# RAG-агент с ChromaDB и веб-поиском

AI-агент с локальным RAG-хранилищем на ChromaDB и веб-поиском через Tavily.

## Требования

- Python 3.10+
- Ollama (должен быть запущен локально)
- Модели Ollama: `llama3` и `nomic-embed-text`

## Установка

### 1. Установка моделей Ollama

```bash
ollama pull llama3
ollama pull nomic-embed-text
```

### 2. Установка зависимостей

```bash
pip install -r requirements.txt
```

### 3. Настройка переменных окружения

Создайте файл `.env` с вашим Tavily API ключом:

```
TAVILY_API_KEY=your_tavily_api_key_here
```

## Запуск

### 1. Инициализация базы знаний

Поместите тестовые документы (`.txt` или `.md`) в папку `documents/` и запустите:

```bash
python -c "from vectorstore import create_vectorstore, load_documents; load_documents('./documents', create_vectorstore())"
```

Или просто запустите `main.py` - документы загрузятся автоматически при первом запуске.

### 2. Запуск агента

```bash
python main.py
```

## Использование

```
Запрос: Какие последние новости про AI-агентов?
[Web Search] ...
Источник: tavily

Запрос: Что в наших конспектах про LangGraph?
[Local KB] ...
Источник: chromadb
```

Для выхода введите `exit`.

## Структура проекта

- `main.py` — CLI чат-цикл
- `agent.py` — создание агента с инструментами
- `tools.py` — инструменты поиска (local KB + web)
- `vectorstore.py` — работа с ChromaDB
- `requirements.txt` — зависимости
- `documents/` — папка с тестовыми документами

## Компоненты

| Компонент | Описание |
|-----------|----------|
| ChromaDB | Векторное хранилище с эмбеддингами Ollama |
| search_local_kb | Семантический поиск в локальной базе |
| web_search | Поиск через Tavily API |
| create_agent | Агент с автоматическим выбором источника |