8. Самописный поисковый агент на основе deep agents from scratch: README.md

solutions/69de7223f309a98be0007e09_8__Самописный_поисковый_агент_на_основе_/README.md

@@ -0,0 +1,106 @@
+# 8. Самописный поисковый агент на основе deep agents from scratch
+
+## Описание проекта
+Проект реализует **deep agent** – автономного поискового агента, который использует:
+- **OpenAI LLM** для генерации ответов и запросов к базе знаний.
+- **Qdrant** в качестве векторного хранилища для быстрых семантических поисков.
+- **LangChain** для упрощения взаимодействия между компонентами (LLM, embeddings, vector store).
+- **Rich** для красивого вывода информации в консоли.
+
+Агент умеет:
+1. Загружать документы и сохранять их эмбеддинги в Qdrant.
+2. Выполнять запросы пользователя, находить релевантные фрагменты текста и генерировать ответы на основе LLM.
+3. Показать результаты поиска в виде таблицы с метриками.
+
+> **Важно**: Для работы проекта необходим доступ к API OpenAI (ключ `OPENAI_API_KEY`) и работающий экземпляр Qdrant, который можно запустить локально через Docker или использовать облачный сервис.
+
+---
+
+## Установка зависимостей
+
+```bash
+# Создайте виртуальное окружение (необязательно)
+python -m venv .venv
+source .venv/bin/activate   # Windows: .venv\Scripts\activate
+
+# Установите зависимости из requirements.txt
+pip install -r requirements.txt
+```
+
+`requirements.txt`:
+
+```text
+langchain==0.2.*
+openai==1.*
+qdrant-client==1.*
+rich==13.*
+python-dotenv==1.*
+```
+
+> **Совет**: Если вы используете `pipx`, можно установить проект как глобальный пакет.
+
+---
+
+## Как запустить
+
+### 1. Настройка переменных окружения
+Создайте файл `.env` в корне проекта и добавьте:
+
+```dotenv
+OPENAI_API_KEY=sk-XXXXXXXXXXXXXXXXXXXX
+QDRANT_URL=http://localhost:6333   # URL вашего Qdrant сервера
+COLLECTION_NAME=my_collection       # Имя коллекции для хранения эмбеддингов
+```
+
+> **Важно**: Убедитесь, что Qdrant запущен и доступен по указанному URL.
+
+### 2. Запуск скрипта
+
+```bash
+python solution.py
+```
+
+Скрипт выполнит следующие шаги:
+1. Инициализирует подключение к Qdrant.
+2. Загружает документы из папки `data/` (если она существует) и сохраняет их эмбеддинги.
+3. Ожидает ввод пользователя в консоли, после чего выполняет поиск и выводит ответ.
+
+---
+
+## Пример использования
+
+```bash
+$ python solution.py
+[INFO] 2026-05-27 12:00:00 - Инициализация Qdrant...
+[INFO] 2026-05-27 12:00:01 - Коллекция 'my_collection' найдена.
+Введите запрос (или 'exit' для выхода): Какова площадь России?
+Ответ:
+Россия занимает площадь около 17 098 242 км², что делает её крупнейшей страной мира по территории.
+
+[INFO] 2026-05-27 12:00:10 - Запрос обработан за 0.42 сек.
+Введите запрос (или 'exit' для выхода): exit
+```
+
+> **Tip**: Если вы хотите добавить новые документы, поместите их в папку `data/` и перезапустите скрипт – он автоматически обновит коллекцию.
+
+---
+
+## Структура проекта
+
+```text
+project/
+├─ solution.py          # Основной скрипт агента
+├─ requirements.txt     # Зависимости
+├─ .env                 # Переменные окружения (не коммитить!)
+└─ data/                # Папка с документами для индексации
+```
+
+---
+
+## Возможные улучшения
+
+- Добавить поддержку нескольких LLM (например, GPT‑4o).
+- Реализовать кэширование запросов.
+- Интегрировать с веб‑интерфейсом через FastAPI.
+
+---