From a2089c70e198ba9f1d6b5fc6f39393493ab4552b Mon Sep 17 00:00:00 2001
From: balabanovan530 <175+balabanovan530@noreply.localhost>
Date: Tue, 26 May 2026 13:36:00 +0000
Subject: [PATCH] =?UTF-8?q?=D0=94=D0=BE=D0=B1=D0=B0=D0=B2=D0=BB=D0=B5?=
 =?UTF-8?q?=D0=BD=20=D1=84=D0=B0=D0=B9=D0=BB=20README.md=20=D1=81=20=D0=BE?=
 =?UTF-8?q?=D0=BF=D0=B8=D1=81=D0=B0=D0=BD=D0=B8=D0=B5=D0=BC=20=D0=BF=D1=80?=
 =?UTF-8?q?=D0=BE=D0=B5=D0=BA=D1=82=D0=B0=20=D0=B8=20=D0=B8=D0=BD=D1=81?=
 =?UTF-8?q?=D1=82=D1=80=D1=83=D0=BA=D1=86=D0=B8=D1=8F=D0=BC=D0=B8=20=D0=BF?=
 =?UTF-8?q?=D0=BE=20=D0=B7=D0=B0=D0=BF=D1=83=D1=81=D0=BA=D1=83=20RAG-?=
 =?UTF-8?q?=D0=B0=D0=B3=D0=B5=D0=BD=D1=82=D0=B0.?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 README.md | 73 +++++++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 73 insertions(+)
 create mode 100644 README.md

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