8. Самописный поисковый агент на основе deep agents from scratch: agent.py

solutions/69de7223f309a98be0007e09_8__Самописный_поисковый_агент_на_основе_/agent.py

@@ -0,0 +1,65 @@
+import os
+from typing import List, Dict
+
+from langchain_ollama import OllamaEmbeddings, OllamaLLM
+from langchain_qdrant import QdrantStore
+from langchain_core.tools import tool
+from langchain.agents import AgentExecutor, create_openai_tools_agent
+from langchain.schema import Document
+
+# Конфигурация подключения к Qdrant
+QDRANT_URL = os.getenv("QDRANT_URL", "http://localhost:6333")
+QDRANT_COLLECTION = os.getenv("QDRANT_COLLECTION", "knowledge_base")
+
+# Инициализация эмбеддингов и LLM через Ollama
+embeddings = OllamaEmbeddings(model="nomic-embed-text")
+llm = OllamaLLM(model="llama3")
+
+# Создание или подключение к коллекции Qdrant
+vector_store = QdrantStore(
+    url=QDRANT_URL,
+    collection_name=QDRANT_COLLECTION,
+    embeddings=embeddings,
+)
+
+@tool("search_knowledge_base")
+def search_knowledge_base(query: str) -> List[Dict[str, str]]:
+    """
+    Поиск релевантных документов в базе знаний по запросу.
+    Возвращает список словарей с полями 'content' и 'metadata'.
+    """
+    results = vector_store.similarity_search_with_score(query, k=3)
+    output = []
+    for doc, score in results:
+        output.append({"content": doc.page_content, "score": str(score), **doc.metadata})
+    return output
+
+@tool("add_to_knowledge_base")
+def add_to_knowledge_base(text: str) -> str:
+    """
+    Добавляет новый текст в базу знаний.
+    Возвращает подтверждение добавления.
+    """
+    # Создаём документ с метаданными (можно расширить)
+    doc = Document(page_content=text, metadata={"source": "user_input"})
+    vector_store.add_documents([doc])
+    return f"Текст успешно добавлен в базу знаний. {len(text.split())} слов."
+
+# Определяем список инструментов
+tools = [search_knowledge_base, add_to_knowledge_base]
+
+# Создаём агента с использованием LLM и инструментов
+agent = create_openai_tools_agent(llm=llm, tools=tools)
+
+# Экземпляр исполнителя агента
+executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
+
+if __name__ == "__main__":
+    # Пример взаимодействия: пользователь задаёт вопрос, агент решает использовать инструменты
+    while True:
+        user_input = input("\nВведите запрос (или 'exit' для выхода): ")
+        if user_input.lower() in {"exit", "quit"}:
+            break
+        response = executor.invoke({"input": user_input})
+        print("\nОтвет агента:")
+        print(response["output"])