From ada78812a9a259e2185808d603630c0fdbbaa58d Mon Sep 17 00:00:00 2001
From: lonpatovaadelina <lonpatovaadelina@mail.ru>
Date: Tue, 26 May 2026 22:19:00 +0000
Subject: [PATCH] =?UTF-8?q?=D0=90=D0=B3=D0=B5=D0=BD=D1=82=20=D1=81=20RAG-?=
 =?UTF-8?q?=D0=BF=D0=B0=D0=BC=D1=8F=D1=82=D1=8C=D1=8E:=20README.md?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 .../README.md                                 | 116 ++++++++++++++++++
 1 file changed, 116 insertions(+)
 create mode 100644 solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/README.md

diff --git a/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/README.md b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/README.md
new file mode 100644
index 0000000..4ee73cf
--- /dev/null
+++ b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/README.md
@@ -0,0 +1,116 @@
+# Агент с RAG‑памятью
+
+**Агент с RAG‑памятью** – это простая демонстрация, как можно объединить Retrieval‑Augmented Generation (RAG) с памятью агента, чтобы получать более точные и контекстно‑связаные ответы.  
+Проект использует:
+
+- **LangChain** – для построения цепочек запросов к LLM и работы с памятью.
+- **OpenAI** – модель GPT‑4o (или любой другой LLM, поддерживаемый LangChain).
+- **FAISS** – векторный индекс для быстрого поиска релевантных документов.
+- **SQLite** – хранение истории диалога и пользовательских данных.
+
+---
+
+## Установка
+
+```bash
+git clone https://github.com/yourusername/agent-rag-memory.git
+cd agent-rag-memory
+pip install -r requirements.txt
+```
+
+> **Важно**:  
+> - Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.  
+> - Если хотите использовать другую модель, поменяйте её в `config.py`.
+
+---
+
+## Запуск файлов
+
+### 1. `main.py`
+
+Главный скрипт, который запускает агента и обрабатывает пользовательский ввод.
+
+```bash
+python main.py
+```
+
+После запуска вы увидите приглашение `> `, где можете задавать вопросы.
+
+### 2. `rag_agent.py`
+
+Модуль, реализующий RAG‑агента.  
+Можно импортировать и использовать в собственных скриптах:
+
+```bash
+python -c "import rag_agent; rag_agent.run_demo()"
+```
+
+### 3. `memory_setup.py`
+
+Скрипт для предварительной индексации документов и создания памяти.
+
+```bash
+python memory_setup.py
+```
+
+> После выполнения появится файл `vector_store.faiss` и база `memory.db`.
+
+### 4. `utils.py`
+
+Вспомогательные функции (логирование, форматирование).  
+Запуск не требуется, но можно проверить:
+
+```bash
+python -m pytest tests/test_utils.py
+```
+
+---
+
+## Пример использования
+
+```python
+from rag_agent import RagAgent
+
+# Инициализируем агента (использует уже созданный индекс и память)
+agent = RagAgent()
+
+# Задаём вопрос
+response = agent.ask("Какой сегодня прогноз погоды в Москве?")
+
+print(response)
+```
+
+Вывод будет выглядеть примерно так:
+
+```
+Прогноз погоды в Москве на сегодня: солнечно, температура 18°C, ветер 5 м/с.
+```
+
+---
+
+## Структура проекта
+
+```
+agent-rag-memory/
+├── config.py          # Конфигурация модели и путей
+├── main.py            # Точка входа
+├── rag_agent.py       # Класс агента
+├── memory_setup.py    # Индексация документов
+├── utils.py           # Вспомогательные функции
+├── requirements.txt   # Зависимости
+├── vector_store.faiss # Векторный индекс (создаётся после запуска memory_setup.py)
+└── memory.db          # SQLite‑база памяти (создаётся после запуска memory_setup.py)
+```
+
+---
+
+## Что дальше?
+
+- Добавить поддержку нескольких LLM (Claude, Gemini и т.д.).
+- Интегрировать с веб‑интерфейсом (FastAPI + React).
+- Добавить автоматическое обновление памяти при новых запросах.
+
+--- 
+
+**Автор**: *Ваше имя*  
+**Дата**: 26 мая 2026 г.
\ No newline at end of file