Agent Platform RAG 引擎管理
用 Vertex AI Python SDK 管理语料库并检索可用于生成的依据。
技能区分只读操作与消耗计算资源的生成操作，并要求生成前以明确参数获得用户确认；但 ADC 登录、未固定版本的依赖安装和 RAG 数据流、敏感数据处理、最小权限及恢复策略说明不足，因此扣分。
工作流和示例覆盖列出、检查、检索及生成等主要路径，且占位符替换规则清楚；但没有错误处理、异常输入反馈、版本兼容性验证或可复现测试，因此按静态证据保守给分。
目标用户场景、任务类型和不适用范围描述较清楚；但未说明触发边界、输入输出契约、中文支持或中国大陆网络可达性，且核心功能依赖 Google Cloud 服务，因此扣分。
文档结构清晰，包含安全分级、环境准备、决策树、示例、许可证、安装方式及支持入口；但缺少技能版本、变更日志、明确维护责任、依赖版本和故障排查说明，因此扣分。
示例直接提供了常见 RAG Engine 管理和检索代码，理论上可完成核心任务；但没有提交的运行结果、完整输出契约或与替代方案的比较，且 SDK/API 兼容性未经验证，因此未超过静态上限。
技能包含具体 SDK 调用、参数和资源名称格式，具备一定审计性；但没有针对该技能的测试套件、CI 覆盖、运行记录或第三方交叉证据，因此仅给有限分数。
- 执行前应确认项目、区域、语料库及查询内容，检查 ADC 权限是否为最小必要权限。
- 应固定并验证 google-cloud-aiplatform、google-genai 与 vertexai API 版本，补充异常处理和失败反馈。
- 涉及敏感语料时需明确数据发送、存储和模型处理边界；中国大陆用户还需单独确认 Google Cloud 服务的网络可达性。
这个 Skill 能做什么，适合哪些场景？
该技能面向 Google Agent Platform RAG Engine 的语料库管理与检索。它可列出语料库和文件、查看指定语料库详情、按查询检索相关上下文，并使用 RAG 上下文生成有依据的内容。操作必须使用 Vertex AI Python SDK，而不是原始 REST 调用或 MCP 工具。生成内容会消耗计算资源，并要求用户先确认具体语料库、模型和查询参数。
通过 vertexai Python SDK 初始化 Google Cloud 项目和区域，列出 RAG 语料库及其文件，获取指定语料库的名称和显示名称，调用 rag.retrieval_query 检索相关上下文及来源 URI，并通过 google-genai 客户端配置 Vertex RAG Store，使用 Gemini 模型生成基于语料库的回答。
- Google Cloud 用户不知道语料库资源名称，需要先发现项目中的 RAG 语料库和文件。
- 开发者需要检查某个 Agent Platform RAG Engine 语料库的资源名称和显示名称。
- 应用开发者希望根据自然语言问题检索语料库中的相关上下文和来源。
- 需要基于指定 RAG 语料库生成 Gemini 有依据回答的团队。
- 需要查看文件显示名称和扩展名，以初步识别语料库中的 PDF 或纯文本文件。
这个 Skill 有哪些优点和局限？
- 覆盖语料库和文件发现、语料库检查、上下文检索及基于 RAG 的内容生成。
- 示例直接使用 Vertex AI Python SDK 和 Google GenAI SDK。
- 包含分页处理示例，支持自动分页和手动分页。
- 明确区分无需确认的只读操作与需要确认的内容生成操作。
- 仅针对 Agent Platform RAG Engine，不适用于标准数据库查询、Google Workspace RAG 或 gRAG。
- 依赖 Google Cloud 身份验证、ADC、Python 环境和两个 Google SDK。
- 生成内容会消耗计算资源，且必须等待交互式确认。
- 源材料未提供测试套件、错误处理策略、成本明细或跨平台验证结果。
如何安装这个 Skill？
安装整个仓库中的技能集合：npx skills add google/skills。安装过程中选择 Agent Platform RAG Engine Management，对应路径为 skills/cloud/agent-platform-rag-engine-management。README 未说明如何单独安装该目录之外的独立包。
如何使用这个 Skill？
先运行 gcloud auth login 和 gcloud auth application-default login，再创建并激活环境：python3 -m venv ~/rag_agent_venv、source ~/rag_agent_venv/bin/activate，安装 pip install google-cloud-aiplatform google-genai。随后使用 Python SDK，并提供项目 ID、区域和语料库 ID；缺少资源信息时先列出语料库和文件。示例请求："列出这个项目中的 RAG 语料库，并检索与产品政策相关的上下文。" 每次运行 Python 代码前都要激活该虚拟环境。执行内容生成前，必须确认目标语料库 ID、目标模型和查询文本。
这个 Skill 与同类方案有什么区别？
技能明确将标准数据库查询交给 SQL/Spanner 技能，并排除 Google Workspace RAG 和 gRAG 等其他 RAG 产品；因此它适合已经使用 Agent Platform RAG Engine 的场景，而不是通用数据库或其他 RAG 产品。