Firma má technickou dokumentaci, ceníky, interní postupy, obchodní podklady a stovky odpovědí, které už někdo jednou napsal. Přesto zaměstnanci stále hledají ve složkách, ptají se kolegů nebo otevírají několik systémů najednou.
RAG asistent má tento problém řešit. Neodpovídá jen z obecných znalostí modelu, ale před odpovědí vyhledá relevantní části schválených firemních zdrojů. Může tak například najít správný postup, shrnout smlouvu, připravit návrh odpovědi na poptávku nebo ukázat, odkud konkrétní informaci čerpá.
Na ukázce Google Cloud Tech je dobře vidět, že dnes lze takového asistenta poměrně rychle sestavit a nasadit do cloudu. Nejdůležitější otázka ale nezačíná u Gemini, Google ADK ani Cloud Runu. Začíná ve chvíli, kdy má systém pracovat s reálnými firemními daty.
Build a production-ready RAG agent with Google ADK, Gemini, and Cloud RunOtevřít zdrojRAG není další název pro chatbot
Zkratka RAG znamená retrieval-augmented generation, tedy generování odpovědi s dohledáním podkladů. Systém nejdřív vyhledá části dokumentů, které souvisejí s dotazem, a teprve potom je předá modelu jako kontext pro odpověď.
To je důležitý rozdíl. Běžný model může napsat věrohodně znějící odpověď i ve chvíli, kdy nezná aktuální ceník, interní pravidlo nebo technický detail. RAG asistent by měl pracovat jen s povolenými zdroji a ideálně uvést, odkud informaci vzal.
V praxi to může vypadat jednoduše:
- Zaměstnanec se zeptá na postup nebo konkrétní údaj.
- Systém vyhledá relevantní části dokumentace.
- Model z nich připraví srozumitelnou odpověď.
- Uživatel dostane i odkaz na zdroj nebo může odpověď ověřit.
Na papíře jsou to čtyři kroky. V produkci se ale za každým z nich skrývá řada rozhodnutí.
Co ukazuje video — a proč je užitečné
Video Google Cloud Tech staví RAG agenta pomocí Agent Development Kitu, modelu Gemini a služby Cloud Run. Ukazuje cestu od zdrojových dokumentů přes vyhledávání až po rozhraní a nasazení aplikace.
Pro technický tým je to dobrý praktický základ. Je vidět, že RAG není jedna funkce, kterou lze „zapnout“. Je to celek složený z dokumentů, vyhledávací vrstvy, modelu, agentních pravidel, aplikace a provozní infrastruktury.
Pro firmu je ale nejcennější jiná myšlenka: funkční odpověď na notebooku ještě neznamená hotového firemního asistenta.
Google ADK je vývojový nástroj pro stavbu agentů. Cloud Run pak umí aplikaci nasadit jako spravovanou službu z kontejneru nebo přímo ze zdrojového kódu. To řeší způsob, jak aplikaci spustit. Samo o sobě to ale neodpoví na otázky, které dokumenty smí asistent číst, kdo odpovídá za jejich aktuálnost a co se má stát, když si model není jistý.
Pět vrstev mezi demem a skutečným provozem
RAG asistent vypadá jednoduše jen do chvíle, než pracuje s ostrými daty. Před nasazením je potřeba vyřešit minimálně těchto pět vrstev:
| Vrstva | Otázka, kterou musí firma vyřešit | Typická chyba |
|---|---|---|
| Zdroje dat | Které dokumenty jsou správné a aktuální? | Asistent čte starý ceník nebo neplatný postup. |
| Vyhledávání | Umí systém najít správnou část dokumentu? | Odpověď je obecná, protože našel podobný, ale nesouvisející soubor. |
| Model a pravidla | Co smí asistent tvrdit, citovat nebo doporučit? | Model z chybějících podkladů vytvoří pravděpodobnou odpověď. |
| Přístupy a integrace | Kdo smí vidět který zdroj a co smí systém udělat? | Obchodník se dostane k účetním nebo personálním informacím. |
| Provoz | Jak se řeší změna, chyba, výpadek nebo drahý provoz? | Demo funguje, ale nikdo nemá logy, zálohu ani plán obnovy. |
Technologie pomůže každou z těchto vrstev postavit. Neurčí ale sama správná firemní pravidla.
Nejdřív zdroj pravdy, až potom vektory a model
Při RAG projektech se často začne výběrem modelu. Firma porovnává, zda použít Gemini, GPT, Claude nebo lokální model. To je užitečné, ale většinou to není první problém.
První problém bývá v datech. Ve složce mohou ležet tři verze stejného dokumentu. Na webu je jiná cena než v aktuálním interním souboru. Technický postup existuje jen v e-mailu jednoho kolegy. Nikdo neví, kdo může starou verzi odstranit.
Asistent nemůže spolehlivě odpovídat z informací, které nejsou pod kontrolou. Před stavbou je proto dobré u každého zdroje určit:
- kdo je jeho vlastník,
- pro koho je určený,
- kdy byl naposledy ověřený,
- jak se změny dostanou do znalostní báze,
- co se stane, když je dokument stažený nebo nahrazený,
- zda smí být použitý v odpovědi pro zákazníka, nebo jen interně.
Nejde o byrokracii. Je to způsob, jak zabránit tomu, aby asistent sebejistě citoval včerejší pravdu.
Oprávnění se musí vyhodnotit před vyhledáváním
U sdíleného asistenta nestačí zamknout celý chat heslem. Obchod, účetnictví, technici a vedení často nemají mít stejný přístup ke stejným dokumentům.
Správný princip je jednoduchý: asistent smí do vyhledávání předat jen zdroje, které smí vidět konkrétní uživatel. Nestačí až po odpovědi skrýt citlivou větu. Model ji nesmí dostat vůbec.
Stejnou opatrnost vyžadují nástroje. Asistent může bezpečně vyhledat stav objednávky. Pokud ale má vytvořit objednávku, změnit CRM nebo odeslat e-mail, už nejde jen o odpověď. Takový krok má mít omezené oprávnění, jasný záznam a u důležitých akcí lidské schválení.
Jak poznat, že asistent opravdu funguje
Pocit, že „odpovídá hezky“, není měřítko kvality. RAG asistent je potřeba testovat na skutečných dotazech, které firma dostává.
Připravte například 30 až 50 otázek rozdělených do skupin:
- běžné otázky, které má vyřešit,
- otázky s podobnými pojmy v různých dokumentech,
- neúplné nebo nejasné dotazy,
- otázky, na které zdroje nemají odpověď,
- citlivé dotazy, které musí odmítnout nebo předat člověku,
- situace, kdy je dokument zastaralý nebo si zdroje odporují.
U každé otázky neurčujte jen správnou formulaci. Určete také, z jakého dokumentu má odpověď vycházet a kdy má asistent raději přiznat nejistotu.
Potom sledujte hlavně:
- podíl odpovědí opřených o správný zdroj,
- počet odpovědí, které člověk musí opravit,
- čas ušetřený proti ručnímu hledání,
- počet dotazů, které systém správně předal člověku,
- rychlost odpovědi a náklady na provoz.
Cloud Run je způsob nasazení, ne hotová bezpečnost
Cloud Run umožňuje provozovat aplikaci jako spravovanou službu. Google ve své dokumentaci ukazuje nasazení ADK agenta z kódu a práci se službou přes API. To může být vhodná cesta pro firmu, která chce oddělit vývojové a produkční prostředí a nepotřebuje hned spravovat vlastní servery.
Je ale nutné rozlišit dvě věci:
- nasazení řeší, kde aplikace běží a jak se aktualizuje,
- návrh provozu řeší, kdo má přístup, kde jsou data, jak se sledují chyby, jak se řídí náklady a jak se systém obnoví.
Teprve druhá část rozhoduje, zda je řešení připravené pro firmu. Cloud může být velmi správná volba, pokud odpovídá požadavkům na data, lokalitu, dostupnost a správu. Jindy dává smysl hybridní řešení nebo vlastní AI server, zejména pokud jsou citlivé dokumenty a interní procesy hlavním důvodem pro nasazení AI.
Začněte jedním procesem
Nejlepší první RAG projekt nebývá „asistent, který zná celou firmu“. Takový cíl se špatně testuje a téměř jistě do něj na začátku vložíte příliš mnoho neověřených zdrojů.
Lepší je vybrat jeden omezený proces. Například:
Technik vyhledá ve schválené servisní dokumentaci postup pro konkrétní zařízení. Asistent ukáže odpověď se zdrojem, ale sám nemění servisní záznam ani neobjednává díly.
Takový pilot má jasné uživatele, jasná data, testovatelné výsledky a malý dopad při chybě. Pokud funguje, lze postupně přidat další dokumenty, role nebo napojení na systémy.
Google stack je jedna cesta, ne povinný standard
Video pracuje s Google ADK, Gemini a Cloud Run. Tato kombinace dává smysl zejména firmě, která už Google Cloud používá nebo chce stavět aplikaci v tomto ekosystému.
Princip RAG ale není závislý na jednom poskytovateli. Model může být cloudový nebo lokální, vyhledávání může běžet v různých databázích a aplikaci lze provozovat na více platformách. Výběr se má odvíjet od konkrétní úlohy, dostupných systémů, citlivosti dat, požadované rychlosti a odpovědnosti za provoz.
Značka nástroje není nejdůležitější rozhodnutí. Důležité je, zda celé řešení umí bezpečně pracovat s vašimi daty a zlepšuje konkrétní práci.
Jak pomáhá Kodo
Kodo pomáhá firmám vybrat proces, kde RAG asistent přinese skutečný přínos, a připravit podklady pro bezpečný pilot. Nezačínáme nákupem modelu ani nasazením náhodného chatu.
Pomůžeme například s:
- výběrem vhodného prvního případu použití,
- inventurou a přípravou zdrojových dokumentů,
- návrhem oprávnění a hranic asistenta,
- testovacími otázkami a měřením výsledků,
- výběrem cloudové, lokální nebo hybridní architektury,
- napojením na dokumenty, e-mail, CRM nebo další systémy,
- monitoringem, správou a postupným rozšiřováním řešení.
Pokud chcete, aby AI asistent znal firmu, nestačí ho jen připojit ke složce s PDF. Ozvěte se Kodo a nejdřív společně vybereme proces, data a pravidla, která dávají projektu pevný základ.
FAQ
Je RAG asistent totéž co chatbot?
Ne. Chatbot popisuje hlavně rozhraní konverzace. RAG je způsob, jak před odpovědí vyhledat relevantní části schválených zdrojů. RAG asistent může být chatbot, interní vyhledávač nebo součást automatizace.
Musí firma použít Google ADK a Cloud Run?
Nemusí. Video ukazuje jednu konkrétní technickou cestu. Výběr platformy má vycházet z používaných systémů, práce s daty, požadavků na provoz a schopnosti řešení dlouhodobě spravovat.
Může RAG asistent pracovat s citlivými dokumenty?
Technicky ano, ale až po návrhu přístupových práv, bezpečného ukládání, logování a pravidel pro jednotlivé zdroje. Citlivý dokument nesmí model ani vyhledávání získat pro uživatele, který k němu nemá oprávnění.
Stačí do asistenta nahrát všechny PDF soubory?
Ne. Nejdřív je potřeba určit, které dokumenty jsou aktuální, kdo za ně odpovídá, jak se budou aktualizovat a pro koho jsou určené. Jinak asistent najde i informace, které už nemají platit.
Jak dlouho trvá první pilot?
Záleží na kvalitě dat a rozsahu procesu. U omezeného případu použití je důležitější rychle ověřit zdroje, testovací otázky a oprávnění než začít velkou implementací. Teprve podle výsledku se rozhoduje o rozšíření.
Související články
- Chatbot z krabice zná internet. Váš by měl znát firmu
- Co připravit před nasazením firemního AI asistenta
- Firemní dokumenty v AI: co zůstává lokálně a co může odejít do cloudu
- Kdy firmě nestačí běžný ChatGPT a dává smysl vlastní AI server
Zdroje
- Build a production-ready RAG agent with Google ADK, Gemini, and Cloud Run — Google Cloud Tech
- Nasazení ADK agenta na Cloud Run — Google Cloud
- Referenční architektura AI agenta s ADK a Cloud Run — Google Cloud
- Google ADK — dokumentace nasazení a provozu
Informace vycházejí ze stavu dokumentace k 11. září 2026. Konkrétní verze ADK, modelu Gemini, ceny a podmínky Google Cloud ověřte před nasazením projektu.
