Агент с RAG-памятью: README.md

solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG-памятью/README.md

@@ -0,0 +1,127 @@
+# Агент с RAG‑памятью
+
+**Агент** – это небольшое веб‑приложение на FastMCP, которое использует Retrieval‑Augmented Generation (RAG) для ответа на вопросы пользователя.  
+Векторное хранилище реализовано через Qdrant, а генерация текста выполняется моделью OpenAI.
+
+---
+
+## 📦 Установка зависимостей
+
+```bash
+# Создайте виртуальное окружение (рекомендуется)
+python -m venv .venv
+source .venv/bin/activate   # Windows: .venv\Scripts\activate
+
+# Установите зависимости из requirements.txt
+pip install -r requirements.txt
+```
+
+`requirements.txt` содержит:
+
+```text
+fastmcp==0.1.2          # лёгкий веб‑фреймворк
+langchain==0.2.0        # библиотека для LLM и RAG
+openai==1.3.5           # клиент OpenAI
+qdrant-client==1.7.0    # клиент Qdrant
+rich==13.6.0            # красивый вывод в консоль
+```
+
+> **Важно**:  
+> - Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.  
+> - Если вы используете удалённый сервер Qdrant, задайте `QDRANT_HOST` и `QDRANT_PORT`.
+
+---
+
+## 🚀 Запуск
+
+### 1️⃣ Подготовка данных (опционально)
+
+Если у вас ещё нет коллекции `rag_memory`, добавьте документы:
+
+```python
+from langchain.document_loaders import TextLoader
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+from langchain.vectorstores.qdrant import Qdrant
+
+loader = TextLoader("path/to/your/docs.txt")
+docs = loader.load()
+text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
+texts = text_splitter.split_documents(docs)
+
+embeddings = OpenAIEmbeddings(openai_api_key=os.getenv("OPENAI_API_KEY"))
+qdrant_store.add_texts(texts, embeddings=embeddings)
+```
+
+> Запустите этот скрипт один раз – он создаст коллекцию в Qdrant.
+
+### 2️⃣ Запуск сервера
+
+```bash
+python solution.py
+```
+
+Сервер будет доступен по умолчанию на `http://localhost:8000`.
+
+---
+
+## 📄 API
+
+| Метод | Путь | Описание |
+|-------|------|----------|
+| `GET /` | Главная страница | Возвращает простое приветствие. |
+| `POST /ask` | Вопрос к агенту | Принимает JSON `{ "question": "<текст>" }`. Возвращает ответ и список релевантных документов. |
+
+### Пример запроса
+
+```bash
+curl -X POST http://localhost:8000/ask \
+     -H "Content-Type: application/json" \
+     -d '{"question":"Какой сегодня день недели?"}'
+```
+
+Ответ:
+
+```json
+{
+  "answer": "Сегодня четверг.",
+  "documents": [
+    {
+      "content": "...",
+      "metadata": { ... }
+    },
+    ...
+  ]
+}
+```
+
+---
+
+## 🧪 Пример использования в коде
+
+```python
+import requests
+
+question = "Кто написал «Войну и мир»?"
+response = requests.post(
+    "http://localhost:8000/ask",
+    json={"question": question}
+)
+data = response.json()
+print("Ответ:", data["answer"])
+for doc in data["documents"]:
+    print("-" * 40)
+    print(doc["content"][:200])   # первые 200 символов
+```
+
+---
+
+## 📚 Что дальше?
+
+- Добавьте собственные документы в коллекцию Qdrant.  
+- Настройте `temperature` и другие параметры модели OpenAI для более креативных ответов.  
+- Расширьте API, например, добавив авторизацию или хранение истории диалогов.
+
+--- 
+
+**Автор:** *Ваше имя*  
+**Дата:** 2026‑05‑28