Обновить solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/solution.py
This commit is contained in:
@@ -5,17 +5,15 @@
|
||||
solution.py – Агент с RAG‑памятью на базе Qdrant и Ollama.
|
||||
"""
|
||||
|
||||
import os
|
||||
import sys
|
||||
import argparse
|
||||
from pathlib import Path
|
||||
from typing import List, Dict
|
||||
|
||||
from langchain_ollama import ChatOllama, OllamaEmbeddings
|
||||
from langchain_ollama import OllamaEmbeddings
|
||||
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.agents import create_agent
|
||||
from langchain.schema import Document
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
@@ -27,7 +25,7 @@ QDRANT_PORT = 6333
|
||||
COLLECTION_NAME = "knowledge_base"
|
||||
|
||||
EMBEDDING_MODEL = "nomic-embed-text" # Ollama embedding model
|
||||
LLM_MODEL = "llama3" # Ollama LLM
|
||||
LLM_MODEL = "ollama:llama3" # Ollama LLM (формат для create_agent)
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
# Векторное хранилище и вспомогательные функции
|
||||
@@ -56,14 +54,14 @@ class KnowledgeBase:
|
||||
"""
|
||||
Добавляет документ в базу после разбиения на чанки.
|
||||
"""
|
||||
# Разбиваем текст
|
||||
chunks = self.splitter.split_text(content)
|
||||
docs = [
|
||||
Document(page_content=chunk,
|
||||
metadata={"title": title, "source": f"{title} (chunk {i})"})
|
||||
Document(
|
||||
page_content=chunk,
|
||||
metadata={"title": title, "source": f"{title} (chunk {i})"}
|
||||
)
|
||||
for i, chunk in enumerate(chunks)
|
||||
]
|
||||
# Добавляем в Qdrant
|
||||
self.store.add_documents(docs)
|
||||
|
||||
def search(self, query: str, max_results: int = 5) -> List[Dict]:
|
||||
@@ -74,24 +72,27 @@ class KnowledgeBase:
|
||||
results = self.store.similarity_search_with_score(query, k=max_results)
|
||||
output = []
|
||||
for doc, score in results:
|
||||
out = {
|
||||
output.append({
|
||||
"score": score,
|
||||
"title": doc.metadata.get("title", ""),
|
||||
"source": doc.metadata.get("source", ""),
|
||||
"content": doc.page_content
|
||||
}
|
||||
output.append(out)
|
||||
"content": doc.page_content,
|
||||
})
|
||||
return output
|
||||
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
# Глобальный экземпляр базы знаний
|
||||
# --------------------------------------------------------------------------- #
|
||||
|
||||
kb = KnowledgeBase()
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
# Инструменты для агента
|
||||
# --------------------------------------------------------------------------- #
|
||||
|
||||
kb = KnowledgeBase()
|
||||
|
||||
@tool
|
||||
def search_knowledge_base(query: str, max_results: int) -> str:
|
||||
def search_knowledge_base(query: str, max_results: int = 5) -> str:
|
||||
"""
|
||||
Поиск в базе знаний.
|
||||
Возвращает строку с найденными результатами в формате Markdown.
|
||||
@@ -101,7 +102,9 @@ def search_knowledge_base(query: str, max_results: int) -> str:
|
||||
return "Ничего не найдено."
|
||||
lines = []
|
||||
for r in results:
|
||||
lines.append(f"**{r['title']}** ({r['source']}) – {r['score']:.2f}\n> {r['content'][:200]}...")
|
||||
lines.append(
|
||||
f"**{r['title']}** ({r['source']}) – {r['score']:.2f}\n> {r['content'][:200]}..."
|
||||
)
|
||||
return "\n\n".join(lines)
|
||||
|
||||
|
||||
@@ -118,36 +121,24 @@ def add_to_knowledge_base(content: str, title: str) -> str:
|
||||
# Создание агента
|
||||
# --------------------------------------------------------------------------- #
|
||||
|
||||
def build_agent() -> AgentExecutor:
|
||||
def build_agent():
|
||||
"""
|
||||
Возвращает готовый агент с инструментами RAG‑памяти.
|
||||
Используется актуальный API: create_agent(model, tools, system_prompt).
|
||||
"""
|
||||
system_prompt = (
|
||||
"Ты – интеллектуальный ассистент, который использует локальную базу знаний. "
|
||||
"При ответе на запросы сначала ищи релевантную информацию в базе через tool "
|
||||
"`search_knowledge_base`. Если нужна новая информация, добавляй её через "
|
||||
"При ответе на запросы сначала ищи релевантную информацию в базе через инструмент "
|
||||
"`search_knowledge_base`. Если нужно сохранить новую информацию, добавляй её через "
|
||||
"`add_to_knowledge_base`."
|
||||
)
|
||||
tools = [
|
||||
Tool.from_function(
|
||||
func=search_knowledge_base,
|
||||
name="search_knowledge_base",
|
||||
description="Семантический поиск в базе знаний. Вход: query, max_results. Выход: Markdown с результатами."
|
||||
),
|
||||
Tool.from_function(
|
||||
func=add_to_knowledge_base,
|
||||
name="add_to_knowledge_base",
|
||||
description="Добавить новый документ в базу знаний. Вход: content, title. Выход: подтверждение."
|
||||
)
|
||||
]
|
||||
llm = ChatOllama(model=LLM_MODEL)
|
||||
|
||||
agent = create_agent(
|
||||
llm=llm,
|
||||
tools=tools,
|
||||
LLM_MODEL,
|
||||
tools=[search_knowledge_base, add_to_knowledge_base],
|
||||
system_prompt=system_prompt,
|
||||
verbose=True
|
||||
)
|
||||
return AgentExecutor(agent=agent, tools=tools, verbose=True)
|
||||
return agent
|
||||
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
@@ -171,7 +162,7 @@ def load_documents_from_dir(directory: Path) -> None:
|
||||
# CLI клиент
|
||||
# --------------------------------------------------------------------------- #
|
||||
|
||||
def interactive_cli(agent_executor: AgentExecutor) -> None:
|
||||
def interactive_cli(agent) -> None:
|
||||
"""
|
||||
Простая REPL‑интерфейс с командами /add, /search и /quit.
|
||||
Любой другой ввод считается запросом к агенту.
|
||||
@@ -193,9 +184,9 @@ def interactive_cli(agent_executor: AgentExecutor) -> None:
|
||||
if inp.lower() == "/quit":
|
||||
break
|
||||
|
||||
if inp.startswith("/add "):
|
||||
elif inp.startswith("/add "):
|
||||
title = inp[5:].strip()
|
||||
print("Введите содержимое документа (конец строки с EOF Ctrl+D):")
|
||||
print("Введите содержимое документа (завершите ввод Ctrl+D / Ctrl+Z):")
|
||||
try:
|
||||
content_lines = []
|
||||
while True:
|
||||
@@ -204,7 +195,7 @@ def interactive_cli(agent_executor: AgentExecutor) -> None:
|
||||
except EOFError:
|
||||
pass
|
||||
content = "\n".join(content_lines)
|
||||
result = add_to_knowledge_base(content, title)
|
||||
result = add_to_knowledge_base.invoke({"content": content, "title": title})
|
||||
print(result)
|
||||
|
||||
elif inp.startswith("/search "):
|
||||
@@ -216,10 +207,17 @@ def interactive_cli(agent_executor: AgentExecutor) -> None:
|
||||
for r in results:
|
||||
print(f"\n**{r['title']}** ({r['source']}) – {r['score']:.2f}")
|
||||
print(r["content"][:400] + "...")
|
||||
|
||||
else:
|
||||
# Любой другой ввод – запрос к агенту
|
||||
response = agent_executor.invoke({"input": inp})
|
||||
print(response.get("output", ""))
|
||||
# Актуальный API: invoke принимает {"messages": [...]}
|
||||
result = agent.invoke(
|
||||
{"messages": [{"role": "user", "content": inp}]}
|
||||
)
|
||||
# Извлекаем текст последнего сообщения агента
|
||||
messages = result.get("messages", [])
|
||||
if messages:
|
||||
print(messages[-1].content)
|
||||
|
||||
|
||||
# --------------------------------------------------------------------------- #
|
||||
@@ -238,8 +236,8 @@ def main() -> None:
|
||||
if args.load_dir:
|
||||
load_documents_from_dir(Path(args.load_dir))
|
||||
|
||||
agent_executor = build_agent()
|
||||
interactive_cli(agent_executor)
|
||||
agent = build_agent()
|
||||
interactive_cli(agent)
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
|
||||
Reference in New Issue
Block a user