# Агент с RAG‑памятью

**Краткое описание**  
Проект реализует простого чат‑бота на основе Retrieval‑Augmented Generation (RAG).  
Бот хранит документы в векторном хранилище Qdrant, извлекает релевантные фрагменты при помощи эмбеддингов OpenAI и генерирует ответы с помощью модели GPT‑4 (или любой другой LLM, поддерживаемой LangChain).

---

## Установка

```bash
# Клонируйте репозиторий
git clone https://github.com/yourusername/rag-agent.git
cd rag-agent

# Создайте виртуальное окружение (необязательно, но рекомендуется)
python -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

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

> **Важно**  
> - Для работы с OpenAI вам понадобится переменная окружения `OPENAI_API_KEY`.  
> - Для Qdrant можно использовать локальный сервер (порт 6333) или облачный сервис.  
> - Если вы хотите использовать другой LLM, поменяйте параметры в `solution.py`.

---

## Запуск

### 1. Инициализация векторного хранилища

```bash
python solution.py init
```

> Команда создаст коллекцию `documents` в Qdrant и загрузит в неё все файлы из папки `data/`.  
> Для больших наборов данных можно изменить `chunk_size` и `chunk_overlap` в `RecursiveCharacterTextSplitter`.

### 2. Запуск FastAPI сервера

```bash
uvicorn solution:app --reload
```

> После запуска сервер будет доступен по адресу `http://127.0.0.1:8000`.  
> Swagger UI: `http://127.0.0.1:8000/docs`.

### 3. Отправка запроса к боту

```bash
curl -X POST "http://127.0.0.1:8000/chat" \
     -H "Content-Type: application/json" \
     -d '{"question":"Какой климат в Сибири?"}'
```

Ответ будет в формате:

```json
{
  "answer": "Сибирь характеризуется холодным континентальным климатом..."
}
```

---

## Пример использования

```python
import requests

url = "http://127.0.0.1:8000/chat"
payload = {"question": "Какие книги рекомендованы для изучения Python?"}
response = requests.post(url, json=payload)
print(response.json()["answer"])
```

> Вывод:
> ```
> Для начала изучения Python рекомендую следующие книги: "Automate the Boring Stuff with Python" и "Python Crash Course". Если вы хотите углубиться в продвинутые темы, обратите внимание на "Fluent Python" и "Effective Python".
> ```

---

## Структура проекта

```
rag-agent/
├── data/                # Папка с исходными документами
├── solution.py          # Основной скрипт
├── requirements.txt
└── README.md
```

---

## Лицензия

MIT © 2026

---