# Агент с RAG‑памятью

## Описание проекта

`solution.py` реализует AI‑агента, способного хранить и извлекать знания из локальной векторной базы Qdrant при помощи Ollama (LLM `llama3` и эмбеддинговая модель `nomic-embed-text`).  
Агент использует LangChain для:

* **RAG** – Retrieval‑Augmented Generation
* Инструменты поиска (`search_knowledge_base`) и добавления (`add_to_knowledge_base`) в базу знаний
* Чанкинга больших документов через `RecursiveCharacterTextSplitter`
* Взаимодействия с Qdrant через `QdrantVectorStore`

## Стек технологий

| Технология | Версия |
|------------|--------|
| Python     | 3.10+  |
| Ollama     | 0.1+   |
| Qdrant     | 1.x    |
| LangChain  | 0.2+   |

## Установка зависимостей

```bash
# 1️⃣ Загрузить модели в Ollama
ollama pull llama3
ollama pull nomic-embed-text

# 2️⃣ Установить Python‑пакеты
pip install langchain langchain-qdrant langchain-ollama
```

> **Важно**  
> Qdrant должен быть запущен локально (по умолчанию `localhost:6333`).  
> Если у вас нет Docker, установите Qdrant через официальную инструкцию:
> ```bash
> docker run -p 6333:6333 qdrant/qdrant
> ```

## Запуск

```bash
python solution.py --help
```

### Основные команды

| Флаг | Описание |
|------|----------|
| `--add FILE` | Добавить документ из файла в базу знаний |
| `--search QUERY [--max N]` | Выполнить семантический поиск по базе |
| `--agent` | Запустить интерактивного агента, который сам будет использовать RAG |

#### Пример добавления документа

```bash
python solution.py --add docs/guide.txt
```

#### Пример поиска

```bash
python solution.py --search "Как настроить Qdrant?" --max 5
```

#### Запуск интерактивного агента

```bash
python solution.py --agent
```

После запуска агент будет ждать ваших вопросов и отвечать, используя найденную информацию из базы.

## Пример использования в коде

```python
from langchain_ollama import ChatOllama
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.schema import Document

# Инициализация клиента Qdrant
store = QdrantVectorStore(
    url="http://localhost:6333",
    collection_name="knowledge_base",
    embedding_function=OllamaEmbeddings(model="nomic-embed-text")
)

# Чанкинг текста
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = splitter.split_text("Многострочный текст...")

# Добавление в базу
store.add_documents([Document(page_content=d) for d in docs])

# Поиск
results = store.similarity_search_with_score("Как настроить Qdrant?", k=3)

for doc, score in results:
    print(f"[{score:.2f}] {doc.page_content[:200]}...")
```

## Структура проекта

```
project/
├── solution.py          # Основной скрипт
└── docs/                # Пример документов для добавления
```

## Лицензия

MIT © 2026.