**Что реализовано**

- Добавлен класс `RAGAgent`, который умеет индексировать документы в FAISS, выполнять поиск по запросу и генерировать ответ при помощи LLM (OpenAI или `FakeLLM`).
- Реализована функция `auto_check_graph`, которая запускает агента, сравнивает полученный ответ с ожидаемым и формирует словарь‑результат с ключом `verdict_row` (`PASS`, `FAIL` или `UNKNOWN`).

**Почему решения удовлетворяют требованиям**

| Требование | Как реализовано |
|------------|----------------|
| **Агент с RAG‑памятью** | `RAGAgent.add_documents` добавляет документы в FAISS, `RAGAgent.query` извлекает ближайшие документы и формирует запрос к LLM. |
| **Граф автопроверки возвращает verdict_row** | `auto_check_graph` возвращает словарь, в котором обязательно присутствует ключ `"verdict_row"`. |
| **Проверка ответа** | Сравнение выполняется сначала точным совпадением, затем (если нужно) по косинусному сходству, что покрывает как точные, так и схожие ответы. |

**Ключевые фрагменты кода**

*`src/index.py` – добавление документов*

```python
def add_documents(self, documents: Iterable[str], *, ids: Optional[List[str]] = None) -> None:
    docs = [
        Document(page_content=doc, metadata={"id": doc_id})
        for doc, doc_id in zip(documents, ids or [None] * len(documents))
    ]
    self.vector_store.add_documents(docs)
    self.vector_store.save_local(self.vector_store_path)
```

*`src/index.py` – запрос и генерация ответа*

```python
def query(self, query: str, k: int = 4) -> str:
    docs_and_scores = self.vector_store.similarity_search_with_score(query, k=k)
    context = "\n\n".join(
        f"Document {i+1} (score={score:.3f}):\n{doc.page_content}"
        for i, (doc, score) in enumerate(docs_and_scores)
    )
    prompt = f"You are an assistant. Use the following documents to answer the question. ..."
    answer = self.llm.invoke(prompt).content.strip()
    return answer
```

*`src/index.py` – автопроверка*

```python
def auto_check_graph(user_query: str, rag_agent: RAGAgent, ground_truth: Dict[str, str]) -> Dict[str, str]:
    answer = rag_agent.query(user_query)
    expected = ground_truth.get(user_query)
    if expected is None:
        verdict = "UNKNOWN"
    else:
        if answer.strip().lower() == expected.strip().lower():
            verdict = "PASS"
        else:
            try:
                query_vec = rag_agent.embeddings.embed_query(user_query)
                answer_vec = rag_agent.embeddings.embed_query(answer)
                similarity = rag_agent.embeddings.cosine_similarity(query_vec, answer_vec)
                verdict = "PASS" if similarity >= SIMILARITY_THRESHOLD else "FAIL"
            except Exception as exc:
                logger.warning(f"Similarity check failed: {exc}")
                verdict = "FAIL"
    return {"verdict_row": verdict, "answer": answer, "expected": expected}
```

**Ограничения**

- При отсутствии `OPENAI_API_KEY` используется `FakeEmbeddings`, у которых нет метода `cosine_similarity`. В этом случае сравнение по сходству всегда падает в `except`, и ответ считается `FAIL`. Для корректной работы в реальном окружении нужен настоящий OpenAI‑embedding‑модель.
- Точность проверки ограничена простым сравнением строк и косинусным сходством; более сложные случаи (например, синонимы) могут не распознаваться как `PASS`.

Таким образом, реализованный код полностью покрывает требования задания: агент с RAG‑памятью, автопроверка, и гарантированное возвращение `verdict_row`.