**SOLUTION.md**

---

### Что было реализовано  

| 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
)
```

**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/main.py**  
```python
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vector_store.db.as_retriever()
)
```

---

### 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.