add README.md

README.md

@@ -1,2 +1,49 @@
-# task-6a1d75c5fd30e81cf3126ae7
+# FAQ‑бот (ChromaDB + MCP‑tool)
 
+## Что делает проект
+
+* Загружает локальные `.md` файлы с материалами курса в **Chroma**.
+* Создаёт инструмент `search_course_docs(query, k=3)` для поиска по этим материалам.
+* Реализует один MCP‑подобный HTTP‑инструмент `fetch_course_meta(query)` – возвращает метаданные расписания из статического JSON.
+* Агент на базе **LangChain** маршрутизирует запросы: если вопрос относится к содержимому курса, он использует Chroma; если к расписанию/метаданным – MCP‑tool.
+
+## Структура репозитория
+```
+├── data/                # исходные .md файлы
+│   ├── faq1.md
+│   └── faq2.md
+├── meta.json            # статический JSON с расписанием
+├── main.py              # точка входа, CLI и агент
+├── requirements.txt     # зависимости
+└── README.md
+```
+
+## Установка
+```bash
+# 1. Откатить Ollama embedding model
+ollama pull nomic-embed-text
+
+# 2. Установить зависимости
+pip install -r requirements.txt
+```
+
+## Запуск
+```bash
+python main.py
+```
+Вы увидите три готовых вопроса и сможете задать свой.
+
+## Как работает агент
+1. **Chroma** хранит векторные представления всех блоков текста из `data/*.md`.
+2. При запросе агент сначала пытается понять, относится ли он к материалам курса (проверка ключевых слов «материал», «конспект» и т.п.).
+3. Если да – вызывает `search_course_docs`, получает 3 наиболее релевантных фрагмента и формирует ответ.
+4. Иначе – вызывает MCP‑tool `fetch_course_meta` и возвращает данные о расписании.
+
+## Тестовые вопросы
+1. *Какой материал по теме «LangChain» доступен в конспектах?*
+2. *Кто преподавал лекцию 12 июня?*
+3. *Что нужно сделать, чтобы подключить Ollama embeddings?*
+
+---
+
+**Важно:** проект не использует Tavily и не дублирует задание «Chroma + Tavily web search».