From f976385a5e9dce9f746a91f7a1b7d3dbcedf30bc Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?=D0=9A=D0=B8=D1=80=D0=B8=D0=BB=D0=BB=20=D0=9A=D1=83=D1=82?=
 =?UTF-8?q?=D0=BB=D0=B0=D1=85=D0=BC=D0=B5=D1=82=D0=BE=D0=B2?=
 <kirillkutlahmetov10@gmail.com>
Date: Thu, 28 May 2026 13:38:20 +0000
Subject: [PATCH] add README.md

---
 README.md | 56 +++++++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 56 insertions(+)
 create mode 100644 README.md

diff --git a/README.md b/README.md
new file mode 100644
index 0000000..e919b5d
--- /dev/null
+++ b/README.md
@@ -0,0 +1,56 @@
+# RAG Knowledge Base Agent
+
+Локальный интеллектуальный ассистент с RAG‑памятью на базе Qdrant и Ollama.
+
+## Что делает
+
+Агент умеет запоминать произвольные текстовые знания (через команду `/add`) и находить релевантную информацию по смысловому поиску (через команду `/search`). Все данные хранятся в локальной векторной базе Qdrant и не покидают ваш компьютер.
+
+## Стек
+
+| Компонент | Технология |
+|-----------|-----------|
+| LLM | Ollama — llama3 |
+| Эмбеддинги | Ollama — nomic-embed-text |
+| Векторное хранилище | Qdrant |
+| Фреймворк | LangChain + LangGraph |
+
+## Установка
+
+```bash
+# 1. Установить Python‑зависимости
+pip install -r requirements.txt
+
+# 2. Загрузить модели Ollama
+ollama pull llama3
+ollama pull nomic-embed-text
+
+# 3. Запустить Qdrant (через Docker)
+docker run -p 6333:6333 qdrant/qdrant
+```
+
+## Запуск
+
+```bash
+python cli.py
+```
+
+## Команды
+
+| Команда | Описание |
+|---------|----------|
+| `/add <текст>` | Добавить текст в базу знаний |
+| `/search <запрос>` | Найти релевантные записи по смыслу |
+| `/quit` | Выйти из программы |
+
+Любой другой ввод передаётся агенту как обычный вопрос.
+
+## Структура проекта
+
+```
+agent.py        — агент, инструменты, векторное хранилище
+cli.py          — интерфейс командной строки
+tools.py        — реэкспорт инструментов
+chunker.py      — разбивка текстов на чанки
+requirements.txt — зависимости
+```
\ No newline at end of file