# 📚 Экзамен: RAG‑агент с ChromaDB и веб‑поиском

## 🚀 Описание проекта  
В этом репозитории реализован **RAG‑агент** (Retrieval‑Augmented Generation), который умеет:
- хранить локальные документы в векторном хранилище **ChromaDB**;
- выполнять семантический поиск по этим документам с помощью эмбеддингов из **Ollama** (`nomic-embed-text`);
- искать информацию в интернете через API **Tavily**;
- автоматически выбирать, какой источник использовать для ответа на запрос пользователя.

Проект состоит из двух файлов:

| Файл | Что делает |
|------|------------|
| `vectorstore.py` | Создание и загрузка ChromaDB, чтение/чанкинг документов. |
| `main.py` | Определяет инструменты агента (`search_local_kb`, `web_search`) и запускает LangChain‑агента. |

---

## 🛠️ Установка зависимостей

```bash
# 1️⃣ Скачиваем модели Ollama (LLM + эмбеддинги)
ollama pull llama3
ollama pull nomic-embed-text

# 2️⃣ Устанавливаем Python‑пакеты
pip install langchain langchain-chroma langchain-tavily langchain-ollama tavily-python chromadb python-dotenv
```

> **Важно**:  
> - Убедитесь, что у вас установлен Docker (или другой способ запуска Ollama).  
> - Для работы Tavily нужен API‑ключ. Создайте файл `.env` в корне проекта и добавьте строку:

```dotenv
TAVILY_API_KEY=YOUR_TAVILY_KEY_HERE
```

---

## 📁 Структура проекта

```
.
├── chroma_db/          # Папка, где будет храниться база данных (создаётся автоматически)
├── documents/          # Пример папки с .txt/.md файлами для индексации
│   ├── doc1.md
│   └── doc2.txt
├── vectorstore.py      # Модуль работы с ChromaDB
├── main.py             # Запуск агента
└── .env                # Tavily API ключ
```

---

## ⚙️ Как запустить

### 1️⃣ Создать/загрузить векторное хранилище и добавить документы

```bash
python - <<'PY'
from vectorstore import create_vectorstore, load_documents

# Создаём (или загружаем) коллекцию
vectorstore = create_vectorstore("./chroma_db")

# Загружаем все .txt/.md из папки documents
load_documents("documents", vectorstore)
print("Документы успешно добавлены в ChromaDB")
PY
```

> После выполнения вы увидите сообщение о том, что документы загружены.  
> Если база уже существует, она будет просто открыта.

### 2️⃣ Запустить агента

```bash
python main.py
```

После запуска агент ожидает ввод вопросов от пользователя в консоли. Он сам решит,
использовать локальный поиск (`search_local_kb`) или веб‑поиск (`web_search`).

---

## 📌 Пример использования

```text
$ python main.py
Введите ваш вопрос (или 'exit' для выхода): Какой язык программирования используется в LangChain?

Ответ:
LangChain использует Python как основной язык разработки. Он предоставляет набор инструментов и абстракций, которые упрощают создание цепочек LLM‑моделей и интеграцию с внешними сервисами.

(Источник: локальная база знаний)
```

Если вопрос требует информации из интернета:

```text
$ python main.py
Введите ваш вопрос (или 'exit' для выхода): Что такое квантовый компьютер?

Ответ:
Квантовый компьютер – это устройство, использующее принципы квантовой механики для выполнения вычислений. Он может обрабатывать информацию в виде кубитов, которые могут находиться в суперпозиции состояний, что позволяет выполнять параллельные расчёты.

(Источник: веб‑поиск через Tavily)
```

---

## 📚 Дополнительные сведения

- **ChromaDB** – быстрый и лёгкий в использовании векторный хранилище.  
  Документация: https://docs.langchain.com/oss/python/integrations/vectorstores/chroma
- **OllamaEmbeddings** – локальная модель эмбеддингов, не требует подключения к облаку.  
  Документация: https://github.com/langchain-ai/langchain/tree/main/libs/langchain_ollama
- **Tavily** – простой API для веб‑поиска.  
  Документация: https://docs.tavily.com/
- **LangChain** – фреймворк для построения агентов и цепочек LLM.

---

## 📄 Лицензия

MIT License – свободно используйте, модифицируйте и распространяйте проект.