# Агент с RAG‑памятью

## Описание проекта

Проект реализует **AI‑агента**, способного хранить, искать и использовать знания в локальной векторной базе данных Qdrant при помощи Ollama (LLM `llama3` и эмбеддинг‑модель `nomic-embed-text`).  
Агент использует LangChain для построения цепочки действий, а также предоставляет два инструмента:

| Инструмент | Описание |
|------------|----------|
| `search_knowledge_base(query, max_results)` | Семантический поиск по базе знаний. |
| `add_to_knowledge_base(content, title)` | Добавление нового документа в базу (с чанкингом и эмбеддингами). |

## Стек технологий

- **Python 3.10+**
- **Qdrant** – локальная векторная база данных
- **Ollama** – LLM `llama3` + эмбеддинги `nomic-embed-text`
- **LangChain** – фреймворк для агентов, RAG и инструментов

## Установка зависимостей

```bash
# 1. Ollama (LLM и эмбеддинг‑модели)
ollama pull llama3
ollama pull nomic-embed-text

# 2. Python пакеты
pip install langchain langchain-qdrant langchain-ollama
```

> **Важно**: Qdrant должен быть запущен локально (по умолчанию на `localhost:6333`).  
> Если вы используете Docker, можно быстро поднять контейнер:
> ```bash
> docker run -p 6333:6333 qdrant/qdrant
> ```

## Структура проекта

| Файл | Описание |
|------|----------|
| `rag_agent.py` | Основная логика агента и его инструменты. |
| `qdrant_client.py` | Обёртка над QdrantVectorStore: инициализация, добавление документов, поиск. |
| `chunker.py` | Модуль для разбиения текста на чанки (RecursiveCharacterTextSplitter). |
| `init_loader.py` | Скрипт загрузки начальных данных в базу. |
| `cli_client.py` | CLI‑интерфейс для взаимодействия с агентом из командной строки. |

## Как запустить

### 1. Инициализация базы (опционально)

Если вы хотите сразу наполнить базу тестовыми данными, выполните:

```bash
python init_loader.py
```

> Скрипт `init_loader.py` читает файлы из папки `data/`, разбивает их на чанки и сохраняет в Qdrant.

### 2. Запуск CLI‑клиента

CLI позволяет задавать вопросы агенту, а также добавлять новые документы:

```bash
python cli_client.py
```

#### Примеры использования

| Команда | Описание |
|---------|----------|
| `ask "Какой смысл жизни?"` | Агент выполнит поиск в базе и сформирует ответ. |
| `add "data/new_doc.txt" "Новый документ"` | Добавляет новый файл в базу знаний (с чанкингом). |

### 3. Запуск агента напрямую

Если вам нужен только агент без CLI, можно импортировать его из `rag_agent.py`:

```python
from rag_agent import agent_executor

response = agent_executor.invoke({"input": "Расскажи о Qdrant"})
print(response["output"])
```

## Пример кода (CLI)

```bash
$ python cli_client.py ask "Что такое RAG?"
Agent: Searching knowledge base...
Result: ...
Answer: ...
```

## Настройка переменных окружения

| Переменная | Значение по умолчанию | Описание |
|------------|-----------------------|----------|
| `QDRANT_HOST` | `localhost` | Хост Qdrant. |
| `QDRANT_PORT` | `6333` | Порт Qdrant. |
| `QDRANT_COLLECTION` | `rag_collection` | Имя коллекции в Qdrant. |
| `EMBEDDING_MODEL` | `nomic-embed-text` | Модель эмбеддингов. |
| `LLM_MODEL` | `llama3` | Модель LLM. |

## Тесты

Тесты находятся в папке `tests/`. Запустить их можно так:

```bash
pytest tests/
```

> Убедитесь, что Qdrant и Ollama запущены перед запуском тестов.

## Лицензия

MIT License – см. файл `LICENSE`.

---

**Примечание:**  
- Для работы с большим объёмом данных рекомендуется использовать более мощные модели эмбеддингов и LLM.
- Если вы хотите использовать облачные сервисы вместо локальных, замените импорты и конфигурацию в файлах проекта.

---