# 🤖 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/)