# Агент с RAG‑памятью

## Описание проекта
Проект реализует **AI‑агента**, способного хранить и извлекать знания из локальной векторной базы Qdrant при помощи Ollama (LLM + эмбеддинги).  
Основные возможности:

- Семантический поиск по базе знаний (`search_knowledge_base`).
- Добавление новых документов в базу (`add_to_knowledge_base`).
- Автоматическое разбиение больших текстов на чанки.
- Интеграция с LangChain для создания агента, использующего RAG‑память.

## Стек технологий
| Технология | Версия | Зачем |
|------------|--------|-------|
| Python | 3.10+ | Язык разработки |
| Qdrant | - | Векторная база данных |
| Ollama | - | Локальные LLM и эмбеддинги (`llama3`, `nomic-embed-text`) |
| LangChain | - | Фреймворк для агентов, RAG и инструментов |

## Установка зависимостей

```bash
# 1️⃣ Установить Ollama (если ещё не установлен)
# https://ollama.com/download

# Загрузить модели
ollama pull llama3
ollama pull nomic-embed-text

# 2️⃣ Создать виртуальное окружение и установить Python‑пакеты
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

pip install --upgrade pip
pip install langchain langchain-qdrant langchain-ollama
```

> **Важно**  
> Qdrant должен быть запущен локально (по умолчанию `http://localhost:6333`).  
> Если у вас нет Docker‑образа, можно установить его через:
> ```bash
> docker run -p 6333:6333 qdrant/qdrant
> ```

## Структура проекта

| Файл | Описание |
|------|----------|
| `rag_agent.py` | Основная логика агента и RAG‑инструментов. |
| `qdrant_client.py` | Обёртка над QdrantVectorStore (инициализация, добавление, поиск). |
| `chunker.py` | Модуль разбиения текста на чанки. |
| `init_loader.py` | Скрипт для первичной загрузки документов в базу. |
| `cli_client.py` | CLI‑интерфейс для взаимодействия с агентом. |

## Как запустить каждый файл

### 1️⃣ `rag_agent.py`
Файл содержит самих инструментов и пример их использования.

```bash
python rag_agent.py
```

> Вы увидите вывод о работе инструментов: добавление документа, поиск по запросу и ответ агента.

---

### 2️⃣ `qdrant_client.py`
Пример работы с клиентом Qdrant (добавление/поиск).

```bash
python qdrant_client.py
```

---

### 3️⃣ `chunker.py`
Показывает, как разбивается текст на чанки.

```bash
python chunker.py
```

---

### 4️⃣ `init_loader.py`
Загружает все файлы из папки `data/` в базу знаний.  
Создайте каталог `data/`, поместите туда `.txt` или `.pdf` файлы, затем:

```bash
python init_loader.py
```

---

### 5️⃣ `cli_client.py`
CLI‑интерфейс для общения с агентом.

```bash
python cli_client.py
```

> Введите любой вопрос, и агент ответит, используя RAG‑память.

## Пример использования

1. **Инициализируйте базу знаний** (если ещё не сделано):

   ```bash
   python init_loader.py
   ```

2. **Запустите CLI‑клиент**:

   ```bash
   python cli_client.py
   ```

3. **Взаимодействуйте с агентом**:

   ```
   > Какой был первый президент России?
   Ответ: Первый президент Российской Федерации — Борис Ельцин.
   ```

4. **Добавьте новый документ вручную** (через `rag_agent.py` или любой другой скрипт):

   ```python
   from rag_agent import add_to_knowledge_base

   content = "Python – язык программирования, созданный Гвидо ван Россумом."
   title = "О Python"
   add_to_knowledge_base(content=content, title=title)
   ```

5. **Проверьте поиск**:

   ```python
   from rag_agent import search_knowledge_base

   results = search_knowledge_base(query="что такое python", max_results=3)
   for r in results:
       print(r.page_content[:200])
   ```

## Тесты и отладка

```bash
# Установить pytest (если нужен)
pip install pytest

# Запустить тесты (если есть)
pytest tests/
```

> В проекте пока нет автоматических тестов, но вы можете добавить их в папку `tests/`.

## FAQ

| Вопрос | Ответ |
|--------|-------|
| **Как изменить модель Ollama?** | Измените параметр `model` в `OllamaEmbeddings` и `OllamaLLM`. |
| **Можно ли использовать удалённый Qdrant?** | Да, укажите нужный URL при создании `KnowledgeBase`. |
| **Что делать, если база пустая?** | Запустите `init_loader.py` или добавьте документы через `add_to_knowledge_base`. |

## Лицензия
MIT © 2026

---