twoje wektory. Nie musisz wiedzieć (ani się tym przejmować), jak to działa. Wystarczy, że utworzysz go (programowo), a następnie prześlesz do niego pliki.

Jest tanie!

Przechowywanie i wysyłanie zapytań dotyczących Twoich osadzeń jest bezpłatne. Możesz przechowywać osadzenia tak długo, jak chcesz, i nie płacić za to.

W rzeczywistości płacisz tylko za utworzenie osadzeń w momencie przesyłania lub indeksowania. W momencie pisania tego artykułu kosztuje to 0, 15 USD za 1 milion tokenów. To całkiem tanio.

6. Jak korzystać z wyszukiwania plików w Gemini?

Odbywa się to w 2 fazach:

Utwórz i zapisz wektory w magazynie wyszukiwania plików.
Wysyłaj zapytania do usługi wyszukiwania plików z poziomu agenta.

Etap 1. Notatnik Jupyter do tworzenia i zarządzania sklepem wyszukiwania plików Gemini

Ten etap wykonujesz na początku, a potem zawsze, gdy chcesz zaktualizować sklep. Na przykład gdy masz nowe dokumenty do dodania lub gdy dokumenty źródłowe uległy zmianie.

Ta faza nie musi być częścią wdrożonej aplikacji opartej na agentach. Jasne, jeśli chcesz. Na przykład jeśli chcesz utworzyć interfejs użytkownika dla administratorów aplikacji opartej na agentach. Często jednak wystarczy mieć fragment kodu, który można uruchomić na żądanie. A jaki jest świetny sposób na uruchamianie tego kodu na żądanie? Notatnik Jupyter.

Pamiętnik

Otwórz plik notebooks/file_search_store.ipynb w edytorze. Jeśli pojawi się prośba o zainstalowanie rozszerzeń Jupyter VS Code, zrób to.

Jeśli otworzymy go w edytorze Cloud Shell, będzie wyglądać tak:

Uruchommy go komórka po komórce. Zacznij od wykonania komórki Setup z wymaganymi importami. Jeśli wcześniej nie uruchamiałeś(-aś) notatnika, pojawi się prośba o zainstalowanie wymaganych rozszerzeń. Zrób to. Następnie pojawi się prośba o wybranie jądra. Kliknij „Python environments...”, a potem lokalny pakiet .venv, który został zainstalowany podczas wcześniejszego uruchomienia polecenia make install:

Następnie:

Uruchom komórkę „Local Only” (Tylko lokalnie), aby pobrać zmienne środowiskowe.
Uruchom komórkę „Client Initialisation”, aby zainicjować klienta Gemini Gen AI.
Uruchom komórkę „Retrieve the Store” (Pobierz sklep) z funkcją pomocniczą do pobierania Gemini File Search Store według nazwy.

Teraz możemy utworzyć sklep.

Uruchom komórkę „Create the Store (One Time)” (Utwórz sklep (jednorazowo)), aby utworzyć sklep. Wystarczy to zrobić tylko raz. Jeśli kod zostanie uruchomiony prawidłowo, powinien wyświetlić się komunikat "Created store: fileSearchStores/<someid>"
Uruchom komórkę „View the Store”, aby zobaczyć jej zawartość. Powinno się w niej znajdować 0 dokumentów.

Świetnie. Mamy już gotowy sklep Gemini File Search.

Przesyłanie danych

Chcemy przesłać data/story.md do sklepu. Wykonaj te czynności:

Uruchom komórkę, która ustawia ścieżkę przesyłania. Wskazuje to na nasz folder data/.
Uruchom następną komórkę, która tworzy funkcje narzędziowe do przesyłania plików do sklepu. Pamiętaj, że kod w tej komórce również używa Gemini do wyodrębniania metadanych z każdego przesłanego pliku. Wyodrębnione wartości są przechowywane w sklepie jako niestandardowe metadane. (Nie musisz tego robić, ale warto).
Uruchom komórkę, aby przesłać plik. Jeśli wcześniej przesłaliśmy plik o tej samej nazwie, najpierw usuniemy istniejącą wersję, a potem prześlemy nową. Powinien pojawić się komunikat informujący o przesłaniu pliku.

Etap 2. Wdrażanie w naszym agencie wyszukiwania plików w Gemini z technologią RAG

Utworzyliśmy magazyn wyszukiwania plików Gemini i przesłaliśmy do niego nasz materiał. Teraz czas użyć w naszym agencie narzędzia File Search Store. Utwórzmy nowego agenta, który zamiast wyszukiwarki Google będzie korzystać z pamięci wyszukiwania plików. Spójrz na app/sdk_rag_agent.py.

Pierwsza rzecz, na którą warto zwrócić uwagę, to funkcja pobierania sklepu na podstawie jego nazwy:

def get_store(client: genai.Client, store_name: str) -> types.FileSearchStore | None:
    """Retrieve a store by display name"""
    try:
        for a_store in client.file_search_stores.list():
            if a_store.display_name == store_name:
                return a_store
    except Exception as e:
        logger.error(f"Error listing stores: {e}")
    return None

Gdy już będziemy mieć sklep, korzystanie z niego będzie tak proste, jak dołączenie go do agenta jako narzędzia:

   file_search_tool = types.Tool(file_search=types.FileSearch(file_search_store_names=[store.name]))

Uruchamianie agenta RAG

Uruchamiamy go w ten sposób:

make sdk-rag-agent

# Or, without make:
uv run python app/sdk_rag_agent.py

Zadajmy pytanie, na które poprzedni pracownik nie potrafił odpowiedzieć:

> Who pilots the 'Too Many Pies' ship?

A odpowiedź?

Gotowe! Z odpowiedzi wynika, że:

Do udzielenia odpowiedzi na pytanie wykorzystano nasz magazyn plików.
Znaleziono 5 odpowiednich fragmentów.
Odpowiedź jest trafna.

Aby zamknąć agenta, wpisz quit.

7. Konwertowanie agentów na ADK

Pakiet Agent Development Kit (ADK) od Google to modułowa platforma open source i pakiet SDK dla deweloperów, którzy chcą tworzyć agentów i systemy oparte na agentach. Umożliwia łatwe tworzenie systemów wieloagentowych i zarządzanie nimi. ADK jest zoptymalizowany pod kątem Gemini i ekosystemu Google, ale jest niezależny od modelu i wdrożenia oraz został stworzony z myślą o kompatybilności z innymi platformami. Jeśli nie korzystasz jeszcze z ADK, odwiedź dokumentację ADK, aby dowiedzieć się więcej.

Podstawowy agent ADK z wyszukiwarką Google

Spójrz na app/basic_agent_adk/agent.py. W tym przykładowym kodzie widać, że zaimplementowaliśmy 2 agenty:

root_agent, który obsługuje interakcję z użytkownikiem i w którym podaliśmy główną instrukcję systemową.
Osobny SearchAgent, który korzysta z google.adk.tools.google_search jako narzędzia.

root_agent w rzeczywistości używa SearchAgent jako narzędzia, co jest realizowane za pomocą tego wiersza:

   tools=[AgentTool(agent=search_agent)],

Prompt systemowy agenta głównego wygląda tak:

You are a helpful AI assistant designed to provide accurate and useful information.
If you don't know the answer, use the SearchAgent to perform a Google search.
Do not attempt to search more than ONCE.
If the search yields no relevant results or returns unrelated content, you MUST immediately respond with: "I could not find any information about that."
Do NOT retry the search with different terms. Do NOT ask for clarification. FAIL FAST.

Wypróbowanie agenta

ADK udostępnia szereg gotowych interfejsów, które umożliwiają deweloperom testowanie agentów ADK. Jednym z nich jest interfejs internetowy. Dzięki temu możemy testować nasze agenty w przeglądarce bez konieczności pisania kodu interfejsu.

Aby uruchomić ten interfejs, wpisz:

make adk-playground

# Or, without make:
uv run adk web app --port 8501 --reload_agents

Pamiętaj, że polecenie kieruje narzędzie adk web do folderu app, w którym automatycznie wykrywa wszystkie agenty ADK implementujące root_agent. Spróbujmy:

Po kilku sekundach aplikacja będzie gotowa. Jeśli uruchamiasz kod lokalnie, otwórz w przeglądarce stronę http://127.0.0.1:8501. Jeśli korzystasz z edytora Cloud Shell, kliknij „Podgląd w przeglądarce” i zmień port na 8501:

Gdy pojawi się interfejs, wybierz basic_agent_adk z menu, a potem zadaj pytanie:

Póki co idzie jej dobrze. Interfejs internetowy pokazuje nawet, kiedy agent główny przekazuje zadanie do SearchAgent. To bardzo przydatna funkcja.

Teraz zadajmy mu pytanie, które wymaga znajomości naszej historii:

Sprawdź to. Powinien szybko zakończyć się niepowodzeniem, zgodnie z instrukcjami.

Włączanie File Search Store w agencie ADK

Teraz połączymy wszystkie te elementy. Uruchomimy agenta ADK, który może korzystać zarówno z magazynu wyszukiwania plików, jak i z wyszukiwarki Google. Sprawdź kod w domenie app/rag_agent_adk/agent.py.

Kod jest podobny do tego z poprzedniego przykładu, ale różni się od niego w kilku kluczowych kwestiach:

Mamy agenta głównego, który koordynuje pracę 2 agentów specjalistów:
RagAgent specjalista od wiedzy – korzysta z naszego sklepu Gemini File Search
SearchAgent: ekspert w zakresie wiedzy ogólnej – korzysta z wyszukiwarki Google.
Ponieważ ADK nie ma jeszcze wbudowanego modułu opakowującego dla FileSearch, używamy niestandardowej klasy modułu opakowującego FileSearchTool, aby opakować narzędzie FileSearch, które wstrzykuje konfigurację file_search_store_names do żądania modelu niskiego poziomu. Zostało to zaimplementowane w osobnym skrypcie app/rag_agent_adk/tools_custom.py.

Jest też pewien haczyk, na który trzeba uważać. W momencie pisania tego artykułu nie można używać narzędzia natywnego GoogleSearch i narzędzia FileSearch w tym samym żądaniu wysyłanym do tego samego agenta. Jeśli spróbujesz to zrobić, pojawi się błąd podobny do tego:

BŁĄD – wystąpił błąd: 400 INVALID_ARGUMENT. {‘error': {‘code': 400, ‘message': ‘Wyszukiwanie jako narzędzie i wyszukiwanie plików nie są obsługiwane razem', ‘status': ‘INVALID_ARGUMENT'}}

Błąd: 400 INVALID_ARGUMENT. {‘error': {‘code': 400, ‘message': ‘Wyszukiwanie jako narzędzie i wyszukiwanie plików nie są obsługiwane razem', ‘status': ‘INVALID_ARGUMENT'}}

Rozwiązaniem jest wdrożenie 2 specjalistycznych agentów jako osobnych subagentów i przekazanie ich do agenta głównego za pomocą wzorca „Agent jako narzędzie”. Co najważniejsze, instrukcja systemowa agenta głównego zawiera bardzo jasne wytyczne, aby najpierw użyć RagAgent:

Jesteś pomocnym asystentem AI, który ma za zadanie dostarczać dokładne i przydatne informacje.

Masz dostęp do 2 specjalistów:

RagAgent: do uzyskiwania spersonalizowanych informacji z wewnętrznej bazy wiedzy.
SearchAgent: ogólne informacje z wyszukiwarki Google.

Zawsze najpierw wypróbuj RagAgent. Jeśli nie uda się uzyskać przydatnej odpowiedzi, spróbuj użyć SearchAgent.

Final Test

Uruchom interfejs internetowy ADK w dotychczasowy sposób:

make adk-playground

# Or, without make:
uv run adk web app --port 8501 --reload_agents

Tym razem wybierz rag_agent_adk w interfejsie. Zobaczmy, jak to działa:

Widać, że na podstawie pytania wybiera odpowiedniego subagenta.

8. Podsumowanie

Gratulujemy ukończenia tego ćwiczenia!

Przekształcasz prosty skrypt w system RAG z wieloma agentami bez pisania ani jednej linii kodu osadzania i bez konieczności wdrażania bazy danych wektorów.

Dowiedzieliśmy się, że:

Gemini File Search to zarządzane rozwiązanie RAG, które pozwala oszczędzać czas i nerwy.
ADK zapewnia nam strukturę potrzebną do tworzenia złożonych aplikacji z wieloma agentami i ułatwia pracę deweloperom dzięki interfejsom takim jak interfejs internetowy.
Wzorzec "Agent-as-a-Tool" rozwiązuje problemy ze zgodnością narzędzi.

Mamy nadzieję, że to laboratorium okazało się przydatne. Do zobaczenia!