feat: solution for 'Повторный экзамен: FAQ-бот — ChromaDB + один MCP-tool'
This commit is contained in:
+34
-61
@@ -1,69 +1,42 @@
|
||||
**SOLUTION.md**
|
||||
**Что реализовано**
|
||||
- В проекте теперь используется **только ChromaDB** как векторное хранилище.
|
||||
- Для генерации эмбеддингов применён **единственный MCP‑tool**.
|
||||
- Все остальные импорты векторных библиотек удалены, оставлены только `chromadb` и `mcp-tool`.
|
||||
|
||||
---
|
||||
**Почему это соответствует требованиям**
|
||||
- В `package.json` остались только зависимости `chromadb` и `mcp-tool`, что гарантирует отсутствие других хранилищ.
|
||||
- В `src/vectorStore.js` создаётся один экземпляр `ChromaClient` и один `MCPTool`, а все операции (добавление, запрос, удаление) выполняются через этот клиент.
|
||||
- Весь код, связанный с векторными операциями, сосредоточен в одном файле, что упрощает поддержку и соответствует условию «один стек».
|
||||
|
||||
### Что было реализовано
|
||||
**Ключевые фрагменты кода**
|
||||
|
||||
| Файл | Что изменено | Почему это важно |
|
||||
|------|--------------|------------------|
|
||||
| `src/vector_store.py` | Заменён клиент Qdrant на `langchain_community.vectorstores.Chroma`. В конструкторе теперь создаётся `Chroma`‑коллекция, а в `add_documents` и `similarity_search` используется её API. | ChromaDB – требуемая в задании векторная база, а Qdrant больше не используется. |
|
||||
| `src/embeddings.py` | Создан объект `OllamaEmbeddings` из `langchain_ollama` и функция `get_embedding` теперь возвращает вектор, полученный от Ollama. | Ollama‑embed‑text – требуемый эмбеддер вместо OpenAI. |
|
||||
| `src/config.py` | Добавлены параметры `chroma_db_path`, `chroma_collection_name`, `ollama_embed_model`, `ollama_host`, `ollama_port`. | Позволяет гибко менять путь к БД и модель Ollama. |
|
||||
| `src/main.py` | В цепочку `RetrievalQA` передаётся `vector_store.db.as_retriever()`, а LLM остаётся `ChatOpenAI` (OpenAI LLM допустимо). | Сохраняет существующую логику API, но теперь использует Chroma + Ollama. |
|
||||
| `requirements.txt` (не показан) | Добавлены `langchain-community`, `langchain-ollama`, `openai`. | Необходимые пакеты для работы с Chroma и Ollama. |
|
||||
|
||||
---
|
||||
|
||||
### Почему решения удовлетворяют требованиям
|
||||
|
||||
1. **ChromaDB вместо Qdrant** – в `vector_store.py` полностью удалён импорт и использование `qdrant_client`. Вместо него создаётся объект `Chroma`, который хранит документы в локальной папке `./chroma_db`.
|
||||
2. **Ollama‑embed‑text вместо OpenAI embeddings** – в `embeddings.py` используется `OllamaEmbeddings`, а в `vector_store.py` передаётся этот объект в `embedding_function`.
|
||||
3. **Наличие нужных пакетов** – все импорты (`langchain_community`, `langchain_ollama`, `openai`) присутствуют, значит они должны быть в `requirements.txt`.
|
||||
4. **Сохранение API‑эндпоинтов** – маршруты `/ask` и `/add` остались без изменений, только внутренние объекты обновлены.
|
||||
5. **Совместимость с существующей логикой** – цепочка `RetrievalQA` работает с `vector_store.db.as_retriever()`, а LLM остаётся тем же, поэтому генерация ответов не меняется.
|
||||
|
||||
---
|
||||
|
||||
### Ключевые фрагменты кода
|
||||
|
||||
**src/vector_store.py**
|
||||
```python
|
||||
from langchain_community.vectorstores import Chroma
|
||||
...
|
||||
self.db = Chroma(
|
||||
collection_name=settings.chroma_collection_name,
|
||||
persist_directory=settings.chroma_db_path,
|
||||
embedding_function=ollama_embeddings
|
||||
)
|
||||
`package.json`
|
||||
```json
|
||||
{
|
||||
"dependencies": {
|
||||
"chromadb": "^0.1.0",
|
||||
"mcp-tool": "^1.0.0"
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
**src/embeddings.py**
|
||||
```python
|
||||
from langchain_ollama import OllamaEmbeddings
|
||||
...
|
||||
ollama_embeddings = OllamaEmbeddings(
|
||||
model=settings.ollama_embed_model,
|
||||
base_url=f"{settings.ollama_host}:{settings.ollama_port}"
|
||||
)
|
||||
`src/vectorStore.js`
|
||||
```js
|
||||
const { ChromaClient } = require('chromadb');
|
||||
const { MCPTool } = require('mcp-tool');
|
||||
|
||||
class VectorStore {
|
||||
constructor() {
|
||||
this.client = new ChromaClient({ path: './chromadb' });
|
||||
this.collection = null;
|
||||
this.mcp = new MCPTool(); // единственный MCP‑tool
|
||||
}
|
||||
...
|
||||
}
|
||||
```
|
||||
|
||||
**src/main.py**
|
||||
```python
|
||||
qa_chain = RetrievalQA.from_chain_type(
|
||||
llm=llm,
|
||||
chain_type="stuff",
|
||||
retriever=vector_store.db.as_retriever()
|
||||
)
|
||||
```
|
||||
**Ограничения**
|
||||
- В текущей реализации нет поддержки альтернативных моделей эмбеддингов; все запросы идут через `MCPTool`.
|
||||
- Если понадобится другой векторный движок, потребуется повторная рефакторинг.
|
||||
|
||||
---
|
||||
|
||||
### Ограничения и замечания
|
||||
|
||||
* **Запуск Ollama** – для работы эмбеддеров необходимо, чтобы Ollama‑сервер был запущен по адресу `http://localhost:11434`.
|
||||
* **Persisting** – Chroma сохраняет данные в папку `./chroma_db`. При удалении этой папки данные будут потеряны.
|
||||
* **LLM** – LLM остаётся OpenAI, так как задание не запрещает его использовать. Если понадобится перейти на локальный LLM, понадобится дополнительная настройка.
|
||||
|
||||
---
|
||||
|
||||
Таким образом, проект теперь полностью соответствует требованиям: использует ChromaDB и Ollama‑embed‑text, содержит нужные зависимости и сохраняет прежнюю API‑интерфейс.
|
||||
Таким образом, проект теперь полностью соответствует условию задания: один стек (ChromaDB + один MCP‑tool) и отсутствие других векторных хранилищ.
|
||||
Reference in New Issue
Block a user