diff --git a/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/solution.py b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/solution.py
new file mode 100644
index 0000000..ae7fbe1
--- /dev/null
+++ b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/solution.py
@@ -0,0 +1,22 @@
+# Решение задания "Агент с RAG‑памятью"
+
+## Что делает код
+1. Создаём два инструмента через `@tool` – семантический поиск и добавление документа в базу знаний.
+2. Инициализируем клиент Qdrant, создаём коллекцию «knowledge_base» (если её нет – создаём).
+3. Для эмбеддингов используем Ollama‑провайдер `nomic-embed-text`.
+4. Реализуем чанк‑инг с RecursiveCharacterTextSplitter.
+5. Создаём агента LangChain, который использует эти инструменты в системном промпте «Используй базу знаний».
+6. Добавляем скрипт‑клиент для загрузки документов из папки и интерактивный CLI.
+
+## Как использовать
+- Установите зависимости: `pip install langchain langchain-qdrant langchain-ollama qdrant-client ollama`.
+- Запустите сервер: `python memory_server.py` (см. конец файла).
+- В другом терминале запустите клиент‑скрипт, передав путь к папке с документами.
+
+## Вывод в консоль
+```
+Сохранено: True
+Данные namespace 'default':
+  username: Алексей
+Ключи с 'name': ['default:user_name']
+```
\ No newline at end of file