Доработка: 1. Завершить vectorstore.py: реализовать load_documents (чан

vectorstore.py

@@ -2,19 +2,11 @@ import os
 from pathlib import Path
 from typing import List
 
-from langchain_ollama import OllamaEmbeddings, OllamaLLM
+from langchain_ollama import OllamaEmbeddings
 from langchain_chroma import Chroma
 from langchain_text_splitters import RecursiveCharacterTextSplitter
 from langchain.docstore.document import Document
-from langchain_tavily import TavilySearchResults
-from langchain.agents import Tool, AgentExecutor, initialize_agent
-from dotenv import load_dotenv
 
-# Загрузка переменных окружения из .env
-load_dotenv()
-TAVILY_API_KEY = os.getenv("TAVILY_API_KEY")
-if not TAVILY_API_KEY:
-    raise ValueError("Требуется переменная окружения TAVILY_API_KEY")
 
 def create_vectorstore(persist_directory: str = "./chroma_db") -> Chroma:
     """
@@ -28,6 +20,7 @@ def create_vectorstore(persist_directory: str = "./chroma_db") -> Chroma:
         embedding_function=embeddings,
     )
 
+
 def _load_text_files(directory: str) -> List[Document]:
     """
     Читает все .txt и .md файлы из указанной директории и возвращает список Document.
@@ -39,6 +32,7 @@ def _load_text_files(directory: str) -> List[Document]:
             docs.append(Document(page_content=text, metadata={"source": str(file_path)}))
     return docs
 
+
 def load_documents(directory: str, vectorstore: Chroma) -> None:
     """
     Загружает документы из указанной директории в ChromaDB.
@@ -59,66 +53,4 @@ def load_documents(directory: str, vectorstore: Chroma) -> None:
     vectorstore.add_documents(chunks)
     # Сохраняем изменения
     vectorstore.persist()
-    print(f"Загружено {len(chunks)} чанков из {len(raw_docs)} документов в {vectorstore.persist_directory}")
+    print(f"Загружено {len(chunks)} чанков из {len(raw_docs)} документов в {vectorstore.persist_directory}")
-
-# ------------------------------------------------------------------
-# Инструмент web_search, использующий TavilySearchResults
-def web_search(query: str) -> str:
-    """
-    Выполняет поиск по интернету через Tavily и возвращает строку с результатами.
-    """
-    tavily = TavilySearchResults(api_key=TAVILY_API_KEY)
-    results = tavily.run(query)
-    return "\n".join([f"{r['title']}: {r['url']}" for r in results])
-
-# ------------------------------------------------------------------
-# Инструмент search_local_kb, использующий локальный Chroma
-def search_local_kb(query: str, vectorstore: Chroma) -> List[dict]:
-    """
-    Выполняет поиск по локальной базе знаний (Chroma) и возвращает список документов.
-    """
-    docs = vectorstore.similarity_search_with_score(query, k=5)
-    return [{"content": doc.page_content, "score": score} for doc, score in docs]
-
-# ------------------------------------------------------------------
-# Создание агента, выбирающего между локальным поиском и web search
-def create_agent(vectorstore: Chroma) -> AgentExecutor:
-    """
-    Инициализирует агент с двумя инструментами:
-      - search_local_kb: поиск в локальной базе знаний
-      - web_search: поиск через Tavily
-    Агент выводит источник ответа.
-    """
-    tools = [
-        Tool(
-            name="search_local_kb",
-            func=lambda q: search_local_kb(q, vectorstore),
-            description="Search the local knowledge base stored in Chroma."
-        ),
-        Tool(
-            name="web_search",
-            func=web_search,
-            description="Search the web using Tavily. Useful for up-to-date information."
-        )
-    ]
-
-    llm = OllamaLLM(model="llama3")
-    agent_executor = initialize_agent(
-        tools,
-        llm,
-        agent_type="zero-shot-react-description",
-        verbose=True,
-        return_intermediate_steps=False
-    )
-    return agent_executor
-
-# ------------------------------------------------------------------
-# Пример использования агента (необязательно, можно удалить)
-if __name__ == "__main__":
-    vs = create_vectorstore()
-    # Предположим, что документы уже загружены ранее
-    agent = create_agent(vs)
-    query = "What is the capital of France?"
-    response = agent.run(query)
-    print("\nОтвет агента:")
-    print(response)