# Самописный поисковый агент на основе deep agents from scratch

## Описание

Это простая реализация поискового агента, использующего трансформерный энкодер для векторизации документов и запросов. Поиск осуществляется по косинусному сходству между векторами.

## Структура проекта

```
src/
├── index.py          # Основной код агента и API
data/
└── documents.txt     # Текстовый файл с документами (один документ на строку)
README.md
```

> **Важно**: файл `data/documents.txt` должен существовать и содержать хотя бы несколько строк текста. Если его нет, агент не запустится.

## Установка

```bash
# Создайте виртуальное окружение (рекомендуется)
python -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

# Установите зависимости
pip install -U pip
pip install torch transformers fastapi uvicorn pydantic numpy
```

> Если у вас есть GPU, убедитесь, что установлена версия `torch` с поддержкой CUDA.

## Запуск

```bash
python src/index.py
```

Сервер будет доступен по адресу `http://0.0.0.0:8000`.

## API

### POST `/search`

**Запрос**

```json
{
  "query": "пример запроса",
  "top_k": 5
}
```

- `query` – строка запроса.
- `top_k` – количество возвращаемых документов (по умолчанию 5).

**Ответ**

```json
{
  "results": [
    {
      "document": "текст найденного документа",
      "score": 0.8723
    },
    ...
  ]
}
```

## Пример использования

```bash
curl -X POST "http://0.0.0.0:8000/search" \
     -H "Content-Type: application/json" \
     -d '{"query":"машинное обучение", "top_k":3}'
```

## Как добавить документы

1. Откройте файл `data/documents.txt`.
2. Добавьте новые строки – каждая строка будет рассматриваться как отдельный документ.
3. Перезапустите сервер, чтобы обновления вступили в силу.

## Тесты

Тестов в проекте нет, но вы можете быстро проверить работу:

```python
from src.index import SearchAgent

agent = SearchAgent()
print(agent.search("пример", top_k=3))
```

## Лицензия

MIT License