Google Cloud Vertex AI: verwaltete RAG-Lösungen

Google Cloud beschleunigt das Enterprise-RAG

Google Cloud kündigt bedeutende Weiterentwicklungen seiner RAG-Funktionen auf Vertex AI an. Die neue RAG Engine vereinfacht die Bereitstellung, die Grounding API verbessert die Zuverlässigkeit, und die Integration mit Gemini 2.5 bietet unerreichte Leistung.

"Vertex AI RAG Engine macht Enterprise-RAG für alle zugänglich", sagt Thomas Kurian, CEO von Google Cloud. "Man muss kein KI-Experte mehr sein, um hochwertige Lösungen zu implementieren."

Neue Funktionen

RAG Engine

Ein verwalteter Service für End-to-End-RAG:

DEVELOPERpython
from google.cloud import aiplatform

# Initialisierung
aiplatform.init(project="my-project", location="us-central1")

# RAG-Corpus erstellen
rag_corpus = aiplatform.RagCorpus.create(
    display_name="company-docs",
    embedding_model="text-embedding-005",
    chunking_config={
        "strategy": "semantic",
        "chunk_size": 512,
        "overlap": 50
    }
)

# Dokumente importieren
rag_corpus.import_files(
    gcs_source="gs://my-bucket/documents/",
    import_config={
        "file_types": ["pdf", "docx", "html"],
        "ocr_enabled": True
    }
)

# RAG-Anfrage
response = rag_corpus.query(
    text="Wie konfiguriere ich das Produkt?",
    model="gemini-2.5-pro",
    retrieval_config={
        "top_k": 5,
        "reranking": True
    }
)

Grounding API

Die Validierung der Antworten wird nativ:

DEVELOPERpython
from google.cloud import aiplatform

# Grounding-Konfiguration
grounding_config = {
    "grounding_source": {
        "type": "RETRIEVAL",
        "retrieval_config": {
            "rag_corpus": rag_corpus.resource_name,
            "threshold": 0.7
        }
    },
    "grounding_enforcement": {
        "level": "STRICT",  # STRICT, MODERATE, PERMISSIVE
        "citation_required": True
    }
}

# Generierung mit Grounding
response = aiplatform.Gemini.generate(
    model="gemini-2.5-pro",
    prompt="Erkläre die Rückgaberichtlinie",
    grounding_config=grounding_config
)

# Ergebnis mit Grounding-Metadaten
print(response.grounding_metadata)
# {
#   "grounding_score": 0.92,
#   "citations": [...],
#   "unsupported_claims": []
# }

Diese Funktion passt zu unserem Leitfaden zur Erkennung von Halluzinationen.

Gemini 2.5-Integration

Die Integration mit Gemini 2.5 bringt:

DEVELOPERpython
# Multimodales RAG mit Gemini 2.5
response = rag_corpus.query(
    inputs=[
        {"type": "text", "value": "Welches Produkt entspricht diesem Bild?"},
        {"type": "image", "value": "gs://bucket/product-image.jpg"}
    ],
    model="gemini-2.5-pro",
    multimodal_config={
        "image_understanding": True,
        "cross_modal_retrieval": True
    }
)

Agent Builder RAG

Erstellung von RAG-Agenten ohne Code:

1. Visuelle Oberfläche: Komponenten per Drag & Drop
2. Vorkonfigurierte Connectors: Drive, Confluence, Salesforce
3. Workflows: Visuelle Orchestrierung
4. Deployment: Ein Klick zur Produktion

DEVELOPERpython
# Oder per API
agent = aiplatform.Agent.create(
    display_name="support-agent",
    rag_corpus=rag_corpus.resource_name,
    instructions="Du bist ein Support-Agent. Antworte unter Angabe deiner Quellen.",
    tools=[
        {"type": "rag_retrieval"},
        {"type": "code_execution"},
        {"type": "web_search"}
    ]
)

# Bereitstellen
agent.deploy(
    endpoint="support-agent-endpoint",
    min_replica_count=1,
    max_replica_count=10
)

Architektur

Empfohlene Architektur

Cloud Storage / Drive / BigQuery
              ↓
    [RAG Engine - Ingestion]
              ↓
    [Chunking + Embedding]
              ↓
    Vertex AI Vector Search
              ↓
    [Retrieval + Reranking]
              ↓
    [Gemini + Grounding]
              ↓
    Cloud Run / GKE

Native GCP-Integration

Leistung

Benchmarks

Beschränkungen

Preise

Preisgestaltung

Vergleich

*Für 100K Anfragen/Monat, 10GB Daten (Gemini-Preise: Juli 2026)

Lesen Sie auch unseren Leitfaden zur Optimierung der RAG-Kosten.

Anwendungsfälle

Wann Vertex AI RAG verwenden

Ideal für:

• GCP-first-Unternehmen
• Bedarf an fortgeschrittenem Multimodal
• Integration BigQuery/Data Analytics
• Kritisches Grounding

Weniger geeignet für:

• Multi-Cloud-Umgebungen
• Begrenztes Budget
• Bedarf an Open-Source-Modellen

Komplettes Beispiel

DEVELOPERpython
from google.cloud import aiplatform

# 1. Setup
aiplatform.init(project="my-project")

# 2. RAG-Corpus erstellen
corpus = aiplatform.RagCorpus.create(
    display_name="knowledge-base",
    embedding_model="text-embedding-005"
)

# 3. Dokumente importieren
corpus.import_files(gcs_source="gs://docs/")

# 4. Endpoint erstellen
endpoint = corpus.deploy_rag_endpoint(
    model="gemini-2.5-pro",
    grounding_config={"level": "STRICT"}
)

# 5. Anfrage stellen
response = endpoint.predict(
    instances=[{"query": "Wie lautet das Verfahren?"}]
)

Unsere Einschätzung

Vertex AI RAG Engine ist eine solide Option:

Stärken:

• GCP-native Integration
• Leistungsfähiges Gemini 2.5
• Einzigartige Grounding API
• Fortgeschrittenes Multimodal

Zu beachten:

• Vendor-Lock-in bei Google Cloud
• Hohe Kosten
• Anfangskomplexität

Für GCP-first-Unternehmen ist es eine natürliche Wahl. Die native Integration mit BigQuery und dem Google Data-Ökosystem ist ein entscheidender Vorteil.

Plattformen wie Ailog bieten eine cloud-agnostische Alternative mit Hosting in Frankreich.

Lesen Sie auch unseren Leitfaden zu den besten RAG-Plattformen.