# Агент с RAG‑памятью

## Описание

Простой пример AI‑агента, использующего локальный RAG‑хранилище на базе **Qdrant** и **Ollama**. Агент умеет:

1. Добавлять документы в векторную базу.
2. Выполнять семантический поиск по базе.
3. Собирать ответы из найденных документов.

## Стек

* Python 3.10+
* Qdrant – векторная база данных
* Ollama – локальные LLM и эмбеддинги (`llama3`, `nomic-embed-text`)
* LangChain 1.x – фреймворк для агентов и RAG

## Установка

```bash
# Ollama
ollama pull llama3
ollama pull nomic-embed-text

# Python пакеты
pip install -r requirements.txt
```

## Запуск

```bash
python agent.py "Какой последний прогресс в области ИИ?"
```

## Структура проекта

```
├── agent.py            # основной скрипт агента
├── qdrant_store.py     # обёртка над QdrantVectorStore
├── chunker.py          # разбиение документов на чанки
├── tools.py            # инструменты для агента
├── requirements.txt
└── README.md
```