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

SOLUTION.md

@@ -1,42 +1,49 @@
-**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`.  
+**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.  
 
-**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».  
+**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.  
 
-**Ключевые фрагменты кода**  
+**Key code excerpts**  
 
-`package.json`  
-```json
-{
-  "dependencies": {
-    "chromadb": "^0.1.0",
-    "mcp-tool": "^1.0.0"
-  }
-}
+*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)
 ```
 
-`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/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)
 ```
 
-**Ограничения**  
-- В текущей реализации нет поддержки альтернативных моделей эмбеддингов; все запросы идут через `MCPTool`.  
-- Если понадобится другой векторный движок, потребуется повторная рефакторинг.  
+*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)
+```
 
-Таким образом, проект теперь полностью соответствует условию задания: один стек (ChromaDB + один MCP‑tool) и отсутствие других векторных хранилищ.
+**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.  
+
+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.