diff --git a/solutions/699cc158d6d3a5544a3ed35b_Stream-режим_AI-агента/README.md b/solutions/699cc158d6d3a5544a3ed35b_Stream-режим_AI-агента/README.md
new file mode 100644
index 0000000..de34029
--- /dev/null
+++ b/solutions/699cc158d6d3a5544a3ed35b_Stream-режим_AI-агента/README.md
@@ -0,0 +1,107 @@
+# Stream‑режим AI‑агента
+
+## Описание проекта
+
+Проект реализует **AI‑агент**, построенный на основе LangGraph и LangChain, который взаимодействует с LLM `llama3` через Ollama и использует эмбеддинги от Nomic.  
+Главная особенность – **потоковый вывод** (`stream`) вместо обычного `.invoke()`. Это позволяет видеть ответ токен за токеном в реальном времени, что особенно полезно при работе с длинными запросами или многократным вызовом инструментов.
+
+## Предварительные требования
+
+| Компонент | Версия / Минимальные требования | Как установить |
+|-----------|---------------------------------|----------------|
+| **Python** | 3.10+ (рекомендуется 3.11) | `python -m venv .venv && source .venv/bin/activate` |
+| **Ollama** | Любая версия, поддерживающая `llama3` | [Официальная инструкция](https://ollama.com/download) |
+| **LLM‑модель** (`llama3`) | Доступна в Ollama | `ollama pull llama3` |
+| **Qdrant** (необязательно, если используете внешнее хранилище) | Любая версия | `docker run -p 6333:6333 qdrant/qdrant` |
+
+> ⚠️ Если вы не планируете хранить состояние в Qdrant, можно использовать встроенный `MemorySaver`.
+
+## Установка
+
+```bash
+# Клонируйте репозиторий (или скачайте файлы)
+git clone https://github.com/your-username/stream-ai-agent.git
+cd stream-ai-agent
+
+# Создайте и активируйте виртуальное окружение
+python -m venv .venv
+source .venv/bin/activate   # Windows: .\.venv\Scripts\activate
+
+# Установите зависимости
+pip install -r requirements.txt
+```
+
+`requirements.txt` содержит:
+
+```text
+langgraph==0.1.*
+langchain==0.2.*
+langchain-ollama==0.0.*
+nomic-embed-text==0.3.*
+python-dotenv==1.0.*
+```
+
+## Запуск
+
+### 1. Инициализация агента (файл `agent.py`)
+
+```bash
+# Убедитесь, что переменная окружения OLLAMA_MODEL установлена (по умолчанию "llama3")
+export OLLAMA_MODEL=llama3   # Linux/macOS
+set OLLAMA_MODEL=llama3      # Windows
+
+python agent.py
+```
+
+> Внутри `agent.py` реализован потоковый вывод:  
+> ```python
+> for chunk in graph.stream(state):
+>     print(chunk, end="", flush=True)
+> ```
+
+### 2. Тестирование с примером запроса
+
+```bash
+# Запускаем скрипт и вводим запрос вручную
+python agent.py
+```
+
+Пример ввода:
+
+```
+User: Расскажи мне о последних достижениях в области квантовых вычислений.
+```
+
+Вывод будет появляться токен за токеном, пока модель генерирует ответ.
+
+## Пример использования
+
+```python
+from langgraph.graph import StateGraph, START
+from langchain_ollama import ChatOllama
+from nomic_embed_text import NomicEmbedText
+from langgraph.prebuilt.tool_executor import ToolExecutorNode
+from langgraph.checkpoint.memory import MemorySaver
+
+# Инициализация LLM и эмбеддингов
+llm = ChatOllama(model=os.getenv("OLLAMA_MODEL", "llama3"))
+embedder = NomicEmbedText()
+
+# Создание графа с потоковым выводом
+graph = StateGraph()
+graph.add_node("agent_executor", ToolExecutorNode(llm=llm, tools=[]))
+graph.set_entry_point(START)
+graph.set_finish_point("agent_executor")
+
+state = {"messages": [HumanMessage(content="Привет!")]}
+
+# Потоковый вывод
+for chunk in graph.stream(state):
+    print(chunk, end="", flush=True)
+```
+
+> В реальном проекте вы можете подключить собственные инструменты (API‑вызыватели, базы знаний и т.д.) через `ToolExecutorNode`.
+
+## Лицензия
+
+MIT © 2026.
\ No newline at end of file