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

pip install -r requirements.txt

2. Запуск Ollama и загрузка моделей

ollama pull llama3
ollama pull nomic-embed-text

3. Запуск Qdrant (Docker)

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

4. Инициализация базы знаний из директории

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

5. Запуск интерактивного клиента

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