# 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».