# Stream‑Mode AI Agent

## 📖 Описание проекта
Проект реализует **AI‑агента**, способного выполнять задачи, используя:
- **LangChain** – фреймворк для построения цепочек и агентов;
- **Ollama** – локальный LLM (model `llama3`);
- **Qdrant** – векторная база данных для хранения эмбеддингов;
- **langchain‑qdrant** – интеграция LangChain с Qdrant;
- **langchain‑ollama** – обёртка Ollama для LangChain.

Главной особенностью является переход от синхронного вызова `.invoke()` к потоковому выводу через `.stream()`. Теперь ответы агента появляются в консоли токен за токеном, что делает взаимодействие более отзывчивым и похожим на ChatGPT.

## ⚙️ Предварительные требования
- **Python 3.10+**  
- **Ollama** (установить можно по инструкции: https://ollama.ai/)
  ```bash
  curl -fsSL https://ollama.com/install.sh | sh
  ```
  После установки скачайте нужную модель:
  ```bash
  ollama pull llama3
  ```
- **Qdrant**  
  Можно запустить локально через Docker:
  ```bash
  docker run -p 6333:6333 qdrant/qdrant
  ```

## 📦 Установка зависимостей
```bash
pip install -r requirements.txt
```
`requirements.txt` содержит все необходимые пакеты, включая `langchain`, `langchain-ollama`, `langchain-qdrant`, `qdrant-client` и др.

## 🚀 Запуск

### 1. Инициализация агента (agent.py)
```bash
python agent.py
```
При запуске агент будет ждать ввода команды в консоли, например:
```
> What is the capital of France?
```

### 2. Пример использования с потоковым выводом
После запуска вы можете вводить запросы. Ответ будет печататься токен за токеном:

```
> Tell me a short story about a robot learning to dance.
Robot: I was built in a factory...
Robot: ...and then I discovered music...
Robot: ...
```

### 3. Остановка
Нажмите `Ctrl+C` или введите команду `exit`.

## 📄 Пример использования кода

```python
from langchain.agents import create_agent, AgentExecutor
from langchain.tools import tool
from langchain_ollama import OllamaLLM
from langchain_qdrant import QdrantStore
import os

# LLM
llm = OllamaLLM(model="llama3", temperature=0.7, timeout=60)

# Векторная база (Qdrant)
store = QdrantStore(
    url=os.getenv("QDRANT_URL", "http://localhost:6333"),
    collection_name="my_collection",
    embedding_function=OllamaLLM(model="nomic-embed-text")
)

# Инструмент
@tool
def check_wish(wish: str) -> str:
    """Проверка желания на наличие подвоха."""
    return f"Wish '{wish}' looks safe."

tools = [check_wish]

# Агент
agent = create_agent(
    llm=llm,
    tools=tools,
    verbose=True
)

executor = AgentExecutor(agent=agent, tools=tools, max_iterations=5)

# Потоковый вывод
for chunk in executor.stream("Will I get a promotion?"):
    print(chunk, end="", flush=True)
```

## 📚 Что дальше?
- Добавить более сложные инструменты (запросы к API, работа с файлами и т.д.).
- Настроить хранение истории диалога в Qdrant для контекстуального ответа.
- Интегрировать с веб‑интерфейсом или чат‑ботом.

---

**Happy coding!**