# Stream‑режим AI‑агента

## Описание проекта  
Этот проект реализует **AI‑агент**, построенный на основе LangGraph и LangChain, который использует модели из Ollama (по умолчанию `llama3`) и векторную базу Qdrant для хранения эмбеддингов.  
Главная особенность – **потоковый вывод** (`stream()`), благодаря которому ответы генерируются токен за токеном и сразу отображаются в консоли, а не после завершения работы.

## Предварительные требования  

| Пакет | Версия | Зачем нужен |
|-------|--------|-------------|
| `ollama` | любой актуальный | Запускает локальную модель LLM (llama3) |
| `qdrant` | 1.x+ | Хранит векторные эмбеддинги для быстрых запросов |
| `python>=3.10` | – | Язык выполнения |

> **Важно**: Установите и запустите Ollama и Qdrant перед запуском агента.

```bash
# Пример установки Ollama (Linux)
curl -fsSL https://ollama.ai/install.sh | sh

# Запуск модели llama3
ollama run llama3

# Установка Qdrant (Docker)
docker pull qdrant/qdrant
docker run -p 6333:6333 qdrant/qdrant
```

## Установка проекта  

```bash
git clone https://github.com/yourname/stream-ai-agent.git
cd stream-ai-agent
pip install -r requirements.txt
```

`requirements.txt` содержит:

```
langchain==0.2.*
langgraph==0.1.*
langchain-ollama==0.1.*
langchain-qdrant==0.1.*
nomic-embed-text==0.3.*
python-dotenv
```

## Запуск

```bash
# 1. Убедитесь, что Ollama и Qdrant запущены.
# 2. Запустите агента:
python agent.py
```

### Пример команды с аргументами (если добавлены CLI‑параметры)

```bash
python agent.py --prompt "Расскажи о последних новостях в области AI"
```

## Пример использования

После запуска вы увидите интерактивный ввод:

```
> Какую роль играет Qdrant в работе агента?
```

Ответ будет выводиться токен за токеном:

```
Qdrant используется как быстрый
векторный хранилище для эмбеддингов,
что позволяет быстро находить релевантные
тексты и ускорять генерацию ответов.
```

### Пример кода, который можно вставить в `agent.py` (потоковый вывод)

```python
from langchain_ollama import ChatOllama

# Инициализация LLM
llm = ChatOllama(model="llama3")

# Потоковый вызов
for chunk in llm.stream(prompt):
    print(chunk.content, end="", flush=True)
print()  # Перевод строки после завершения
```

> **Совет**: При работе с LangGraph используйте `AgentExecutor` в режиме `stream=True`, чтобы получать токен за токеном из всех инструментов.

## Вклад

1. Форкните репозиторий.  
2. Создайте ветку (`git checkout -b feature/stream-mode`).  
3. Сделайте коммит и отправьте PR.  

Убедитесь, что тесты проходят: `pytest`.

---

**Автор:** Ваше имя  
**Дата создания:** 2026‑05‑27