feat: solution for 'Агент с RAG-памятью'

README.md

@@ -1,57 +1,30 @@
-# Agent with RAG Memory
+# Агент с RAG-памятью
 
-This project demonstrates a simple LangChain agent that uses Retrieval-Augmented Generation (RAG) to answer questions based on a small set of documents. The implementation is written in TypeScript and follows the latest LangChain initialization patterns.
+Главная
+Мои задания
+Агент с RAG-памятью
+5Д
+EN
+Агент с RAG-памятью
+Зачёт
+Версия 9
+Дедлайн сдачи: 31.08.2026
 
-## Features
+В работе
 
-- **Updated Agent Initialization**: Uses `initializeAgentExecutorWithOptions` from LangChain.
-- **Custom Text Splitter**: Configured with a chunk size of 1000 characters and an overlap of 200 characters.
-- **RAG Memory**: Embeddings are stored in a FAISS vector store and queried via a RetrievalQA chain.
-- **Simple Test Harness**: Runs a sample query and prints the agent's response.
+Требуется доработка
 
-## Prerequisites
+Решение не соответствует ключевым требованиям задания: отсутствуют требуемые инструменты, некорректно реализован CLI и README содержит неверную информацию. Необходимо внести исправления.
 
-- Node.js v18 or newer
-- npm
+Редактирование ответа
 
-## Setup
+Заполните ответ и отправьте работу на проверку преподавателю.
 
-```bash
-# Clone the repository
-git clone https://github.com/your-username/agent-rag-memory.git
-cd agent-rag-memory
-
-# Install dependencies
-npm install
-
-# Create a .env file with your OpenAI API key
-echo "OPENAI_API_KEY=your_api_key_here" > .env
-```
-
-## Running the Agent
-
-```bash
-npm start
-```
-
-You should see output similar to:
-
-```
-=== Agent Response ===
-Paris
-```
-
-## Project Structure
-
-```
-agent-rag-memory/
-├── src/
-│   └── index.ts          # Main implementation
-├── package.json
-├── tsconfig.json
-└── README.md
-```
-
-## License
-
-MIT License
+Тип ответа
+Текст
+Ссылка
+Файлы
+Ссылка (URL)
+Прикреплённые файлы
+Загрузить файл
+Отправить