Files

T

mariahberdnikova b68eb03497 revert 96911dcdb9

revert Delete directory 'solutions'

2026-05-27 07:54:07 +00:00

5.8 KiB

Raw Blame History

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

Инициализируйте базу знаний (если ещё не сделано):
```
python init_loader.py
```
Запустите CLI‑клиент:
```
python cli_client.py
```

Взаимодействуйте с агентом:

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

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)

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`.

5.8 KiB Raw Blame History Unescape Escape