Agent Retrieval 向量存储

Agent Retrieval（前身为 Vector Search 2.0）是 Gemini Enterprise Agent Platform 上由 Google 管理的向量数据库，通常可在 vectorsearch.googleapis.com 使用。adk-rag 的 agent-retrieval 功能针对该数据库实现了 [VectorStore] trait，因此可以像 pgvector、Qdrant、LanceDB 和 SurrealDB 后端一样，直接接入现有的 RAG pipeline。

[dependencies]
adk-rag = { version = "2.1.0", features = ["agent-retrieval"] }

快速开始

use adk_rag::VectorStore;
use adk_rag::agent_retrieval::{AgentRetrievalConfig, AgentRetrievalStore};

async fn run() -> adk_rag::Result<()> {
    // Application Default Credentials; project/location from the environment.
    let store = AgentRetrievalStore::new_with_adc(AgentRetrievalConfig::from_env()?)?;

    store.create_collection("docs", 768).await?;
    // upsert / search / delete exactly as with any other VectorStore backend
    Ok(())
}

映射到平台

Trait 操作	Agent 检索调用
`create_collection`	`POST {parent}/collections`（长时间运行的操作；`ALREADY_EXISTS` 是空操作）
`delete_collection`	`DELETE {collection}`（长时间运行的操作；`NOT_FOUND` 是空操作）
`upsert`	`dataObjects:batchCreate`（≤1000，原子操作），对于最后写入获胜则回退到按对象执行 create-else-patch
`delete`	`dataObjects:batchDelete`，当缺少 ID 时回退到按对象删除
`search`	使用 `vectorSearch` 查询的 `dataObjects:search`

文本块和元数据与向量一起存储在数据对象中，无需配套存储。该存储以 BYOE（自带嵌入）模式运行：嵌入来自 adk-rag 的嵌入器管道，确保不同后端之间的行为保持一致。分数是 DOT_PRODUCT 距离，对于经过归一化的嵌入而言，它们等于余弦相似度（分数越高，相关性越高）。

配置

选项	效果
`with_collection_prefix("rag-")`	为每个集合 ID 添加前缀，从而隔离此存储的集合
`with_existing_collections_only(true)`	`create_collection` 验证集合是否存在，而不是创建集合——适用于使用平台工具预先配置集合的部署
`with_endpoint(...)`	自定义 API 来源（允许用于测试的环回 HTTP）

集合名称会被清理为 RFC 1035 标签（转换为小写；无效字符会变为连字符），因此 my_docs 会变为集合 ID my-docs。清理后相同的不同名称会发生冲突——请选择在大小写或标点之外也存在差异的名称。

超越 trait

对于持有具体 AgentRetrievalStore 的调用方，hybrid_search 会在一次 dataObjects:batchSearch 调用中运行语义查询和关键词查询，并返回经过倒数排名融合排序的列表：

# use adk_rag::agent_retrieval::{AgentRetrievalConfig, AgentRetrievalStore};
# async fn run(store: AgentRetrievalStore, embedding: Vec<f32>) -> adk_rag::Result<()> {
let results = store
    .hybrid_search("docs", &embedding, "quarterly revenue", 10, (0.6, 0.4))
    .await?;
# Ok(())
# }

平台说明

区域： Agent Retrieval 具有区域性；支持的区域包括 us-central1、us-east4、us-west1、europe-north1、europe-west2、europe-west4、asia-east1、asia-northeast1 和 asia-southeast1。
CMEK： 独立的 Agent Retrieval 通过集合的 encryptionSpec 支持客户管理的加密密钥（创建时不可变）。请使用平台工具预先配置 CMEK 集合，并使用 with_existing_collections_only(true)。
Vector Search 1.0 特意未实现。 其索引/端点基础设施模型与 VectorStore trait 的契合度较低，而 Google 将 Agent Retrieval 定位为其后继产品。
配额： 每个请求的批量写入上限为 1000 个对象，并且具有原子性；存储会自动将更大的 upsert 操作分块。

测试

该后端通过所有 adk-rag 后端都会运行的共享 VectorStore 契约和属性测试套件，因此在行为上可与其他存储互换。#[ignore] 实时测试会创建并删除其自行生成唯一名称的集合（数据平面测试，与 pgvector 和 Qdrant 实时测试相同）：

GOOGLE_CLOUD_PROJECT=my-project GOOGLE_CLOUD_LOCATION=us-central1 \
  cargo test -p adk-rag --features agent-retrieval -- --ignored