# Агент с RAG‑памятью

## Описание проекта  
Проект реализует **AI‑агента**, способного хранить и извлекать знания из локальной векторной базы данных Qdrant, используя модели Ollama (`llama3` для генерации текста и `nomic-embed-text` для эмбеддингов). Агент использует LangChain для построения цепочки инструментов (RAG) и взаимодействия с пользователем.

> **Ключевые возможности**  
> * Семантический поиск по базе знаний.  
> * Добавление новых документов в базу.  
> * Чанкование больших текстов перед сохранением.  
> * Интеграция LLM для генерации ответов на основе найденной информации.

---

## Стек технологий  

| Технология | Версия / Пакет |
|------------|----------------|
| Python     | 3.10+          |
| Qdrant     | v1.x (локальный сервер) |
| Ollama     | `llama3`, `nomic-embed-text` |
| LangChain  | `langchain`, `langchain-qdrant`, `langchain-ollama` |

---

## Установка зависимостей  

```bash
# 1. Скачиваем модели Ollama
ollama pull llama3
ollama pull nomic-embed-text

# 2. Устанавливаем Python‑пакеты
pip install langchain langchain-qdrant langchain-ollama
```

> **Важно**  
> * Qdrant должен быть запущен локально (по умолчанию `localhost:6333`).  
> * Ollama сервис также должен работать в фоне.

---

## Структура проекта  

```
.
├── solution.py          # основной скрипт с реализацией агента
└── README.md            # эта документация
```

`solution.py` содержит:
1. Конфигурацию подключения к Qdrant и Ollama.  
2. Два инструмента (`search_knowledge_base`, `add_to_knowledge_base`) – реализованы через декоратор `@tool`.  
3. Логику чанкования с помощью `RecursiveCharacterTextSplitter`.  
4. Создание агента, который использует LLM и инструменты для RAG‑обратной связи.

---

## Запуск

```bash
python solution.py
```

> Скрипт запускает интерактивный режим: пользователь вводит запрос, агент отвечает, используя найденные векторные документы.  
> Для тестирования можно добавить примерный документ:

```bash
python solution.py --add "title=Python Basics" --content="Python is a high-level programming language..."
```

---

## Пример использования

### 1. Добавление документа

```bash
python solution.py add \
    --title "Python Basics" \
    --content "Python is a high-level, interpreted, general-purpose programming language. Created by Guido van Rossum and first released in 1991."
```

> После выполнения команда добавит документ в коллекцию `knowledge_base` и выведет сообщение об успехе.

### 2. Поиск по базе

```bash
python solution.py query "What is Python?"
```

> Агент выполнит семантический поиск, найдёт релевантные чанки и сформирует ответ с использованием LLM.

---

## Как это работает (техническое резюме)

1. **Чанкование** – `RecursiveCharacterTextSplitter` разбивает большие тексты на части длиной до 1000 символов с перекрытием 200.
2. **Эмбеддинг** – каждая часть преобразуется в эмбеддинги через Ollama (`nomic-embed-text`) и сохраняется в Qdrant.
3. **Поиск** – при запросе агент использует `search_knowledge_base`, который ищет ближайшие векторы в коллекции, возвращая топ‑N документов.
4. **Ответ** – LLM (`llama3`) генерирует финальный ответ, опираясь на найденные документы.

---

## Расширение проекта

- Добавить поддержку нескольких моделей Ollama.  
- Интегрировать хранение метаданных (дата добавления, автор).  
- Реализовать удаление/обновление документов через инструменты.  
- Создать веб‑интерфейс на FastAPI для удобного взаимодействия.

---

## Лицензия  

MIT License – свободно используйте и модифицируйте код по своему усмотрению.