commit a2089c70e198ba9f1d6b5fc6f39393493ab4552b
Author: balabanovan530 <175+balabanovan530@noreply.localhost>
Date:   Tue May 26 13:36:00 2026 +0000

    Добавлен файл README.md с описанием проекта и инструкциями по запуску RAG-агента.

diff --git a/README.md b/README.md
new file mode 100644
index 0000000..029b4e9
--- /dev/null
+++ b/README.md
@@ -0,0 +1,73 @@
+# 🤖 Агент корпоративной памяти с RAG (RAG Agent)
+
+Этот проект реализует интеллектуального ассистента, который использует векторную базу знаний Qdrant для извлечения контекстной информации (Retrieval-Augmented Generation, RAG). Все LLM и эмбеддинги обрабатываются локально через Ollama.
+
+## 🚀 Обзор функционала
+Агент способен:
+1. **Отвечать на вопросы:** Использовать семантический поиск по базе знаний Qdrant для предоставления точных ответов (RAG).
+2. **Индексировать данные:** Получить новые документы от пользователя и добавить их в базу знаний, чтобы агент мог использовать эту информацию в будущем.
+
+## 🛠️ Требования к окружению
+Для работы агента необходимы следующие компоненты:
+1. **Python 3.10+**
+2. **Ollama:** Локальный сервер для запуска LLM и эмбеддингов.
+3. **Qdrant:** Векторная база данных (рекомендуется запуск Docker-контейнера).
+
+## ⚙️ Установка зависимостей
+
+### Шаг 1: Запуск Ollama
+Установите [Ollama](https://ollama.com/) и убедитесь, что он запущен на `http://localhost:11434`. Затем скачайте необходимые модели через терминал:
+
+```bash
+ollama pull llama3         # Основная модель для генерации ответов
+ollama pull nomic-embed-text # Модель эмбеддингов (для векторного поиска)
+```
+
+### Шаг 2: Запуск Qdrant
+Рекомендуется запустить Qdrant в Docker для простоты.
+
+```bash
+docker run -p 6333:6333 qdrant/qdrant
+```
+*Убедитесь, что порт `6333` свободен.*
+
+### Шаг 3: Установка Python зависимостей
+Клонируйте репозиторий и установите все необходимые библиотеки.
+
+```bash
+# Предполагая, что вы в корневой папке проекта
+pip install -r requirements.txt
+```
+
+## ▶️ Запуск Агента
+
+Запустите скрипт `agent.py` из командной строки:
+
+```bash
+python agent.py
+```
+
+При первом запуске агент автоматически проинициализирует коллекцию в Qdrant и загрузит имитацию начальных данных (Политика отпусков, Оплата труда).
+
+## 💬 Команды CLI
+
+Агент работает в интерактивном режиме. Используйте следующие команды:
+
+1. **Задать вопрос:** Просто введите ваш вопрос. Агент автоматически использует `search_knowledge_base` для поиска и генерации ответа на основе найденного контекста.
+2. **Искать информацию по запросу (Явный вызов):**
+   ```
+   /search <ваш запрос> 
+   # Пример: /search условия отпуска
+   ```
+3. **Добавить новую информацию:** Используйте эту команду, когда вам нужно обучить агента на новом документе или тексте. Контент должен быть заключен в кавычки.
+   ```
+   /add "<Полный текст нового документа>" "<Тема для индексации>"
+   # Пример: /add "Новый раздел о командировочных расходах..." "Политика командировок"
+   ```
+
+## ⚠️ Важные замечания
+* **Конфигурация:** Код предполагает, что Ollama запущен на `http://localhost:11434` и Qdrant — на `localhost:6333`. Измените константы в `agent.py`, если используются другие адреса.
+* **Обработка ошибок:** В коде реализована базовая обработка исключений для случаев, когда Ollama или Qdrant недоступны.
+
+## 📚 Документация
+[LangChain Documentation](https://docs.langchain.com/)
\ No newline at end of file