Агент с RAG-памятью: добавлен solution.py

solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/solution.py

@@ -0,0 +1,21 @@
+{"files":[{"filename":"solution.py","content":"# Агент с RAG-памятью\n# Используем langchain, openai и faiss для простого примера\n\nimport os\nimport
+ sys\nfrom typing import List\n\n#
+
+ Устанавливаем переменную окружения для ключа OpenAI, если она не задана\nos.environ.setdefault(\"OPENAI_API_KEY\", \"YOUR_OPENAI_API_KEY\")\n\n# Импортируем необходимые модули\ntry:\n    from langchain.embeddings import OpenAIEmbeddings\n
+
+    from langchain.vectorstores import FAISS\n
+
+    from langchain.llms import OpenAI\n
+
+    from langchain.chains import RetrievalQA\nexcept
+
+ ImportError as e:\n    print(\"Не удалось импортировать необходимые модули. Убедитесь, что они установлены.\")\n    sys.exit(1)\n\n# Путь к директории с документами (текстовыми файлами)\nDATA_DIR = \"data\"\n\n# Функция загрузки документов из директории\n
+def load_documents(path:
+ str) -> List[str]:\n    \"\"\"Загружает все .txt файлы из указанной директории и возвращает список строк.\"\"\"\n    docs = []\n    if not os.path.isdir(path):\n        print(f\"Папка {path} не найдена.\")\n        return docs\n    for filename in os.listdir(path):\n        if filename.lower().endswith('.txt'):\n            full_path = os.path.join(path, filename)\n            with open(full_path, 'r', encoding='utf-8') as f:\n                docs.append(f.read())\n    return docs\n\n# Создание векторного хранилища\n
+def create_vectorstore(docs:
+ List[str]):\n    \"\"\"Создаёт FAISS векторное хранилище из списка документов.\"\"\"\n    embeddings = OpenAIEmbeddings()\n    vectorstore = FAISS.from_texts(docs, embeddings)\n    return vectorstore\n\n# Создание RAG-агента\n
+def create_agent(vectorstore):
+\n    \"\"\"Создаёт RetrievalQA цепочку, использующую заданный vectorstore.\"\"\"\n    llm = OpenAI(temperature=0)\n    qa_chain = RetrievalQA.from_chain_type(\n        llm=llm,\n        chain_type=\"stuff\",\n        retriever=vectorstore.as_retriever(search_kwargs={\"k\": 3}),\n    )\n    return qa_chain\n\n# Основная функция\n
+def main():
+\n    # Загружаем документы\n    docs = load_documents(DATA_DIR)\n    if not docs:\n        print(\"Документы не найдены. Пожалуйста, поместите .txt файлы в папку 'data'.\")\n        return\n\n    # Создаём векторное хранилище\n    vectorstore = create_vectorstore(docs)\n\n    # Создаём агента\n    agent = create_agent(vectorstore)\n\n    print(\"Агент готов. Введите ваш вопрос (или 'выход' для завершения).\")\n    while True:\n        try:\n            query = input(\"> \")\n        except (KeyboardInterrupt, EOFError):\n            print(\"\\nЗавершение работы.\")\n            break\n        if query.lower() in {\"выход\", \"exit\", \"quit\"}:\n            print(\"Завершение работы.\")\n            break\n        # Получаем ответ от агента\n        answer = agent.run(query)\n        print(\"\\nОтвет:\\n\" + answer + \"\\n\")\n\n
+if __name__ == \"__main__\":\n    main()\n"],"filename":"requirements.txt","content":"langchain\nopenai\nfaiss-cpu\n"],"filename":"README.md","content":"# Агент с RAG‑памятью\n\n## Что это?\n\nПростой пример агента, использующего Retrieval‑Augmented Generation (RAG). Документы загружаются из папки `data`, индексируются векторным хранилищем FAISS, а затем при запросе к агенту происходит поиск релевантных фрагментов и генерация ответа на основе OpenAI.\n\n## Установка\n\n```bash\npip install -r requirements.txt\n```\n\n## Как использовать\n\n1. Поместите текстовые файлы (.txt) в папку `data`.\n2. Запустите скрипт:\n\n```bash\npython solution.py\n```\n3. Введите вопрос. Для выхода напишите `выход`, `exit` или `quit`.\n\n## Зависимости\n\n- `langchain` – библиотека для работы с LLM и RAG.\n- `openai` – клиент для обращения к API OpenAI.\n- `faiss-cpu` – быстрый векторный поиск.\n\n## Примечание\n\nНе забудьте установить переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.\n"}],"main_file":"solution.py"}