Google прокачал managed RAG в Gemini API – теперь не нужно самим собирать связку vector store + embedder + reranker для 80% типовых задач. Для огромного количества простых RAG для документов/баз знаний этого будет вполне достаточно. Выпустили 3 апдейта: – Мультимодальность. Под капотом новый Gemini Embedding 2, понимает картинки нативно. Можно искать по архиву визуала запросом на естественном языке: "найди изображение со спокойной утренней атмосферой" – Кастомные метаданные. К файлам прикручиваются key-value лейблы (department: Legal, status: Final). На запросе фильтр сужает корпус до нужного слайса до того, как модель что-то ищет. Обычно такое делаешь на postgresql + pgvector или векторная база. - Цитирование на уровне страниц. Было грустно раньше и надо было вручную делать, теперь ответ модели привязан к конкретной странице исходного PDF. Пользователь может ткнуть и проверить, откуда взят факт. В общем, File_search и OpenAI, и Google - отличные первые шаги для RAG-системы. Единственное, о чем стоит беспокоиться, - вендор лок-ин, переход будет не так прост, но если вы и клиенты уже внутри инфраструктуры гугла, то это самый просто и рабочий вариант https://blog.google/innovation-and-ai/technology/developers-tools/expanded-gemini-api-file-search-multimodal-rag/