dz/solutions/6a02e23da6fe2e4ac16acf65_Агент_с_RAG_памятью/README.md

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

# 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:

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.

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).

python qdrant_client.py

---

3️⃣ chunker.py

Показывает, как разбивается текст на чанки.

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:

python init_loader.py

---

5️⃣ cli_client.py

CLI‑интерфейс для общения с агентом.

python cli_client.py

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

Пример использования

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

   python init_loader.py
   

2. Запустите CLI‑клиент:

   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):

   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:

   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

# 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

---