# Агент с RAG‑памятью

**Агент с RAG‑памятью** – это простая демонстрация, как можно объединить Retrieval‑Augmented Generation (RAG) с памятью агента, чтобы получать более точные и контекстно‑связаные ответы.  
Проект использует:

- **LangChain** – для построения цепочек запросов к LLM и работы с памятью.
- **OpenAI** – модель GPT‑4o (или любой другой LLM, поддерживаемый LangChain).
- **FAISS** – векторный индекс для быстрого поиска релевантных документов.
- **SQLite** – хранение истории диалога и пользовательских данных.

---

## Установка

```bash
git clone https://github.com/yourusername/agent-rag-memory.git
cd agent-rag-memory
pip install -r requirements.txt
```

> **Важно**:  
> - Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.  
> - Если хотите использовать другую модель, поменяйте её в `config.py`.

---

## Запуск файлов

### 1. `main.py`

Главный скрипт, который запускает агента и обрабатывает пользовательский ввод.

```bash
python main.py
```

После запуска вы увидите приглашение `> `, где можете задавать вопросы.

### 2. `rag_agent.py`

Модуль, реализующий RAG‑агента.  
Можно импортировать и использовать в собственных скриптах:

```bash
python -c "import rag_agent; rag_agent.run_demo()"
```

### 3. `memory_setup.py`

Скрипт для предварительной индексации документов и создания памяти.

```bash
python memory_setup.py
```

> После выполнения появится файл `vector_store.faiss` и база `memory.db`.

### 4. `utils.py`

Вспомогательные функции (логирование, форматирование).  
Запуск не требуется, но можно проверить:

```bash
python -m pytest tests/test_utils.py
```

---

## Пример использования

```python
from rag_agent import RagAgent

# Инициализируем агента (использует уже созданный индекс и память)
agent = RagAgent()

# Задаём вопрос
response = agent.ask("Какой сегодня прогноз погоды в Москве?")

print(response)
```

Вывод будет выглядеть примерно так:

```
Прогноз погоды в Москве на сегодня: солнечно, температура 18°C, ветер 5 м/с.
```

---

## Структура проекта

```
agent-rag-memory/
├── config.py          # Конфигурация модели и путей
├── main.py            # Точка входа
├── rag_agent.py       # Класс агента
├── memory_setup.py    # Индексация документов
├── utils.py           # Вспомогательные функции
├── requirements.txt   # Зависимости
├── vector_store.faiss # Векторный индекс (создаётся после запуска memory_setup.py)
└── memory.db          # SQLite‑база памяти (создаётся после запуска memory_setup.py)
```

---

## Что дальше?

- Добавить поддержку нескольких LLM (Claude, Gemini и т.д.).
- Интегрировать с веб‑интерфейсом (FastAPI + React).
- Добавить автоматическое обновление памяти при новых запросах.

--- 

**Автор**: *Ваше имя*  
**Дата**: 26 мая 2026 г.