First!

main.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()