ваше сообщение коммита

Dockerfile.ollama

@@ -0,0 +1,10 @@
+FROM ollama/ollama:latest
+
+# Устанавливаем curl для API запросов
+RUN apt-get update && apt-get install -y curl && rm -rf /var/lib/apt/lists/*
+
+# Копируем entrypoint скрипт
+COPY entrypoint.sh /entrypoint.sh
+RUN chmod +x /entrypoint.sh
+
+ENTRYPOINT ["/entrypoint.sh"]

backend/app.js

@@ -21,7 +21,6 @@ const errorHandler = require('./middleware/errorHandler');
 // const { version } = require('./package.json'); // Закомментировано, так как не используется
 const db = require('./db'); // Добавляем импорт db
 const aiAssistant = require('./services/ai-assistant'); // Добавляем импорт aiAssistant
-const { warmupModel } = require('./scripts/warmup-model'); // Добавляем импорт разогрева модели
 const fs = require('fs');
 const path = require('path');
 const messagesRoutes = require('./routes/messages');

backend/scripts/warmup-model.js

@@ -1,66 +0,0 @@
-#!/usr/bin/env node
-
-/**
- * Скрипт для разогрева модели Ollama
- * Запускается при старте backend для ускорения первых запросов
- */
-
-const fetch = require('node-fetch');
-
-const OLLAMA_URL = process.env.OLLAMA_URL || 'http://ollama:11434';
-const MODEL_NAME = process.env.OLLAMA_MODEL || 'qwen2.5:7b';
-
-async function warmupModel() {
-  // console.log('🔥 Разогрев модели Ollama...');
-  
-  try {
-    // Проверяем доступность Ollama
-    const healthResponse = await fetch(`${OLLAMA_URL}/api/tags`);
-    if (!healthResponse.ok) {
-      throw new Error(`Ollama недоступен: ${healthResponse.status}`);
-    }
-    
-          // console.log('✅ Ollama доступен');
-    
-    // Отправляем простой запрос для разогрева (корректный эндпоинт)
-    const warmupResponse = await fetch(`${OLLAMA_URL}/api/chat`, {
-      method: 'POST',
-      headers: { 'Content-Type': 'application/json' },
-      body: JSON.stringify({
-        model: MODEL_NAME,
-        messages: [
-          { role: 'system', content: 'Ты полезный ассистент.' },
-          { role: 'user', content: 'Привет! Как дела?' }
-        ],
-        stream: false,
-        options: {
-          temperature: 0.2,
-          num_predict: 64,
-          num_ctx: 1024,
-          num_thread: 4,
-          num_gpu: 1,
-          repeat_penalty: 1.1,
-          top_k: 30,
-          top_p: 0.9
-        }
-      }),
-    });
-    
-    if (!warmupResponse.ok) {
-      throw new Error(`Ошибка разогрева: ${warmupResponse.status}`);
-    }
-    
-    const data = await warmupResponse.json();
-          // console.log('✅ Модель разогрета успешно');
-      // console.log(`📝 Ответ модели: ${(data.message?.content || data.response || '').substring(0, 100)}...`);
-    
-  } catch (error) {
-          // console.error('❌ Ошибка разогрева модели:', error.message);
-    // Не прерываем запуск приложения
-  }
-}
-
-// Запускаем разогрев с задержкой
-setTimeout(warmupModel, 5000);
-
-module.exports = { warmupModel }; 

backend/server.js

@@ -18,7 +18,6 @@ const logger = require('./utils/logger');
 const { getBot } = require('./services/telegramBot');
 const EmailBotService = require('./services/emailBot');
 const { initDbPool, seedAIAssistantSettings } = require('./db');
-const { warmupModel } = require('./scripts/warmup-model'); // Добавляем импорт разогрева модели
 const memoryMonitor = require('./utils/memoryMonitor');
 
 const PORT = process.env.PORT || 8000;
@@ -72,9 +71,6 @@ async function startServer() {
   // Разогрев модели Ollama
       // console.log('🔥 Запуск разогрева модели...');
   setTimeout(() => {
-    warmupModel().catch(err => {
-              // console.error('❌ Ошибка разогрева модели:', err.message);
-    });
   }, 10000); // Задержка 10 секунд для полной инициализации
   
   await initServices(); // Только теперь запускать сервисы

backend/services/ai-assistant.js

@@ -352,8 +352,7 @@ class AIAssistant {
             model,
             messages: finalMessages,
             stream: false,
-            options: ollamaOptions,
+            options: ollamaOptions
-            keep_alive: '3m'
           })
         });
         logger.info(`[AIAssistant] Ollama API ответил: status=${response.status}`);

docker-compose.yml

@@ -30,7 +30,9 @@ services:
       timeout: 5s
       retries: 5
   ollama:
-    image: ollama/ollama:latest
+    build:
+      context: .
+      dockerfile: Dockerfile.ollama
     container_name: dapp-ollama
     restart: unless-stopped
     logging:
@@ -53,11 +55,11 @@ services:
     environment:
       - OLLAMA_HOST=0.0.0.0
       - OLLAMA_ORIGINS=*
-      - OLLAMA_NUM_PARALLEL=1
+      - OLLAMA_NUM_PARALLEL=2
       - OLLAMA_NUM_GPU=0
       - OLLAMA_KEEP_ALIVE=86400
       - OLLAMA_MODEL_TIMEOUT=0
-      - OLLAMA_MAX_LOADED_MODELS=1
+      - OLLAMA_MAX_LOADED_MODELS=2
       - OLLAMA_FLASH_ATTENTION=0
       - OLLAMA_LLM_LIBRARY=auto
     healthcheck:
@@ -66,8 +68,6 @@ services:
       timeout: 10s
       retries: 5
       start_period: 120s
-    # Предзагружаем модель при запуске контейнера с keepalive
-    entrypoint: ["/bin/sh", "-c", "ollama serve & sleep 15 && ollama run --keepalive 24h qwen2.5:7b 'test' && tail -f /dev/null"]
   vector-search:
     build:
       context: ./vector-search

docs/RAG_TASKS.md

@@ -134,6 +134,36 @@
   - Генерация мультимодальных ответов
 - **Результат:** Контекст из медиафайлов
 
+#### 9. Агент "Саммари беседы"
+- **Задача:** Создание краткого саммари истории беседы
+- **Функции:**
+  - Анализирует последние 10-20 сообщений из истории
+  - Создает краткое саммари через AI (вместо передачи полной истории)
+  - Кэширует результат для повторного использования
+  - Обновляет саммари при поступлении новых сообщений
+  - Оптимизирует количество токенов в промпте
+- **Результат:** Оптимизированный контекст беседы для AI
+
+#### 10. Агент "Анализ контакта"
+- **Задача:** Извлечение и анализ данных пользователя из профиля
+- **Функции:**
+  - Получает данные из профиля контакта (имя, теги, язык, роль)
+  - Анализирует предпочтения и историю взаимодействий
+  - Кэширует анализ для быстрого доступа
+  - Обновляет при изменении профиля пользователя
+  - Определяет стиль общения и приоритет
+- **Результат:** Персонализированный контекст для ответа
+
+#### 11. Агент "Кэширование бесед"
+- **Задача:** Управление кэшем бесед и контекста
+- **Функции:**
+  - Кэширует саммари беседы + анализ контакта
+  - Управляет TTL (Time To Live) для автоматической очистки
+  - Проверяет актуальность кэша при новых сообщениях
+  - Оптимизирует производительность системы
+  - Предотвращает повторные вычисления
+- **Результат:** Быстрый доступ к контексту без пересчета
+
 ### ⚙️ Логика работы многоагентной системы
 
 #### Шаг 1: Получение сообщения
@@ -148,6 +178,9 @@
 - Агент "Контекст" → анализирует историю
 - Агент "Мультиязычность" → определяет язык
 - Агент "Мультимодальность" → обрабатывает медиа
+- Агент "Саммари беседы" → создает краткое саммари истории
+- Агент "Анализ контакта" → извлекает данные из профиля
+- Агент "Кэширование бесед" → проверяет и обновляет кэш
 
 #### Шаг 3: Сбор и анализ результатов
 - Координатор собирает данные от всех агентов
@@ -163,6 +196,8 @@
 - Обновляет профиль пользователя
 - Сохраняет контекст беседы
 - Логирует использованные знания
+- Обновляет кэш саммари и анализа контакта
+- Сохраняет оптимизированный контекст для будущих запросов
 
 ### 🎨 Преимущества многоагентной архитектуры
 
@@ -172,6 +207,9 @@
 4. **Гибкость:** Разные комбинации агентов для разных ситуаций
 5. **Персонализация:** Глубокое понимание каждого пользователя
 6. **Качество:** Специализированная обработка каждого аспекта
+7. **Оптимизация:** Саммари бесед снижает количество токенов
+8. **Кэширование:** Быстрый доступ к контексту без пересчета
+9. **Производительность:** Уменьшение времени ответа и нагрузки на AI
 
 ---
 
@@ -251,10 +289,17 @@
    - Агент "Контекст беседы"
    - Агент "Детализация"
    - Агент "Персонализация ответа"
+   - Агент "Саммари беседы" (новый)
+   - Агент "Анализ контакта" (новый)
+   - Агент "Кэширование бесед" (новый)
 3. **Интеграция с существующей системой:**
    - Подключение агентов к текущему pipeline
    - Настройка логирования и мониторинга
    - Тестирование взаимодействия агентов
+4. **Реализация оптимизаций:**
+   - Создание сервиса саммари бесед
+   - Интеграция анализа контактов для персонализации
+   - Настройка кэширования для повышения производительности
 
 ---
 
@@ -262,8 +307,12 @@
 1. **Модификация логики ответа ассистента:**
    - При получении сообщения пользователя — искать релевантные знания и включать их в prompt LLM.
    - Обеспечить мультиязычность поиска и генерации ответа.
+   - Интегрировать саммари беседы вместо передачи полной истории.
+   - Использовать анализ контактов для персонализации ответов.
 2. **Логирование и трассировка:**
    - Сохранять, какие знания были использованы для ответа.
+   - Логировать использование саммари и кэширования.
+   - Отслеживать производительность оптимизаций.
 
 ---
 
@@ -287,7 +336,9 @@
 ## Этап 7. Тестирование и оптимизация
 1. **Покрытие тестами ключевых сценариев (unit, интеграционные).**
 2. **Оптимизация скорости поиска и генерации.**
-3. **Документация для команды.**
+3. **Тестирование производительности саммари и кэширования.**
+4. **Оптимизация использования токенов и времени ответа.**
+5. **Документация для команды.**
 
 ---
 
@@ -308,6 +359,9 @@
 - При обработке запроса пользователя RAG-ассистент определяет его теги (по связям в таблице тегов).
 - Для генерации ответа ассистент использует только те знания (вопросы/ответы), которые соответствуют тегам пользователя.
 - Администратор может добавлять новые теги, связывать их с пользователями, а также создавать и редактировать знания для каждой группы.
+- **Оптимизация через саммари:** Вместо передачи полной истории беседы (10 сообщений), система создает краткое саммари через AI.
+- **Персонализация через контакты:** Ассистент использует данные из профиля контакта (имя, язык, теги) для персонализации ответов.
+- **Кэширование контекста:** Саммари беседы и анализ контактов кэшируются для быстрого доступа без пересчета.
 
 ### 4. UI/UX требования
 - В интерфейсе создания/редактирования пользовательских таблиц должен быть доступен тип столбца "relation" (связь с users).

entrypoint.sh

@@ -0,0 +1,47 @@
+#!/bin/bash
+
+# Запускаем Ollama сервер в фоне
+ollama serve &
+
+# Ждем запуска сервера
+echo "Ждем запуска Ollama сервера..."
+sleep 20
+
+# Проверяем готовность сервера
+echo "Проверяем готовность сервера..."
+while ! curl -s http://localhost:11434/api/tags > /dev/null; do
+  echo "Сервер еще не готов, ждем..."
+  sleep 5
+done
+echo "Сервер готов!"
+
+# Загружаем чат-модель через API с keepalive 24h
+echo "Загружаем чат-модель qwen2.5:7b через API..."
+curl -X POST http://localhost:11434/api/chat \
+  -H "Content-Type: application/json" \
+  -d '{
+    "model": "qwen2.5:7b",
+    "messages": [{"role": "user", "content": "hi"}],
+    "keep_alive": "24h"
+  }' > /dev/null 2>&1
+
+echo "Чат-модель qwen2.5:7b загружена!"
+
+# Скачиваем модель эмбеддингов
+echo "Скачиваем модель эмбеддингов mxbai-embed-large:latest..."
+ollama pull mxbai-embed-large:latest
+
+# Загружаем модель эмбеддингов через API с keepalive 24h
+echo "Загружаем модель эмбеддингов в память на 24 часа..."
+curl -X POST http://localhost:11434/api/embed \
+  -H "Content-Type: application/json" \
+  -d '{
+    "model": "mxbai-embed-large:latest",
+    "input": "test",
+    "keep_alive": "24h"
+  }'
+
+echo "Все модели загружены! Система готова к работе."
+
+# Держим контейнер запущенным
+tail -f /dev/null