add README.md

README.md

@@ -1,46 +1,52 @@
-# Агент с RAG‑памятью
+# RAG Agent with ChromaDB
 
-## Что делает проект
-Реализован AI‑агент, использующий локальное векторное хранилище ChromaDB и Ollama для эмбеддингов. Агент умеет добавлять документы (разбивая их на чанки) и выполнять семантический поиск.
+## Overview
+This repository implements a simple RAG (Retrieval‑Augmented Generation) agent that uses **ChromaDB** as the vector store and **Ollama** for embeddings and LLM inference. The agent can:
 
-## Структура файлов
-| Файл | Назначение |
-|------|------------|
-| `main.py` | Точка входа, демонстрация работы агента. |
-| `requirements.txt` | Пакеты‑зависимости. |
-| `README.md` | Это описание. |
-| `chunker.py` | Разбиение текста на чанки (500/100). |
-| `vector_store.py` | Работа с ChromaDB: добавление и поиск. |
-| `tools.py` | Декорированные инструменты RAG‑агента. |
-| `agent.py` | Создание агента через `create_agent`. |
-| `cli.py` | CLI для интерактивного теста. |
-| `init_documents.py` | Скрипт загрузки всех файлов из каталога в базу. |
+1. Add documents to the knowledge base.
+2. Search the knowledge base semantically.
+3. Interact via a lightweight CLI.
 
-## Установка
+## File Structure
+- `requirements.txt` – Python dependencies.
+- `chunker.py` – Text chunking utilities (RecursiveCharacterTextSplitter).
+- `vector_store.py` – Wrapper around ChromaDB collection.
+- `tools.py` – LangChain tools for search and add operations.
+- `agent.py` – Agent creation with LangChain `create_agent`.
+- `cli.py` – Simple command‑line interface.
+- `init_documents.py` – Helper to load all `.txt` files from a directory into the vector store.
+
+## Installation
 ```bash
+# Pull Ollama models
+ollama pull llama3
+ollama pull nomic-embed-text
+
+# Install Python packages
 pip install -r requirements.txt
-# Ollama: pull nomic-embed-text (для эмбеддингов)
 ```
 
-## Примеры использования
+## Usage
+1. **Load documents** (optional):
    ```bash
-python cli.py add path/to/file.txt   # Добавить документ
-python cli.py search "Python"        # Поиск по базе
+   python init_documents.py
    ```
-
-## Архитектура
-1. **LLM** – `ChatOpenAI` через BroJS, но для эмбеддингов используется Ollama.
-2. **Embeddings** – `OllamaEmbeddings(model="nomic-embed-text")`.
-3. **Vector store** – ChromaDB коллекция «rag_collection» в папке chromadb.
-4. **Chunking** – `RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)`.
-5. **Tools** – `search_knowledge_base`, `add_to_knowledge_base` с декоратором `@tool`.
-6. **Agent** – `create_agent` с системным промптом и доступом к инструментам.
-7. **CLI** – простая команда‑интерфейс для добавления/поиска.
----
-
-### Тесты
-Для проверки можно запустить:
+2. **Run the CLI**:
    ```bash
-python cli.py add sample.txt
-python cli.py search "Python"
+   python cli.py
    ```
+   Type any question or `/quit` to exit.
+
+## Architecture
+- **Chunking**: `chunker.split_text()` splits large texts into 500‑char chunks with 100‑char overlap using LangChain’s `RecursiveCharacterTextSplitter`.
+- **Vector Store**: `vector_store.ChromaVectorStore` handles adding documents and similarity search. Embeddings are generated by `langchain_ollama.OllamaEmbeddings` (`nomic-embed-text`).
+- **Tools**: Two tools decorated with `@tool`: `search_knowledge_base` and `add_to_knowledge_base`. They interact with the vector store.
+- **Agent**: Created via LangChain’s `create_agent`, configured to use the two tools and a simple system prompt. The LLM is an Ollama `llama3` instance.
+
+## Testing
+Run the CLI and try:
+```
+/quit
+Hello, what can you do?
+``` 
+The agent should respond using the knowledge base or add new documents if prompted.