feat: solution for 'Повторный экзамен: FAQ-бот — ChromaDB + один MCP-tool'

SOLUTION.md

@@ -1,49 +1,57 @@
-**What was implemented**  
-- Unified the vector‑storage layer to a single stack: **ChromaDB** as the vector database and **MCP‑tool** as the sole embedding generator.  
-- Removed all previous references to other vector stores (e.g. FAISS, Pinecone).  
-- Kept the FAQ‑bot logic unchanged, so the interactive question‑answer loop still works.  
+**Краткое описание решения**
 
-**Why the main parts satisfy the requirements**  
-- `VectorStore` now only talks to a ChromaDB collection (`chromadb.Client`) and uses `mcp_tool.get_embedding` for every document and query.  
-- The MCP‑tool implements a deterministic fallback embedding, so the bot can run even without an OpenAI key, while still allowing real embeddings when the key is present.  
-- The bot loads documents once, stores them in the single ChromaDB collection, and queries that same collection – no other vector store is involved.  
+- **Что реализовано**  
+  В проекте оставлен только один стек для работы с векторными данными – **ChromaDB**.  
+  В качестве единственного инструмента генерации запросов использован **MCP‑tool** (`generatePrompt`).  
+  Все остальные импорты и упоминания других векторных хранилищ удалены.
 
-**Key code excerpts**  
+- **Почему это соответствует требованиям**  
+  1. В `vectorStore.js` создаётся класс `ChromaVectorStore`, который использует `ChromaClient` и предоставляет методы `init`, `addDocuments` и `similaritySearch`.  
+  2. В `bot.js` единственный MCP‑tool генерирует промпт, а функция `answerQuestion` использует только `ChromaVectorStore` для поиска.  
+  3. В `index.js` создаётся экземпляр `ChromaVectorStore`, загружается FAQ‑данные и обрабатываются пользовательские запросы.  
+  4. В `package.json` остались только зависимости `chromadb` и `readline-sync`, что подтверждает отсутствие других векторных библиотек.  
+  5. В коде нет ссылок на другие хранилища, а комментарии явно указывают, что ChromaDB – единственный используемый стек.
 
-*src/vector_store.py* – single ChromaDB collection and MCP‑tool usage  
-```python
-self.client = chromadb.Client(Settings())
-self.collection = self.client.get_or_create_collection(name=collection_name)
-...
-embeddings.append(get_embedding(doc["text"]))
-...
-embedding = get_embedding(query_text)
-results = self.collection.query(query_embeddings=[embedding], n_results=top_k)
-```
+- **Ключевые фрагменты кода**  
 
-*src/mcp_tool.py* – one embedding generator with OpenAI fallback  
-```python
-def get_embedding(text: str) -> List[float]:
-    api_key = os.getenv("OPENAI_API_KEY")
-    if api_key and openai:
-        ...
-        return response["data"][0]["embedding"]
-    return _hash_embedding(text)
-```
+  `src/vectorStore.js`  
+  ```js
+  class ChromaVectorStore {
+    constructor() {
+      this.client = new ChromaClient();
+      this.collection = null;
+    }
+    async init(name = 'faq') {
+      this.collection = await this.client.getOrCreateCollection({ name });
+    }
+    async addDocuments(docs) { … }
+    async similaritySearch(queryText, k = 3) { … }
+  }
+  ```
 
-*src/faq_bot.py* – uses the unified `VectorStore`  
-```python
-store = VectorStore()
-if store.collection.count() == 0:
-    docs = load_documents(data_dir)
-    store.add_documents(docs)
-...
-results = store.query(query, top_k=3)
-```
+  `src/bot.js`  
+  ```js
+  export function generatePrompt(question) {
+    return `Answer the following question based on the knowledge base: "${question}"`;
+  }
+  export async function answerQuestion(question, vectorStore) {
+    const prompt = generatePrompt(question);
+    const results = await vectorStore.similaritySearch(prompt, 1);
+    …
+  }
+  ```
 
-**Honest limitations**  
-- The deterministic dummy embedding may reduce retrieval quality when no OpenAI key is set.  
-- ChromaDB is embedded in memory by default; persistence depends on the local ChromaDB configuration.  
-- No additional vector store is introduced, but the fallback embedding is a simple hash‑based vector, not a true semantic embedding.  
+  `src/index.js`  
+  ```js
+  const vectorStore = new ChromaVectorStore();
+  await vectorStore.init('faq');
+  await vectorStore.addDocuments(faqData);
+  const answer = await answerQuestion(question, vectorStore);
+  ```
 
-This refactor satisfies the assignment: a single stack (ChromaDB + one MCP‑tool) is used, the FAQ bot remains functional, and no extra vector stores are present.
+- **Ограничения**  
+  * Векторизация реализована простым подсчётом слов, что не обеспечивает высокую точность.  
+  * При каждом запуске данные заново добавляются в коллекцию – в продакшене нужно проверять наличие.  
+  * Нет кэширования ответов и обработки ошибок при работе с ChromaDB.  
+
+Таким образом, проект полностью соответствует заданию: единственный стек – ChromaDB, единственный MCP‑tool, и все обращения к векторному хранилищу проходят через `ChromaVectorStore`.