8. Самописный поисковый агент на основе deep agents from scratch: README.md

2026-05-27 11:11:32 +00:00
parent 2b935ef0de
commit 88f84d500c
1 changed files with 119 additions and 10 deletions
@@ -1,26 +1,135 @@
-# DeepAgent
+# 8. Самописный поисковый агент на основе deep agents from scratch

-## Описание
+## Описание проекта  
+Этот проект реализует **самописного поискового агента**, который использует:
+- **Qdrant** в качестве векторной базы данных для хранения и поиска документов.
+- **Ollama** (модели `llama3` и `nomic-embed-text`) для генерации эмбеддингов и ответов LLM.
+- **LangChain** + расширения `langchain-qdrant` и `langchain-ollama` для построения цепочки действий агента.

-Простой deep‑agent, который умеет искать в интернете, скачивать страницы и создавать виртуальные файлы. После выполнения задачи виртуальные файлы выгружаются в реальную файловую систему.
+Агент принимает запрос пользователя, ищет релевантные документы в Qdrant, формирует ответ с помощью Ollama‑LLM и возвращает его пользователю.  
+
+## Предварительные требования  
+| Компонент | Версия / Минимальные требования | Как установить |
+|-----------|---------------------------------|----------------|
+| **Python** | 3.10+ | `python -m venv .venv && source .venv/bin/activate` |
+| **pip** | 21+ | Встроен в Python |
+| **Ollama** | Любая версия, но рекомендуется ≥ 0.1.0 | `curl -fsSL https://ollama.com/install.sh | sh` |
+| **Qdrant** | 2.x (или 3.x) | Docker: `docker run -p 6333:6333 qdrant/qdrant` |
+| **Docker** | Любая версия, если используете контейнер Qdrant | `sudo apt-get install docker.io` |
+
+> ⚠️ Убедитесь, что Ollama запущен и доступен по адресу `http://localhost:11434`, а Qdrant – по `http://localhost:6333`.

 ## Установка

 ```bash
+# Клонируйте репозиторий (или скачайте файлы)
+git clone https://github.com/yourusername/deep-agent.git
+cd deep-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
+langchain>=0.2.0
+langchain-ollama>=0.1.0
+langchain-qdrant>=0.1.0
+qdrant-client>=1.7.0
+python-dotenv>=1.0.0
+```
+
 ## Запуск

+### 1️⃣ `agent.py` – запуск агента в режиме CLI
+
 ```bash
-python solution.py
+# Установите переменные окружения (если не используете .env)
+export QDRANT_URL="http://localhost:6333"
+export QDRANT_COLLECTION="knowledge_base"
+
+python agent.py
 ```

-## Как работает
+После запуска вы увидите приглашение:

-1. **WebSearchTool** – выполняет поиск в DuckDuckGo и возвращает список URL.
-2. **FetchPageTool** – скачивает содержимое страницы.
-3. **VirtualFileSystem** – хранит файлы в памяти.
-4. **DeepAgent** – использует LLM (по умолчанию `gpt-4o-mini`) для планирования действий.
+```
+Введите ваш запрос:
+```

-После выполнения задачи файлы сохраняются в каталог `output/`.
+Вводите любой вопрос, и агент вернёт ответ.
+
+### 2️⃣ `client.py` – пример клиентского кода
+
+```bash
+python client.py
+```
+
+Этот скрипт демонстрирует, как вызвать агента из другого Python‑скрипта:
+
+```python
+from agent import run_agent
+
+response = run_agent("Какой сегодня прогноз погоды?")
+print(response)
+```
+
+## Пример использования
+
+1. **Подготовка данных**  
+   Добавьте документы в Qdrant (можно через API или скрипт). Например, создайте файл `docs.jsonl`:
+
+   ```json
+   {"content":"Python – это язык программирования высокого уровня."}
+   {"content":"Ollama позволяет запускать LLM локально без подключения к OpenAI."}
+   ```
+
+   Затем загрузите их в Qdrant с помощью скрипта (не включён в репозиторий, но пример):
+
+   ```python
+   from qdrant_client import QdrantClient
+   from langchain_ollama import OllamaEmbeddings
+
+   client = QdrantClient(url="http://localhost:6333")
+   embeddings = OllamaEmbeddings(model="nomic-embed-text")
+
+   with open("docs.jsonl") as f:
+       for line in f:
+           doc = Document(page_content=line.strip())
+           vector = embeddings.embed_query(doc.page_content)
+           client.upsert(
+               collection_name="knowledge_base",
+               points=[{
+                   "id": hash(line),
+                   "vector": vector,
+                   "payload": {"content": doc.page_content}
+               }]
+           )
+   ```
+
+2. **Запуск агента**  
+   ```bash
+   python agent.py
+   ```
+   Введите запрос, например:
+
+   ```
+   Какой язык программирования я использую?
+   ```
+
+3. **Ответ**  
+   Агент вернёт ответ, сформированный на основе найденных документов и LLM.
+
+## Дополнительные сведения
+
+- Если вы хотите изменить модель Ollama или коллекцию Qdrant, отредактируйте переменные окружения `QDRANT_URL`, `QDRANT_COLLECTION` и параметры в `agent.py`.
+- Для более продвинутой интеграции с веб‑интерфейсом можно использовать FastAPI/Flask – это не входит в базовый README, но легко реализуемо.
+
+---
+
+**Спасибо за внимание!** Если возникнут вопросы, откройте issue или свяжитесь с нами напрямую.