127 lines
4.0 KiB
Markdown
127 lines
4.0 KiB
Markdown
# 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 |