Проект реализует AI‑агента, способного хранить, искать и использовать знания в локальной векторной базе данных Qdrant при помощи Ollama (LLM llama3 и эмбеддинг‑модель nomic-embed-text).
Агент использует LangChain для построения цепочки действий, а также предоставляет два инструмента:

Инструмент	Описание
`search_knowledge_base(query, max_results)`	Семантический поиск по базе знаний.
`add_to_knowledge_base(content, title)`	Добавление нового документа в базу (с чанкингом и эмбеддингами).

Стек технологий

Python 3.10+
Qdrant – локальная векторная база данных
Ollama – LLM llama3 + эмбеддинги nomic-embed-text
LangChain – фреймворк для агентов, RAG и инструментов

Установка зависимостей

# 1. Ollama (LLM и эмбеддинг‑модели)
ollama pull llama3
ollama pull nomic-embed-text

# 2. Python пакеты
pip install langchain langchain-qdrant langchain-ollama

Важно: Qdrant должен быть запущен локально (по умолчанию на localhost:6333).
Если вы используете Docker, можно быстро поднять контейнер:
docker run -p 6333:6333 qdrant/qdrant

Структура проекта

Файл	Описание
`rag_agent.py`	Основная логика агента и его инструменты.
`qdrant_client.py`	Обёртка над QdrantVectorStore: инициализация, добавление документов, поиск.
`chunker.py`	Модуль для разбиения текста на чанки (RecursiveCharacterTextSplitter).
`init_loader.py`	Скрипт загрузки начальных данных в базу.
`cli_client.py`	CLI‑интерфейс для взаимодействия с агентом из командной строки.

Как запустить

1. Инициализация базы (опционально)

Если вы хотите сразу наполнить базу тестовыми данными, выполните:

python init_loader.py

Скрипт init_loader.py читает файлы из папки data/, разбивает их на чанки и сохраняет в Qdrant.

2. Запуск CLI‑клиента

CLI позволяет задавать вопросы агенту, а также добавлять новые документы:

python cli_client.py

Примеры использования

Команда	Описание
`ask "Какой смысл жизни?"`	Агент выполнит поиск в базе и сформирует ответ.
`add "data/new_doc.txt" "Новый документ"`	Добавляет новый файл в базу знаний (с чанкингом).

3. Запуск агента напрямую

Если вам нужен только агент без CLI, можно импортировать его из rag_agent.py:

from rag_agent import agent_executor

response = agent_executor.invoke({"input": "Расскажи о Qdrant"})
print(response["output"])

Пример кода (CLI)

$ python cli_client.py ask "Что такое RAG?"
Agent: Searching knowledge base...
Result: ...
Answer: ...

Настройка переменных окружения

Переменная	Значение по умолчанию	Описание
`QDRANT_HOST`	`localhost`	Хост Qdrant.
`QDRANT_PORT`	`6333`	Порт Qdrant.
`QDRANT_COLLECTION`	`rag_collection`	Имя коллекции в Qdrant.
`EMBEDDING_MODEL`	`nomic-embed-text`	Модель эмбеддингов.
`LLM_MODEL`	`llama3`	Модель LLM.

Тесты

Тесты находятся в папке tests/. Запустить их можно так:

pytest tests/

Убедитесь, что Qdrant и Ollama запущены перед запуском тестов.

Лицензия

MIT License – см. файл LICENSE.

Примечание:

Для работы с большим объёмом данных рекомендуется использовать более мощные модели эмбеддингов и LLM.
Если вы хотите использовать облачные сервисы вместо локальных, замените импорты и конфигурацию в файлах проекта.

README.md Unescape Escape

Агент с RAG‑памятью

Описание проекта