# Агент с RAG‑памятью

**Краткое описание**

Проект реализует чат‑бота на основе Retrieval‑Augmented Generation (RAG), который использует локальный векторный поиск через Qdrant и генерацию текста/ответов от Ollama.  
Бот умеет:

- хранить документы в Qdrant, индексировать их с помощью модели `nomic-embed-text`;
- при запросе пользователя искать релевантные фрагменты из базы;
- генерировать ответ на основе найденных данных и собственного контекста через модель `llama3` (Ollama).

## Предварительные требования

| Компонент | Версия / Минимальная версия | Как установить |
|-----------|-----------------------------|----------------|
| **Python** | 3.10+ | `python -m venv .venv && source .venv/bin/activate` |
| **Ollama** | Любая актуальная версия | [Официальная инструкция](https://ollama.com/download) |
| **Qdrant** | 1.x (Docker рекомендуется) | `docker run -p 6333:6333 qdrant/qdrant:latest` |
| **LangChain** | 0.2+ | Устанавливается через `requirements.txt` |

> ⚠️ Перед запуском убедитесь, что Ollama запущен и модели `llama3` и `nomic-embed-text` доступны:
> ```bash
> ollama pull llama3
> ollama pull nomic-embed-text
> ```

## Установка

```bash
# Клонируйте репозиторий (если ещё не сделано)
git clone https://github.com/yourname/rag-agent.git
cd rag-agent

# Создайте и активируйте виртуальное окружение
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# Установите зависимости
pip install -r requirements.txt
```

## Запуск файлов

### 1. `agent.py` – основной скрипт бота

```bash
python agent.py --config config.yaml
```

*Параметры*  
- `--config`: путь к YAML‑файлу с настройками (порт Qdrant, имя коллекции и т.д.).

> Если файл конфигурации не указан, используются значения по умолчанию.

### 2. `client.py` – простой клиент для взаимодействия

```bash
python client.py --host http://localhost:8000
```

*Параметры*  
- `--host`: адрес API‑сервера (по умолчанию `http://localhost:8000`).

> Клиент отправляет запросы к REST‑API, реализованному в `agent.py`.

## Пример использования

1. **Инициализация базы**  
   ```bash
   python agent.py --init-db
   ```
   Это создаст коллекцию Qdrant и загрузит документы из папки `data/`.

2. **Запуск бота**  
   ```bash
   python agent.py
   ```

3. **Отправка запроса через клиент**  
   ```bash
   python client.py --query "Какой прогноз погоды на завтра?"
   ```
   Ответ будет выглядеть примерно так:
   ```
   AI: На основе данных из базы, ожидается облачность с температурой около 18°C.
   ```

4. **Прямое взаимодействие**  
   Внутри `agent.py` можно вызвать функцию `run_agent()` и передать ей строку запроса:
   ```python
   from agent import run_agent

   answer = run_agent("Расскажи про историю Qdrant")
   print(answer)
   ```

## Структура проекта

```
rag-agent/
├── agent.py          # Основной скрипт, реализующий RAG‑бота
├── client.py         # Простой клиент для общения с ботом
├── requirements.txt  # Зависимости Python
├── config.yaml       # Конфигурация (пример)
└── data/             # Папка с исходными документами
```

## Лицензия

MIT License – см. файл `LICENSE`.

--- 

*Если возникнут вопросы, создайте issue в репозитории.*