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
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:
ollama pull llama3
ollama pull nomic-embed-text

Установка

# 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

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

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

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

Отправка запроса через клиент

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.

Прямое взаимодействие
Внутри agent.py можно вызвать функцию run_agent() и передать ей строку запроса:
```
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.

README.md Unescape Escape

Агент с RAG‑памятью