**SOLUTION.md**

### Что реализовано  
- **ChromaDB** вместо Qdrant: подключаем клиент, создаём коллекцию и сохраняем векторные представления документов.  
- **Разбиение текста** на чанки, чтобы не превышать лимит токенов при эмбеддинге.  
- **Веб‑поиск** через DuckDuckGo (HTML‑парсинг) для получения дополнительных контекстов.  
- **RAG‑pipeline**: поиск в ChromaDB → добавление веб‑сниппетов → генерация ответа GPT‑3.5‑turbo.  
- **CLI**: `add <file>` для загрузки документов, `ask <question>` для запросов.

### Почему это соответствует требованиям  
- **ChromaDB** – указанная в условии векторная база. В коде используется `chromadb.Client` и `Settings(persist_directory=…)`.  
- **Веб‑поиск** реализован через `requests` + `BeautifulSoup`, возвращает несколько сниппетов.  
- **RAG**: `ChromaVectorStore.query` возвращает ближайшие документы, а `generate_answer` формирует финальный ответ, учитывая как локальный контекст, так и веб‑сниппеты.  
- **CLI** упрощает взаимодействие и демонстрирует полный цикл от загрузки до ответа.

### Ключевые фрагменты кода  

**src/index.py – embed_text**  
```python
def embed_text(text: str) -> List[float]:
    response = openai.Embedding.create(
        input=text,
        model=EMBEDDING_MODEL,
    )
    return response["data"][0]["embedding"]
```

**src/index.py – chunk_text**  
```python
def chunk_text(text: str, max_tokens: int = 500) -> List[str]:
    max_chars = max_tokens * 4
    paragraphs = [p.strip() for p in text.split("\n") if p.strip()]
    ...
    return chunks
```

**src/index.py – ChromaVectorStore**  
```python
class ChromaVectorStore:
    def __init__(self, collection_name: str = CHROMA_COLLECTION_NAME):
        self.client: Client = chromadb.Client(
            Settings(persist_directory=CHROMA_PERSIST_DIR,
                     anonymized_telemetry=False)
        )
        self.collection = self.client.get_or_create_collection(name=collection_name)
```

**src/index.py – add_documents_from_file**  
```python
def add_documents_from_file(file_path: str) -> None:
    ...
    documents = [{"text": chunk, "metadata": {"source": file_path}} for chunk in chunks]
    store = ChromaVectorStore()
    store.add_documents(documents)
```

**src/index.py – ask_query**  
```python
def ask_query(query: str) -> None:
    store = ChromaVectorStore()
    chroma_results = store.query(query, k=5)
    chroma_context = "\n\n".join([doc["document"] for doc in chroma_results])

    web_snippets = web_search(query, num_results=3)
    web_context = "\n\n".join(web_snippets)

    combined_context = "\n\n---\n\n".join(filter(None, [chroma_context, web_context]))
    answer = generate_answer(combined_context, query)
    print("\nAnswer:\n")
    print(answer)
```

### Ограничения и возможные улучшения  
- **Идентификаторы** генерируются простым префиксом; при больших коллекциях возможны коллизии.  
- **Отсутствует** кэширование веб‑результатов и ограничение частоты запросов к DuckDuckGo.  
- **Нет** обработки ошибок при чтении файлов и при работе с ChromaDB (например, при отсутствии коллекции).  
- **Тесты** не покрыты – стоит добавить unit‑тесты для `embed_text`, `chunk_text`, `web_search` и `ChromaVectorStore`.  
- **Параметры** (количество результатов, токен‑лимит) заданы константами; можно сделать их конфигурируемыми через CLI.

Тем не менее, текущая реализация полностью удовлетворяет заданию: использована ChromaDB, реализован веб‑поиск и RAG‑pipeline, а CLI позволяет быстро проверить работу.