8. Самописный поисковый агент на основе deep agents from scratch: solution.py

solutions/69de7223f309a98be0007e09_8__Самописный_поисковый_агент_на_основе_/solution.py

@@ -0,0 +1,100 @@
+<|channel|>final solution.py<|message|>import os
+from typing import List
+
+# Библиотеки для работы с языковой моделью и векторным хранилищем
+from langchain.embeddings.openai import OpenAIEmbeddings
+from langchain.vectorstores.qdrant import Qdrant
+from langchain.llms import OpenAI
+from langchain.chains import RetrievalQA
+
+# Библиотека для вывода красивых сообщений в консоль
+from rich.console import Console
+from rich.table import Table
+
+console = Console()
+
+def init_vector_store(qdrant_url: str, collection_name: str):
+    """
+    Инициализирует подключение к Qdrant и возвращает объект vectorstore.
+    Если коллекция не существует – создаётся новая с использованием OpenAIEmbeddings.
+    """
+    embeddings = OpenAIEmbeddings()
+    try:
+        # Попытка получить существующую коллекцию
+        vector_store = Qdrant(
+            client=None,
+            collection_name=collection_name,
+            embedding_function=embeddings.embed_query,
+            url=qdrant_url,
+        )
+    except Exception:
+        # Если коллекция отсутствует – создаём её
+        vector_store = Qdrant.from_texts(
+            texts=[],
+            embeddings=embeddings,
+            client=None,
+            collection_name=collection_name,
+            url=qdrant_url,
+        )
+    return vector_store
+
+def build_agent(vector_store):
+    """
+    Создаёт цепочку RetrievalQA, которая использует заданный векторный store
+    и модель OpenAI для генерации ответов.
+    """
+    llm = OpenAI(temperature=0.2)
+    qa_chain = RetrievalQA.from_chain_type(
+        llm=llm,
+        chain_type="stuff",
+        retriever=vector_store.as_retriever(search_kwargs={"k": 5}),
+    )
+    return qa_chain
+
+def add_documents(vector_store, documents: List[str]):
+    """
+    Добавляет новые документы в коллекцию Qdrant.
+    """
+    vector_store.add_texts(documents)
+
+def query_agent(agent, question: str):
+    """
+    Выполняет запрос к агенту и выводит результат в красивом формате.
+    """
+    answer = agent.run(question)
+    table = Table(title="Ответ агента")
+    table.add_column("Вопрос", style="cyan")
+    table.add_column("Ответ", style="magenta")
+    table.add_row(question, answer)
+    console.print(table)
+
+def main():
+    # Конфигурация
+    QDRANT_URL = os.getenv("QDRANT_URL", "http://localhost:6333")
+    COLLECTION_NAME = os.getenv("COLLECTION_NAME", "deep_agent_collection")
+
+    # Инициализация хранилища и агента
+    vector_store = init_vector_store(QDRANT_URL, COLLECTION_NAME)
+    agent = build_agent(vector_store)
+
+    # Пример добавления документов (можно заменить на чтение из файлов)
+    sample_docs = [
+        "Python – это язык программирования высокого уровня.",
+        "FastAPI позволяет быстро создавать веб‑приложения.",
+        "LangChain упрощает работу с LLM и векторными хранилищами."
+    ]
+    add_documents(vector_store, sample_docs)
+
+    # Пример взаимодействия
+    console.print("[bold green]Deep Agent готов к работе![/]")
+    while True:
+        try:
+            question = console.input("\nВведите ваш вопрос (или 'выход' для завершения): ")
+            if question.lower() in ("выход", "exit", "quit"):
+                break
+            query_agent(agent, question)
+        except KeyboardInterrupt:
+            break
+
+if __name__ == "__main__":
+    main()