From d022845e8238589f3ee0550381655c6f580c359b Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?=D0=9C=D0=B0=D1=80=D0=B8=D1=8F=20=D0=91=D0=B5=D1=80=D0=B4?=
 =?UTF-8?q?=D0=BD=D0=B8=D0=BA=D0=BE=D0=B2=D0=B0?=
 <mariahberdnikova@yandex.ru>
Date: Thu, 28 May 2026 09:21:46 +0000
Subject: [PATCH] =?UTF-8?q?=D0=90=D0=B3=D0=B5=D0=BD=D1=82=20=D1=81=20RAG-?=
 =?UTF-8?q?=D0=BF=D0=B0=D0=BC=D1=8F=D1=82=D1=8C=D1=8E:=20README.md?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 README.md | 109 +++++++++++++++++++++++++++++++++++++++++++++++++++++-
 1 file changed, 107 insertions(+), 2 deletions(-)

diff --git a/README.md b/README.md
index 9d2cd67..7457764 100644
--- a/README.md
+++ b/README.md
@@ -1,3 +1,108 @@
-# task-6a02e23d-agent-s-rag-pamyatyu
+# Агент с RAG‑памятью
 
-Решения домашних заданий
\ No newline at end of file
+## Описание проекта
+Проект реализует **RAG‑агента** (Retrieval‑Augmented Generation) на базе FastAPI и LangChain, который хранит документы векторно в Qdrant и использует OpenAI GPT‑4 для генерации ответов.  
+- Векторизатор: `OpenAIEmbeddings`  
+- Хранилище: `Qdrant` (локальный сервер или облачный)  
+- Генерация: `ChatOpenAI` (GPT‑4, температура = 0)  
+
+API предоставляет один эндпоинт `/ask`, принимающий вопрос и возвращающий ответ, сформированный на основе найденных векторных документов.
+
+## 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`
+```text
+fastapi
+uvicorn[standard]
+pydantic
+langchain
+openai
+qdrant-client
+rich
+```
+
+> **Важно**  
+> 1. Запустите сервер Qdrant (локально: `docker run -p 6333:6333 qdrant/qdrant`, облачно – получите URL).  
+> 2. Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI.
+
+## Конфигурация
+```bash
+export QDRANT_URL="http://localhost:6333"          # адрес сервера Qdrant (по умолчанию)
+export QDRANT_COLLECTION="rag_memory"             # имя коллекции в Qdrant
+export OPENAI_API_KEY="sk-..."                    # ваш ключ OpenAI
+```
+
+## Запуск приложения
+```bash
+uvicorn solution:app --reload
+```
+После запуска приложение будет доступно по адресу `http://127.0.0.1:8000`.  
+Swagger UI можно открыть в браузере по `/docs`.
+
+## Эндпоинты
+
+| Метод | Путь | Описание |
+|-------|------|----------|
+| POST  | /ask | Принимает JSON с полем `question` (строка) и возвращает ответ GPT‑4. |
+
+### Пример запроса
+```bash
+curl -X POST "http://127.0.0.1:8000/ask" \
+     -H "Content-Type: application/json" \
+     -d '{"question":"Какой у меня возраст?"}'
+```
+
+### Ожидаемый ответ
+```json
+{
+  "answer": "Ваш возраст составляет 30 лет."
+}
+```
+
+## Как добавить документы в память
+
+Для того чтобы агент мог отвечать на вопросы, необходимо загрузить документы в Qdrant. Это можно сделать вручную через API Qdrant или написать скрипт:
+
+```python
+from langchain.document_loaders import TextLoader
+from langchain.embeddings.openai import OpenAIEmbeddings
+from langchain.vectorstores.qdrant import Qdrant
+
+embeddings = OpenAIEmbeddings(openai_api_key=OPENAI_API_KEY)
+vectorstore = Qdrant(
+    client=None,
+    collection_name="rag_memory",
+    embeddings=embeddings,
+    url="http://localhost:6333"
+)
+
+loader = TextLoader("path/to/your/document.txt")
+docs = loader.load()
+vectorstore.add_documents(docs)
+```
+
+После добавления документов агент сможет использовать их при генерации ответов.
+
+## Пример использования в коде
+```python
+import requests
+
+response = requests.post(
+    "http://127.0.0.1:8000/ask",
+    json={"question": "Что такое RAG?"}
+)
+print(response.json()["answer"])
+```
+
+---
+
+**Автор:** [Ваше имя]  
+**Дата:** 2026‑05‑28
\ No newline at end of file