diff --git a/README.md b/README.md
index f64bda1..4a3e5fa 100644
--- a/README.md
+++ b/README.md
@@ -1,2 +1,46 @@
-# task-6a02e23da6fe2e4ac16acf65
+# Агент с RAG‑памятью
 
+## 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.
+
+## 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. |
+
+## Установка
+```bash
+pip install -r requirements.txt
+# Ollama: pull nomic-embed-text (для эмбеддингов)
+```
+
+## Примеры использования
+```bash
+python cli.py add path/to/file.txt   # Добавить документ
+python cli.py search "Python"        # Поиск по базе
+```
+
+## 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:
+```bash
+python cli.py add sample.txt
+python cli.py search "Python"
+```