# 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