Агент с RAG-памятью: добавлен solution.py

solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/solution.py

@@ -1,22 +1,21 @@
-# Решение задания "Агент с RAG‑памятью"
+{"files":[{"filename":"solution.py","content":"# Агент с RAG-памятью\n# Используем LangChain и OpenAI API\n# Для работы требуется установить пакет langchain и openai\n\nimport os\nfrom
+ typing import List\n\nfrom
+ langchain import OpenAI,
+ LLMChain\nfrom langchain.memory import ConversationBufferMemory\nfrom
 
-## Что делает код
+ langchain.chains import RetrievalQA\nfrom
-1. Создаём два инструмента через `@tool` – семантический поиск и добавление документа в базу знаний.
+ langchain.vectorstores import FAISS\nfrom
-2. Инициализируем клиент Qdrant, создаём коллекцию «knowledge_base» (если её нет – создаём).
+ langchain.embeddings import OpenAIEmbeddings\nfrom
-3. Для эмбеддингов используем Ollama‑провайдер `nomic-embed-text`.
+ langchain.text_splitter import RecursiveCharacterTextSplitter\n\n#
-4. Реализуем чанк‑инг с RecursiveCharacterTextSplitter.
+ Путь к директории с документами (текстовыми файлами)\nDOCS_DIR = \"docs\"\n\n# Инициализация OpenAI LLM\nllm = OpenAI(temperature=0.7, model_name=\"gpt-3.5-turbo\")\n\n# Функция для загрузки документов из папки\n
-5. Создаём агента LangChain, который использует эти инструменты в системном промпте «Используй базу знаний».
+def load_documents(path:
-6. Добавляем скрипт‑клиент для загрузки документов из папки и интерактивный CLI.
+ str) -> List[str]:\n    texts = []\n    for filename in os.listdir(path):\n        if filename.endswith(\".txt\"):\n            with open(os.path.join(path, filename), \"r\", encoding=\"utf-8\") as f:\n                texts.append(f.read())\n    return texts\n\n# Создание векторного хранилища FAISS\n
-
+def create_vector_store(texts:
-## Как использовать
+ List[str]):\n    # Разбиваем большие тексты на части\n    splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)\n    docs = splitter.split_text(\"\\n\".join(texts))\n    embeddings = OpenAIEmbeddings()\n    vector_store = FAISS.from_texts(docs, embeddings)\n    return vector_store\n\n# Класс агента с RAG-памятью\n
-- Установите зависимости: `pip install langchain langchain-qdrant langchain-ollama qdrant-client ollama`.
+class RagAgent:
-- Запустите сервер: `python memory_server.py` (см. конец файла).
+\n    
-- В другом терминале запустите клиент‑скрипт, передав путь к папке с документами.
+def __init__(self, vector_store):
-
+\n        self.vector_store = vector_store\n        # Встроенная память для диалога\n        self.memory = ConversationBufferMemory(memory_key=\"chat_history\", return_messages=True)\n        # Создаём цепочку RetrievalQA\n        self.qa_chain = RetrievalQA.from_chain_type(\n            llm=llm,\n            chain_type=\"stuff\",\n            retriever=self.vector_store.as_retriever(search_kwargs={\"k\": 3}),\n            memory=self.memory,\n        )\n\n    
-## Вывод в консоль
+def ask(self, question:
-```
+ str) -> str:\n        # Получаем ответ, используя RAG и память\n        result = self.qa_chain(question)\n        return result[\"result\"]\n\n# Точка входа\n
-Сохранено: True
+if __name__ == \"__main__\":\n    # Проверяем наличие ключа OpenAI\n    if \"OPENAI_API_KEY\" not in os.environ:\n        raise EnvironmentError(\"Пожалуйста, установите переменную окружения OPENAI_API_KEY\")\n\n    # Загружаем документы\n    docs = load_documents(DOCS_DIR)\n    if not docs:\n        raise FileNotFoundError(f\"Папка {DOCS_DIR} пуста или не найдена\")\n\n    # Создаём векторное хранилище\n    vector_store = create_vector_store(docs)\n\n    # Инициализируем агента\n    agent = RagAgent(vector_store)\n\n    print(\"Агент готов отвечать на вопросы. Введите 'выход' для завершения.\")\n    while True:\n        try:\n            user_input = input(\"Вы: \")\n            if user_input.lower() in (\"выход\", \"exit\", \"quit\"):\n                print(\"Завершение работы.\")\n                break\n            answer = agent.ask(user_input)\n            print(\"Агент: \", answer)\n        except KeyboardInterrupt:\n            print(\"\\nЗавершение работы.\")\n            break\n"],"filename":"requirements.txt","content":"langchain\nopenai\nfaiss-cpu\n"},{"filename":"README.md","content":"# Агент с RAG-памятью\n\n## Описание\n\nПростой чат‑бот, использующий Retrieval‑Augmented Generation (RAG) и память диалога. Бот загружает текстовые файлы из папки `docs`, создаёт векторное хранилище FAISS, а затем отвечает на вопросы, комбинируя найденную информацию и историю беседы.\n\n## Установка\n\n```bash\npip install -r requirements.txt\n```\n\n## Настройка\n\n1. Создайте папку `docs` в корне проекта и поместите туда `.txt` файлы с материалами.\n2. Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.\n\n## Запуск\n\n```bash\npython solution.py\n```\n\nВведите вопросы, а бот ответит, используя RAG и память диалога. Введите `выход`, `exit` или `quit` для завершения.\n"}],"main_file":"solution.py"}
-Данные namespace 'default':
-  username: Алексей
-Ключи с 'name': ['default:user_name']
-```