# RAG-Agent — AI-агент с локальной базой знаний

## Стек
- **Python 3.10+**
- **Qdrant** — векторная база данных
- **Ollama** — локальные LLM и эмбеддинги (`llama3`, `nomic-embed-text`)
- **LangChain / LangGraph** — агент с инструментами

## Быстрый старт

### 1. Установка зависимостей

```bash
pip install -r requirements.txt
```

### 2. Запуск Ollama и загрузка моделей

```bash
ollama pull llama3
ollama pull nomic-embed-text
```

### 3. Запуск Qdrant (Docker)

```bash
docker run -d -p 6333:6333 -p 6334:6334 \
    -v qdrant_storage:/qdrant/storage \
    qdrant/qdrant
```

### 4. Инициализация базы знаний из директории

```bash
# Поместите .txt / .md файлы в папку docs/
python init_knowledge_base.py ./docs
```

### 5. Запуск интерактивного клиента

```bash
python client.py
```

## Команды в клиенте

| Команда | Описание |
|---------|----------|
| `/add <текст>` | Добавить текст в базу знаний |
| `/add-file <путь>` | Загрузить файл в базу знаний |
| `/search <запрос>` | Прямой семантический поиск (без агента) |
| `/quit` | Выйти |
| `<любой текст>` | Отправить запрос агенту |

## Архитектура

```
client.py                  ← интерактивный CLI-клиент
│
├── agent.py               ← create_react_agent (llama3 + RAG-инструменты)
│   └── tools.py           ← @tool: search_knowledge_base, add_to_knowledge_base
│
└── vector_store.py        ← Qdrant + OllamaEmbeddings + RecursiveCharacterTextSplitter

init_knowledge_base.py     ← загрузка документов из директории
```