diff --git a/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md
index ce608e0..3131dea 100644
--- a/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md
+++ b/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md
@@ -1,115 +1,115 @@
 # Агент с RAG‑памятью
 
-## Описание проекта
+## Описание проекта  
+Проект реализует **AI‑агента**, способного хранить и извлекать знания из локальной векторной базы данных Qdrant, используя модели Ollama (`llama3` для генерации текста и `nomic-embed-text` для эмбеддингов). Агент использует LangChain для построения цепочки инструментов (RAG) и взаимодействия с пользователем.
 
-`solution.py` реализует AI‑агента, способного хранить и извлекать знания из локальной векторной базы Qdrant при помощи Ollama (LLM `llama3` и эмбеддинговая модель `nomic-embed-text`).  
-Агент использует LangChain для:
+> **Ключевые возможности**  
+> * Семантический поиск по базе знаний.  
+> * Добавление новых документов в базу.  
+> * Чанкование больших текстов перед сохранением.  
+> * Интеграция LLM для генерации ответов на основе найденной информации.
 
-* **RAG** – Retrieval‑Augmented Generation
-* Инструменты поиска (`search_knowledge_base`) и добавления (`add_to_knowledge_base`) в базу знаний
-* Чанкинга больших документов через `RecursiveCharacterTextSplitter`
-* Взаимодействия с Qdrant через `QdrantVectorStore`
+---
 
-## Стек технологий
+## Стек технологий  
 
-| Технология | Версия |
-|------------|--------|
-| Python     | 3.10+  |
-| Ollama     | 0.1+   |
-| Qdrant     | 1.x    |
-| LangChain  | 0.2+   |
+| Технология | Версия / Пакет |
+|------------|----------------|
+| Python     | 3.10+          |
+| Qdrant     | v1.x (локальный сервер) |
+| Ollama     | `llama3`, `nomic-embed-text` |
+| LangChain  | `langchain`, `langchain-qdrant`, `langchain-ollama` |
 
-## Установка зависимостей
+---
+
+## Установка зависимостей  
 
 ```bash
-# 1️⃣ Загрузить модели в Ollama
+# 1. Скачиваем модели Ollama
 ollama pull llama3
 ollama pull nomic-embed-text
 
-# 2️⃣ Установить Python‑пакеты
+# 2. Устанавливаем Python‑пакеты
 pip install langchain langchain-qdrant langchain-ollama
 ```
 
 > **Важно**  
-> Qdrant должен быть запущен локально (по умолчанию `localhost:6333`).  
-> Если у вас нет Docker, установите Qdrant через официальную инструкцию:
-> ```bash
-> docker run -p 6333:6333 qdrant/qdrant
-> ```
+> * Qdrant должен быть запущен локально (по умолчанию `localhost:6333`).  
+> * Ollama сервис также должен работать в фоне.
+
+---
+
+## Структура проекта  
+
+```
+.
+├── solution.py          # основной скрипт с реализацией агента
+└── README.md            # эта документация
+```
+
+`solution.py` содержит:
+1. Конфигурацию подключения к Qdrant и Ollama.  
+2. Два инструмента (`search_knowledge_base`, `add_to_knowledge_base`) – реализованы через декоратор `@tool`.  
+3. Логику чанкования с помощью `RecursiveCharacterTextSplitter`.  
+4. Создание агента, который использует LLM и инструменты для RAG‑обратной связи.
+
+---
 
 ## Запуск
 
 ```bash
-python solution.py --help
+python solution.py
 ```
 
-### Основные команды
-
-| Флаг | Описание |
-|------|----------|
-| `--add FILE` | Добавить документ из файла в базу знаний |
-| `--search QUERY [--max N]` | Выполнить семантический поиск по базе |
-| `--agent` | Запустить интерактивного агента, который сам будет использовать RAG |
-
-#### Пример добавления документа
+> Скрипт запускает интерактивный режим: пользователь вводит запрос, агент отвечает, используя найденные векторные документы.  
+> Для тестирования можно добавить примерный документ:
 
 ```bash
-python solution.py --add docs/guide.txt
+python solution.py --add "title=Python Basics" --content="Python is a high-level programming language..."
 ```
 
-#### Пример поиска
+---
+
+## Пример использования
+
+### 1. Добавление документа
 
 ```bash
-python solution.py --search "Как настроить Qdrant?" --max 5
+python solution.py add \
+    --title "Python Basics" \
+    --content "Python is a high-level, interpreted, general-purpose programming language. Created by Guido van Rossum and first released in 1991."
 ```
 
-#### Запуск интерактивного агента
+> После выполнения команда добавит документ в коллекцию `knowledge_base` и выведет сообщение об успехе.
+
+### 2. Поиск по базе
 
 ```bash
-python solution.py --agent
+python solution.py query "What is Python?"
 ```
 
-После запуска агент будет ждать ваших вопросов и отвечать, используя найденную информацию из базы.
+> Агент выполнит семантический поиск, найдёт релевантные чанки и сформирует ответ с использованием LLM.
 
-## Пример использования в коде
+---
 
-```python
-from langchain_ollama import ChatOllama
-from langchain_qdrant import QdrantVectorStore
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain.tools import tool
-from langchain.agents import create_agent, AgentExecutor, Tool
-from langchain.schema import Document
+## Как это работает (техническое резюме)
 
-# Инициализация клиента Qdrant
-store = QdrantVectorStore(
-    url="http://localhost:6333",
-    collection_name="knowledge_base",
-    embedding_function=OllamaEmbeddings(model="nomic-embed-text")
-)
+1. **Чанкование** – `RecursiveCharacterTextSplitter` разбивает большие тексты на части длиной до 1000 символов с перекрытием 200.
+2. **Эмбеддинг** – каждая часть преобразуется в эмбеддинги через Ollama (`nomic-embed-text`) и сохраняется в Qdrant.
+3. **Поиск** – при запросе агент использует `search_knowledge_base`, который ищет ближайшие векторы в коллекции, возвращая топ‑N документов.
+4. **Ответ** – LLM (`llama3`) генерирует финальный ответ, опираясь на найденные документы.
 
-# Чанкинг текста
-splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
-docs = splitter.split_text("Многострочный текст...")
+---
 
-# Добавление в базу
-store.add_documents([Document(page_content=d) for d in docs])
+## Расширение проекта
 
-# Поиск
-results = store.similarity_search_with_score("Как настроить Qdrant?", k=3)
+- Добавить поддержку нескольких моделей Ollama.  
+- Интегрировать хранение метаданных (дата добавления, автор).  
+- Реализовать удаление/обновление документов через инструменты.  
+- Создать веб‑интерфейс на FastAPI для удобного взаимодействия.
 
-for doc, score in results:
-    print(f"[{score:.2f}] {doc.page_content[:200]}...")
-```
+---
 
-## Структура проекта
+## Лицензия  
 
-```
-project/
-├── solution.py          # Основной скрипт
-└── docs/                # Пример документов для добавления
-```
-
-## Лицензия
-
-MIT © 2026.
\ No newline at end of file
+MIT License – свободно используйте и модифицируйте код по своему усмотрению.
\ No newline at end of file