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

# 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:

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

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

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

$ 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:

$ 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.

README.md Unescape Escape

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

🚀 Описание проекта