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

pip install -r requirements.txt
# Ollama: pull nomic-embed-text (для эмбеддингов)

Примеры использования

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:

python cli.py add sample.txt
python cli.py search "Python"