Агент с RAG‑памятью: README.md

solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md

@@ -0,0 +1,124 @@
+# Агент с RAG‑памятью
+
+## Описание проекта
+
+Проект реализует **AI‑агента**, способного хранить, искать и использовать знания в локальной векторной базе данных Qdrant при помощи Ollama (LLM `llama3` и эмбеддинг‑модель `nomic-embed-text`).  
+Агент использует LangChain для построения цепочки действий, а также предоставляет два инструмента:
+
+| Инструмент | Описание |
+|------------|----------|
+| `search_knowledge_base(query, max_results)` | Семантический поиск по базе знаний. |
+| `add_to_knowledge_base(content, title)` | Добавление нового документа в базу (с чанкингом и эмбеддингами). |
+
+## Стек технологий
+
+- **Python 3.10+**
+- **Qdrant** – локальная векторная база данных
+- **Ollama** – LLM `llama3` + эмбеддинги `nomic-embed-text`
+- **LangChain** – фреймворк для агентов, RAG и инструментов
+
+## Установка зависимостей
+
+```bash
+# 1. Ollama (LLM и эмбеддинг‑модели)
+ollama pull llama3
+ollama pull nomic-embed-text
+
+# 2. Python пакеты
+pip install langchain langchain-qdrant langchain-ollama
+```
+
+> **Важно**: Qdrant должен быть запущен локально (по умолчанию на `localhost:6333`).  
+> Если вы используете Docker, можно быстро поднять контейнер:
+> ```bash
+> docker run -p 6333:6333 qdrant/qdrant
+> ```
+
+## Структура проекта
+
+| Файл | Описание |
+|------|----------|
+| `rag_agent.py` | Основная логика агента и его инструменты. |
+| `qdrant_client.py` | Обёртка над QdrantVectorStore: инициализация, добавление документов, поиск. |
+| `chunker.py` | Модуль для разбиения текста на чанки (RecursiveCharacterTextSplitter). |
+| `init_loader.py` | Скрипт загрузки начальных данных в базу. |
+| `cli_client.py` | CLI‑интерфейс для взаимодействия с агентом из командной строки. |
+
+## Как запустить
+
+### 1. Инициализация базы (опционально)
+
+Если вы хотите сразу наполнить базу тестовыми данными, выполните:
+
+```bash
+python init_loader.py
+```
+
+> Скрипт `init_loader.py` читает файлы из папки `data/`, разбивает их на чанки и сохраняет в Qdrant.
+
+### 2. Запуск CLI‑клиента
+
+CLI позволяет задавать вопросы агенту, а также добавлять новые документы:
+
+```bash
+python cli_client.py
+```
+
+#### Примеры использования
+
+| Команда | Описание |
+|---------|----------|
+| `ask "Какой смысл жизни?"` | Агент выполнит поиск в базе и сформирует ответ. |
+| `add "data/new_doc.txt" "Новый документ"` | Добавляет новый файл в базу знаний (с чанкингом). |
+
+### 3. Запуск агента напрямую
+
+Если вам нужен только агент без CLI, можно импортировать его из `rag_agent.py`:
+
+```python
+from rag_agent import agent_executor
+
+response = agent_executor.invoke({"input": "Расскажи о Qdrant"})
+print(response["output"])
+```
+
+## Пример кода (CLI)
+
+```bash
+$ python cli_client.py ask "Что такое RAG?"
+Agent: Searching knowledge base...
+Result: ...
+Answer: ...
+```
+
+## Настройка переменных окружения
+
+| Переменная | Значение по умолчанию | Описание |
+|------------|-----------------------|----------|
+| `QDRANT_HOST` | `localhost` | Хост Qdrant. |
+| `QDRANT_PORT` | `6333` | Порт Qdrant. |
+| `QDRANT_COLLECTION` | `rag_collection` | Имя коллекции в Qdrant. |
+| `EMBEDDING_MODEL` | `nomic-embed-text` | Модель эмбеддингов. |
+| `LLM_MODEL` | `llama3` | Модель LLM. |
+
+## Тесты
+
+Тесты находятся в папке `tests/`. Запустить их можно так:
+
+```bash
+pytest tests/
+```
+
+> Убедитесь, что Qdrant и Ollama запущены перед запуском тестов.
+
+## Лицензия
+
+MIT License – см. файл `LICENSE`.
+
+---
+
+**Примечание:**  
+- Для работы с большим объёмом данных рекомендуется использовать более мощные модели эмбеддингов и LLM.
+- Если вы хотите использовать облачные сервисы вместо локальных, замените импорты и конфигурацию в файлах проекта.
+
+---