使用 Google ADK、Antigravity SDK、Agent Skills、A2UI 和 Gemini Enterprise 构建生产级 RAG 智能体

原文发表于 Medium Google Cloud 博客，本文为中文翻译与整理

引言

检索增强生成（RAG）技术将大语言模型（LLM）与企业知识库连接起来，极大地提升了 AI 应用的实用价值。然而，构建生产级 RAG 系统往往面临两大挑战：减少模型幻觉 和 管理复杂且昂贵的向量数据库基础设施。

本文将介绍一个生产级的、企业级 有依据的 RAG 智能体（Grounded RAG Agent） Web 应用，它整合了 Google Cloud 生态中的多项技术：

• Google Agent Development Kit (ADK) — 用于定义智能体、指令、工具和运行时行为的框架
• Google Antigravity SDK — 可编程的自主智能体编排工具（Agent、LocalAgentConfig）
• Agent Skills（SKILL.md） — 面向 GCP、GCS、GEAP RAG 和 Antigravity 的可复用领域知识包
• A2UI 协议 — 智能体驱动的 UI 协议，支持流式传输引用来源、可折叠的思考轨迹和实时遥测
• Gemini Enterprise Agent Platform (GEAP) — Serverless RAG Engine — Google 托管的无服务器向量数据库（使用 text-embedding-005 和 RagManagedVertexVectorSearch）
• Gemini 模型 — gemini-2.5-flash 负责高速推理、上下文综合和带内联引用的有依据回答（[Doc N: filename.ext]）
  

系统执行流程：7 步流水线

整个系统遵循一个清晰的 7 步执行流水线：

第 1 步：用户请求与 A2UI 交互

用户提交问题，或通过拖拽上传文档（支持 PDF、TXT、MD、CSV、DOCX 格式）。A2UI 前端将文档元数据和查询路由到 FastAPI 后端。

第 2 步：智能体运行时与技能初始化

FastAPI 初始化智能体运行时，并加载可复用的 Agent Skills（SKILL.md），用于 GCS 存储和 GEAP RAG 管理。

第 3 步：文档暂存至 Google Cloud Storage (GCS)

后端将上传的文件直接流式传输到自动配置的 GCS 存储桶（gs://rag-agent-docs-{project_id}）。

第 4 步：GEAP Serverless RAG 数据摄入与向量索引

暂存的文件被导入 GEAP Serverless RAG 引擎（rag.import_files），经历以下处理流程：

1. 解析：从 PDF、TXT、MD、CSV 或 DOCX 中提取原始文本
2. 分块：将文本分割为 512 token 的块，块与块之间重叠 100 token
3. 嵌入生成：使用 publishers/google/models/text-embedding-005 将块转换为稠密向量
4. 无服务器向量检索：通过 RagManagedVertexVectorSearch 自动建立索引，无需管理集群

第 5 步：通过 GEAP RAG 引擎进行上下文检索

用户问题触发近似最近邻（ANN）向量相似度搜索（rag.retrieval_query），返回结构化的 RagContext 对象。

第 6 步：Gemini 2.5 Flash 与 Antigravity SDK 的有依据推理

检索到的上下文通过 LocalAgentConfig 传递给 gemini-2.5-flash 模型。模型会流式输出思考过程（response.thoughts），生成带有严格引用格式的回答（[Doc 1: filename.pdf]），并记录 token 使用指标（prompt、thoughts、candidates、total）。

第 7 步：A2UI 载荷与实时遥测流式传输

FastAPI 将最终结果以 A2UI 协议格式返回，支持引用来源的展示、思考轨迹的可视化以及实时的系统遥测。

技术亮点

Agent Skills：可复用的领域知识

Agent Skills 以 SKILL.md 文件形式存在，是将领域知识打包成可复用单元的关键机制。它们可以帮助智能体理解 GCP 服务、GEAP RAG 操作流程以及 Antigravity 的使用方式，从而加速开发并保持一致性。

A2UI：智能体驱动的用户界面

A2UI（Agent to UI）协议是一个专门为智能体驱动界面设计的声明式 UI 协议。在本项目中，它负责：

• 流式传输引用来源（citation）
• 展示可折叠的思考轨迹
• 提供实时遥测数据

这使得用户不仅能获得答案，还能看到答案的来源和推理过程，大幅提升了透明度和可信度。

GEAP Serverless RAG：零运维的向量检索

GEAP Serverless RAG Engine 是 Google 托管的无服务器向量数据库服务。开发者无需关心：

• 向量数据库的部署和维护
• 索引的构建和优化
• 集群的扩缩容

只需通过 API 调用即可完成文档的摄入、索引和检索，真正实现了“零运维”的 RAG 能力。

总结

本文介绍的生产级 RAG 智能体展示了 Google Cloud AI 生态的强大整合能力。通过 ADK 定义智能体行为、Antigravity SDK 进行编排、Agent Skills 复用领域知识、A2UI 实现透明的用户交互、GEAP Serverless RAG 提供无运维的向量检索，以及 Gemini 2.5 Flash 完成有依据的推理——这些组件的协同工作，为构建可靠、可扩展的企业级 RAG 应用提供了一个完整的参考架构。

该项目的完整代码可在 GitHub 上获取：arjunprabhulal/google-antigravity-geap-rag-agent。