# Агент с RAG‑памятью

## 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