# 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"
```