commit c07f346a6e84c11439bb03983b2ba36d14cd3740
Author: Мария Бердникова <mariahberdnikova@yandex.ru>
Date:   Thu May 28 10:08:36 2026 +0000

    Добавить vector_store.py

diff --git a/vector_store.py b/vector_store.py
new file mode 100644
index 0000000..9e00ab8
--- /dev/null
+++ b/vector_store.py
@@ -0,0 +1,100 @@
+"""
+vector_store.py — модуль для работы с векторным хранилищем Qdrant + Ollama.
+"""
+
+from __future__ import annotations
+
+import uuid
+from typing import List, Tuple
+
+from langchain_ollama import OllamaEmbeddings
+from langchain_qdrant import QdrantVectorStore
+from langchain_core.documents import Document
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from qdrant_client import QdrantClient
+from qdrant_client.models import Distance, VectorParams
+
+# ── Конфигурация ──────────────────────────────────────────────────────────────
+QDRANT_URL        = "http://localhost:6333"
+COLLECTION_NAME   = "rag_memory"
+EMBEDDING_MODEL   = "nomic-embed-text"
+EMBEDDING_DIM     = 768          # размер вектора nomic-embed-text
+
+CHUNK_SIZE        = 500
+CHUNK_OVERLAP     = 50
+
+
+# ── Эмбеддинги через Ollama ───────────────────────────────────────────────────
+embeddings = OllamaEmbeddings(model=EMBEDDING_MODEL)
+
+
+# ── Qdrant-клиент и коллекция ─────────────────────────────────────────────────
+def _get_client() -> QdrantClient:
+    return QdrantClient(url=QDRANT_URL)
+
+
+def init_collection() -> None:
+    """Создаёт коллекцию в Qdrant, если её ещё нет."""
+    client = _get_client()
+    existing = [c.name for c in client.get_collections().collections]
+    if COLLECTION_NAME not in existing:
+        client.create_collection(
+            collection_name=COLLECTION_NAME,
+            vectors_config=VectorParams(size=EMBEDDING_DIM, distance=Distance.COSINE),
+        )
+        print(f"[vector_store] Коллекция «{COLLECTION_NAME}» создана.")
+    else:
+        print(f"[vector_store] Коллекция «{COLLECTION_NAME}» уже существует.")
+
+
+def _get_store() -> QdrantVectorStore:
+    """Возвращает готовый QdrantVectorStore."""
+    return QdrantVectorStore(
+        client=_get_client(),
+        collection_name=COLLECTION_NAME,
+        embedding=embeddings,
+    )
+
+
+# ── Чанкинг ───────────────────────────────────────────────────────────────────
+def split_text(content: str, title: str = "") -> List[Document]:
+    """
+    Разбивает текст на чанки с помощью RecursiveCharacterTextSplitter
+    и добавляет метаданные (title, chunk_index).
+    """
+    splitter = RecursiveCharacterTextSplitter(
+        chunk_size=CHUNK_SIZE,
+        chunk_overlap=CHUNK_OVERLAP,
+        separators=["\n\n", "\n", ".", " ", ""],
+    )
+    chunks = splitter.split_text(content)
+    docs = [
+        Document(
+            page_content=chunk,
+            metadata={"title": title, "chunk_index": i, "source": title or "manual"},
+        )
+        for i, chunk in enumerate(chunks)
+    ]
+    return docs
+
+
+# ── Публичный API ─────────────────────────────────────────────────────────────
+def add_documents(content: str, title: str = "") -> int:
+    """
+    Добавляет документ в векторное хранилище.
+    Возвращает количество добавленных чанков.
+    """
+    docs = split_text(content, title)
+    store = _get_store()
+    store.add_documents(docs)
+    return len(docs)
+
+
+def search(query: str, max_results: int = 5) -> List[Tuple[Document, float]]:
+    """
+    Семантический поиск с метрикой релевантности.
+    Возвращает список (Document, score).
+    """
+    store = _get_store()
+    results = store.similarity_search_with_relevance_scores(query, k=max_results)
+    return results
\ No newline at end of file