Агент с RAG‑памятью: README.md

solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md

@@ -0,0 +1,132 @@
+# Агент с RAG‑памятью
+
+## Описание проекта
+Проект реализует AI‑агента, способного хранить и извлекать знания из локальной векторной базы Qdrant при помощи Ollama LLM и эмбеддингов.  
+- **RAG** (Retrieval‑Augmented Generation) – агент сначала ищет релевантные документы, а затем генерирует ответ, опираясь на найденную информацию.  
+- Векторная база хранит чанки документов, которые разбиваются при помощи `RecursiveCharacterTextSplitter`.  
+- Агент использует два инструмента: поиск в базе и добавление новых документов.
+
+## Стек технологий
+| Технология | Версия / Пакет |
+|------------|----------------|
+| Python     | 3.10+          |
+| Qdrant     | v1.x (Docker)  |
+| Ollama     | `llama3`, `nomic-embed-text` |
+| LangChain  | 0.2+           |
+
+## Установка зависимостей
+
+```bash
+# 1️⃣ Скачиваем модели Ollama
+ollama pull llama3
+ollama pull nomic-embed-text
+
+# 2️⃣ Запускаем Qdrant (Docker)
+docker run -d --name qdrant \
+  -p 6333:6333 \
+  ghcr.io/qdrant/qdrant:v1.9.0
+
+# 3️⃣ Устанавливаем Python‑пакеты
+pip install langchain langchain-qdrant langchain-ollama
+```
+
+> **Важно**  
+> * Qdrant должен быть запущен до запуска любого скрипта проекта.  
+> * Переменные окружения `QDRANT_HOST`, `QDRANT_PORT` и `QDRANT_COLLECTION` можно задать в `.env` или напрямую в терминале.
+
+## Структура файлов
+
+| Файл | Описание |
+|------|----------|
+| `rag_agent.py` | Основной скрипт, создающий агента, инструменты и запускает его. |
+| `vector_store.py` | Модуль для работы с Qdrant: добавление документов, поиск. |
+| `tools.py` | Декорированные функции‑инструменты (`search_knowledge_base`, `add_to_knowledge_base`). |
+| `init_loader.py` | Инициализация и загрузка начальных данных в базу (опционально). |
+| `cli_client.py` | CLI‑клиент для взаимодействия с агентом из терминала. |
+
+## Запуск каждого файла
+
+### 1️⃣ `rag_agent.py`
+
+```bash
+python rag_agent.py
+```
+
+> Скрипт инициализирует агента, добавляет в него инструменты и ожидает пользовательский ввод через `input()`.
+
+### 2️⃣ `vector_store.py`
+
+```bash
+# Пример использования из REPL или другого скрипта
+from vector_store import QdrantStore
+
+store = QdrantStore()
+store.add_document("Документ о Python", "Python – язык программирования.")
+results = store.search("что такое Python")
+print(results)
+```
+
+### 3️⃣ `tools.py`
+
+```bash
+# Функции можно импортировать и использовать в агенте
+from tools import search_knowledge_base, add_to_knowledge_base
+
+search_knowledge_base("Python", max_results=5)
+add_to_knowledge_base("Новый контент", "Заголовок")
+```
+
+### 4️⃣ `init_loader.py`
+
+```bash
+python init_loader.py
+```
+
+> Скрипт читает файлы из папки `data/` и загружает их в Qdrant. Убедитесь, что каталог существует.
+
+### 5️⃣ `cli_client.py`
+
+```bash
+python cli_client.py "Какой язык программирования лучше?"
+```
+
+> CLI‑клиент отправляет запрос агенту и выводит ответ в терминал.
+
+## Пример использования
+
+1. **Инициализация базы**  
+   ```bash
+   python init_loader.py
+   ```
+
+2. **Запуск агента**  
+   ```bash
+   python rag_agent.py
+   ```
+   Введите вопрос, например:
+   ```
+   Какой язык программирования лучше для веб‑разработки?
+   ```
+
+3. **CLI‑клиент**  
+   ```bash
+   python cli_client.py "Что такое Qdrant?"
+   ```
+
+## Тесты (опционально)
+
+```bash
+pip install pytest
+pytest tests/
+```
+
+> В папке `tests/` находятся простые unit‑тесты для модуля `vector_store`.
+
+## Поддержка и вопросы
+
+- **Проблема с подключением к Qdrant** – убедитесь, что контейнер запущен и доступен по адресу `http://localhost:6333`.  
+- **Ошибка при загрузке модели Ollama** – проверьте, что модели скачаны (`ollama list`).  
+
+## Лицензия
+
+MIT © 2026