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

ollama pull llama3
ollama pull nomic-embed-text

2. Установка зависимостей

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:

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

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