Развертывание базы данных

1. Установите PostgreSQL локально
2. Установите расширение pgvector
3. Установите dotenv: pip install python-dotenv.
4. Создайте файл .env в соответствии с .env.example. Заполните своими значениями. Файл .env локален на вашем компьютере.
5. Для создания БД запустите файл db\scripts\init_db.py.
6. Создайте базу знаний. Для этого запустите файлы ml\learning\knowledge_base.py и ml\learning\codes_base.py. Все функции размещены в файле db\scripts\operations_db.py. В случае неполадок БД можно удалить db\scripts\delete_db.py.

Установка Ollama

Скачайте и установите ollama с официального сайта. Установите следующие модели:

• gemma3:4b
• deepseek-r1:8b
• qwen3:4b Во время работы сервера держите клиент ollama открытым

Запуск сервера

Для запуска сервиса локально выполните файл run.py

Разбивка по ролям

• Новошинский Роман: LLM-модуль, frontend
• Смирнов Александр: frontend
• Глазков Вячеслав: backend
• Селиверстов Дмитрий: LLM-модуль, backend
• Воробей Александр: LLM-модуль, промпт-инженер

Наша идея

Мы предоставляем пользователю ИИ-консультанта по вопросам в сферах юриспруденции, финансов, маркетинга и найма.

• Найм: по запросу пользователя бот предлагает 3 вакансии для поиска сотрудника.
• Маркетинг: ИИ-ассистент генерирует 3 поста в разных стилях и выводит их в виде постов.
• Юриспруденция: мы реализовали RAG-модель, берущую информацию об актуальных законах РФ из базы данных и предоставляет ответ пользователю.
• Финансы: модуль способен выполнять вычисления для пользователя или дать финансовый совет. Пользователь может как указать категорию запроса в профиле, так и не указывать, а модель самостоятельно определит запрос на основе базы знаний.