Second

agent_core.py

@@ -0,0 +1,132 @@
+from typing import TypedDict, List, Optional, Annotated
+import operator
+from langchain_community.llms import Ollama
+from langchain_community.embeddings import OllamaEmbeddings
+from langchain_community.vectorstores import Qdrant
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+from langchain_community.document_loaders import DirectoryLoader, PyPDFLoader
+from langgraph.graph import StateGraph, END
+from langgraph.graph.message import add_messages
+from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
+from langchain.tools import tool
+from langchain.agents import AgentExecutor, create_react_agent
+import numpy as np
+
+# Определяем состояние агента
+class AgentState(TypedDict):
+    messages: Annotated[List, add_messages]  # История сообщений
+    knowledge_base: Optional[str]  # Релевантные документы
+    current_step: str  # Текущий шаг выполнения
+    needs_search: bool  # Нужен ли поиск в RAG
+    final_answer: Optional[str]  # Финальный ответ
+
+# Инициализация LLM через Ollama
+llm = Ollama(
+    model="llama3.2:3b",
+    temperature=0.1,  # Низкая температура для консистентности
+    num_predict=1024,  # Максимальная длина ответа
+)
+
+# Инициализация эмбеддингов
+embeddings = OllamaEmbeddings(
+    model="nomic-embed-text",  # Хорошие локальные эмбеддинги
+)
+
+# Создаем инструменты для агента
+@tool
+def search_knowledge_base(query: str) -> str:
+    """Поиск информации в локальной базе знаний"""
+    # Здесь будет подключение к Qdrant
+    return "Найденная информация из базы знаний"
+
+@tool
+def calculate(expression: str) -> str:
+    """Выполнение математических вычислений"""
+    try:
+        result = eval(expression)
+        return f"Результат: {result}"
+    except:
+        return "Ошибка в выражении"
+
+@tool
+def web_search(query: str) -> str:
+    """Поиск в интернете (если нужно)"""
+    # Можно подключить локальный поиск через DuckDuckGo
+    return "Результаты поиска из интернета"
+
+# Создаем граф агента
+def create_agent_graph():
+    workflow = StateGraph(AgentState)
+    
+    # Узел: анализ запроса
+    def analyze_query(state: AgentState):
+        messages = state["messages"]
+        last_message = messages[-1].content if messages else ""
+        
+        # Простой анализ: проверяем, нужен ли поиск
+        search_keywords = ["информация", "документ", "найди", "ищи", "база знаний"]
+        needs_search = any(keyword in last_message.lower() for keyword in search_keywords)
+        
+        return {
+            "needs_search": needs_search,
+            "current_step": "analyzing_query"
+        }
+    
+    # Узел: поиск в RAG
+    def rag_search(state: AgentState):
+        if not state["needs_search"]:
+            return {"knowledge_base": None, "current_step": "generating_answer"}
+        
+        # Получаем последний запрос
+        query = state["messages"][-1].content
+        
+        # Здесь должен быть реальный поиск в Qdrant
+        # Пока заглушка
+        results = ["Документ 1: Информация о...", "Документ 2: Данные по..."]
+        
+        return {
+            "knowledge_base": "\n".join(results),
+            "current_step": "generating_answer"
+        }
+    
+    # Узел: генерация ответа
+    def generate_answer(state: AgentState):
+        messages = state["messages"]
+        knowledge = state.get("knowledge_base", "")
+        
+        # Формируем промпт с контекстом
+        prompt = f"""Ты — интеллектуальный ассистент. Используй следующую информацию если она релевантна:
+        
+        Контекст из базы знаний:
+        {knowledge}
+        
+        История разговора:
+        {messages[-5:] if len(messages) > 5 else messages}
+        
+        Текущий запрос: {messages[-1].content if messages else ''}
+        
+        Ответь максимально полезно и точно:"""
+        
+        response = llm.invoke(prompt)
+        
+        return {
+            "final_answer": response,
+            "current_step": "completed",
+            "messages": messages + [AIMessage(content=response)]
+        }
+    
+    # Добавляем узлы в граф
+    workflow.add_node("analyze", analyze_query)
+    workflow.add_node("search", rag_search)
+    workflow.add_node("generate", generate_answer)
+    
+    # Определяем edges (переходы)
+    workflow.set_entry_point("analyze")
+    workflow.add_edge("analyze", "search")
+    workflow.add_edge("search", "generate")
+    workflow.add_edge("generate", END)
+    
+    return workflow.compile()
+
+# Создаем и компилируем граф
+agent_graph = create_agent_graph()

agentic_rag_interface.py

@@ -133,12 +133,3 @@ def create_gradio_interface():
         )
         
         return demo
-
-# Запускаем интерфейс
-if __name__ == "__main__":
-    demo = create_gradio_interface()
-    demo.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=False  # Не создавать публичную ссылку
-    )

local_knowledge_base.py

@@ -1,6 +1,8 @@
 import os
 from qdrant_client import QdrantClient
 from qdrant_client.models import Distance, VectorParams, PointStruct
+from langchain_community.document_loaders import TextLoader, PyPDFLoader, DirectoryLoader
+from langchain.text_splitter import Language
 
 class LocalKnowledgeBase:
     def __init__(self, collection_name="documents", persist_dir="./qdrant_data"):
@@ -37,6 +39,11 @@ class LocalKnowledgeBase:
             '.pdf': PyPDFLoader,
             '.txt': lambda path: DirectoryLoader(path, glob="**/*.txt"),
             '.docx': lambda path: DirectoryLoader(path, glob="**/*.docx"),
+            '.hpp': lambda path: TextLoader(path, encoding='utf-8'),
+            '.cpp': lambda path: TextLoader(path, encoding='utf-8'),   # добавить
+            '.h': lambda path: TextLoader(path, encoding='utf-8'),     # добавить
+            '.cc': lambda path: TextLoader(path, encoding='utf-8'),    # добавить
+            
         }
         
         all_documents = []
@@ -54,7 +61,8 @@ class LocalKnowledgeBase:
                         print(f"Ошибка загрузки {file_path}: {e}")
         
         # Разбиваем на чанки
-        text_splitter = RecursiveCharacterTextSplitter(
+        text_splitter = RecursiveCharacterTextSplitter.from_language(
+            language=Language.CPP,
             chunk_size=1000,
             chunk_overlap=200,
             length_function=len
@@ -82,7 +90,8 @@ class LocalKnowledgeBase:
                 payload={
                     "text": doc.page_content,
                     "source": doc.metadata.get("source", "unknown"),
-                    "page": doc.metadata.get("page", 0)
+                    "page": doc.metadata.get("page", 0),
+                    "file_type": "cpp"
                 }
             )
             points.append(point)

main.py

@@ -1,132 +1,10 @@
-from typing import TypedDict, List, Optional, Annotated
+from agentic_rag_interface import create_gradio_interface
-import operator
-from langchain_community.llms import Ollama
-from langchain_community.embeddings import OllamaEmbeddings
-from langchain_community.vectorstores import Qdrant
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain_community.document_loaders import DirectoryLoader, PyPDFLoader
-from langgraph.graph import StateGraph, END
-from langgraph.graph.message import add_messages
-from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
-from langchain.tools import tool
-from langchain.agents import AgentExecutor, create_react_agent
-import numpy as np
 
-# Определяем состояние агента
+# Запускаем интерфейс
-class AgentState(TypedDict):
+if __name__ == "__main__":
-    messages: Annotated[List, add_messages]  # История сообщений
+    demo = create_gradio_interface()
-    knowledge_base: Optional[str]  # Релевантные документы
+    demo.launch(
-    current_step: str  # Текущий шаг выполнения
+        server_name="0.0.0.0",
-    needs_search: bool  # Нужен ли поиск в RAG
+        server_port=7860,
-    final_answer: Optional[str]  # Финальный ответ
+        share=False  # Не создавать публичную ссылку
-
+    )
-# Инициализация LLM через Ollama
-llm = Ollama(
-    model="llama3.2:3b",
-    temperature=0.1,  # Низкая температура для консистентности
-    num_predict=1024,  # Максимальная длина ответа
-)
-
-# Инициализация эмбеддингов
-embeddings = OllamaEmbeddings(
-    model="nomic-embed-text",  # Хорошие локальные эмбеддинги
-)
-
-# Создаем инструменты для агента
-@tool
-def search_knowledge_base(query: str) -> str:
-    """Поиск информации в локальной базе знаний"""
-    # Здесь будет подключение к Qdrant
-    return "Найденная информация из базы знаний"
-
-@tool
-def calculate(expression: str) -> str:
-    """Выполнение математических вычислений"""
-    try:
-        result = eval(expression)
-        return f"Результат: {result}"
-    except:
-        return "Ошибка в выражении"
-
-@tool
-def web_search(query: str) -> str:
-    """Поиск в интернете (если нужно)"""
-    # Можно подключить локальный поиск через DuckDuckGo
-    return "Результаты поиска из интернета"
-
-# Создаем граф агента
-def create_agent_graph():
-    workflow = StateGraph(AgentState)
-    
-    # Узел: анализ запроса
-    def analyze_query(state: AgentState):
-        messages = state["messages"]
-        last_message = messages[-1].content if messages else ""
-        
-        # Простой анализ: проверяем, нужен ли поиск
-        search_keywords = ["информация", "документ", "найди", "ищи", "база знаний"]
-        needs_search = any(keyword in last_message.lower() for keyword in search_keywords)
-        
-        return {
-            "needs_search": needs_search,
-            "current_step": "analyzing_query"
-        }
-    
-    # Узел: поиск в RAG
-    def rag_search(state: AgentState):
-        if not state["needs_search"]:
-            return {"knowledge_base": None, "current_step": "generating_answer"}
-        
-        # Получаем последний запрос
-        query = state["messages"][-1].content
-        
-        # Здесь должен быть реальный поиск в Qdrant
-        # Пока заглушка
-        results = ["Документ 1: Информация о...", "Документ 2: Данные по..."]
-        
-        return {
-            "knowledge_base": "\n".join(results),
-            "current_step": "generating_answer"
-        }
-    
-    # Узел: генерация ответа
-    def generate_answer(state: AgentState):
-        messages = state["messages"]
-        knowledge = state.get("knowledge_base", "")
-        
-        # Формируем промпт с контекстом
-        prompt = f"""Ты — интеллектуальный ассистент. Используй следующую информацию если она релевантна:
-        
-        Контекст из базы знаний:
-        {knowledge}
-        
-        История разговора:
-        {messages[-5:] if len(messages) > 5 else messages}
-        
-        Текущий запрос: {messages[-1].content if messages else ''}
-        
-        Ответь максимально полезно и точно:"""
-        
-        response = llm.invoke(prompt)
-        
-        return {
-            "final_answer": response,
-            "current_step": "completed",
-            "messages": messages + [AIMessage(content=response)]
-        }
-    
-    # Добавляем узлы в граф
-    workflow.add_node("analyze", analyze_query)
-    workflow.add_node("search", rag_search)
-    workflow.add_node("generate", generate_answer)
-    
-    # Определяем edges (переходы)
-    workflow.set_entry_point("analyze")
-    workflow.add_edge("analyze", "search")
-    workflow.add_edge("search", "generate")
-    workflow.add_edge("generate", END)
-    
-    return workflow.compile()
-
-# Создаем и компилируем граф
-agent_graph = create_agent_graph()