# Агент с RAG‑памятью

## Описание проекта
Проект реализует AI‑агента, способного хранить и извлекать знания из локальной векторной базы Qdrant при помощи Ollama LLM и эмбеддингов.  
- **RAG** (Retrieval‑Augmented Generation) – агент сначала ищет релевантные документы, а затем генерирует ответ, опираясь на найденную информацию.  
- Векторная база хранит чанки документов, которые разбиваются при помощи `RecursiveCharacterTextSplitter`.  
- Агент использует два инструмента: поиск в базе и добавление новых документов.

## Стек технологий
| Технология | Версия / Пакет |
|------------|----------------|
| Python     | 3.10+          |
| Qdrant     | v1.x (Docker)  |
| Ollama     | `llama3`, `nomic-embed-text` |
| LangChain  | 0.2+           |

## Установка зависимостей

```bash
# 1️⃣ Скачиваем модели Ollama
ollama pull llama3
ollama pull nomic-embed-text

# 2️⃣ Запускаем Qdrant (Docker)
docker run -d --name qdrant \
  -p 6333:6333 \
  ghcr.io/qdrant/qdrant:v1.9.0

# 3️⃣ Устанавливаем Python‑пакеты
pip install langchain langchain-qdrant langchain-ollama
```

> **Важно**  
> * Qdrant должен быть запущен до запуска любого скрипта проекта.  
> * Переменные окружения `QDRANT_HOST`, `QDRANT_PORT` и `QDRANT_COLLECTION` можно задать в `.env` или напрямую в терминале.

## Структура файлов

| Файл | Описание |
|------|----------|
| `rag_agent.py` | Основной скрипт, создающий агента, инструменты и запускает его. |
| `vector_store.py` | Модуль для работы с Qdrant: добавление документов, поиск. |
| `tools.py` | Декорированные функции‑инструменты (`search_knowledge_base`, `add_to_knowledge_base`). |
| `init_loader.py` | Инициализация и загрузка начальных данных в базу (опционально). |
| `cli_client.py` | CLI‑клиент для взаимодействия с агентом из терминала. |

## Запуск каждого файла

### 1️⃣ `rag_agent.py`

```bash
python rag_agent.py
```

> Скрипт инициализирует агента, добавляет в него инструменты и ожидает пользовательский ввод через `input()`.

### 2️⃣ `vector_store.py`

```bash
# Пример использования из REPL или другого скрипта
from vector_store import QdrantStore

store = QdrantStore()
store.add_document("Документ о Python", "Python – язык программирования.")
results = store.search("что такое Python")
print(results)
```

### 3️⃣ `tools.py`

```bash
# Функции можно импортировать и использовать в агенте
from tools import search_knowledge_base, add_to_knowledge_base

search_knowledge_base("Python", max_results=5)
add_to_knowledge_base("Новый контент", "Заголовок")
```

### 4️⃣ `init_loader.py`

```bash
python init_loader.py
```

> Скрипт читает файлы из папки `data/` и загружает их в Qdrant. Убедитесь, что каталог существует.

### 5️⃣ `cli_client.py`

```bash
python cli_client.py "Какой язык программирования лучше?"
```

> CLI‑клиент отправляет запрос агенту и выводит ответ в терминал.

## Пример использования

1. **Инициализация базы**  
   ```bash
   python init_loader.py
   ```

2. **Запуск агента**  
   ```bash
   python rag_agent.py
   ```
   Введите вопрос, например:
   ```
   Какой язык программирования лучше для веб‑разработки?
   ```

3. **CLI‑клиент**  
   ```bash
   python cli_client.py "Что такое Qdrant?"
   ```

## Тесты (опционально)

```bash
pip install pytest
pytest tests/
```

> В папке `tests/` находятся простые unit‑тесты для модуля `vector_store`.

## Поддержка и вопросы

- **Проблема с подключением к Qdrant** – убедитесь, что контейнер запущен и доступен по адресу `http://localhost:6333`.  
- **Ошибка при загрузке модели Ollama** – проверьте, что модели скачаны (`ollama list`).  

## Лицензия

MIT © 2026