инструменты 19 июл 2026 1 мин

Calcio-Guru: Как устроен полностью самостоятельно размещаемый футбольный чатбот

Подробный технический разбор архитектуры чатбота о футболе серии А, который полностью работает локально через Docker Compose. Автор показывает, как связать открытые данные, векторное хранилище, языковые модели и веб-поиск в единую систему с агентским подходом, где каждый факт подтверждается источниками через RAG.

Детальный кейс для разработчиков RAG-систем: как собрать полностью самостоятельно размещаемое решение с агентским подходом, грамотной работой с эмбеддингами, идемпотентной загрузкой данных и гибридным поиском (векторный + веб). Показывает практическую интеграцию современного стека open-source инструментов.

Это аннотация к авторской статье. Мы не публикуем и не пересказываем чужие тексты целиком — полная версия у автора.

О чём статья

Чатбот построен на модульной архитектуре из пяти Docker-контейнеров: FastAPI, Ollama, Qdrant, SearXNG и Nginx, с независимыми кодовыми базами для API и загрузки данных
Используется агентский подход через PydanticAI: модель сама выбирает инструменты для многошаговых запросов (squad → player stats), а не простой retrieve-then-prompt
Векторное хранилище Qdrant наполняется только открытыми данными (Wikidata, Wikipedia, openfootball) с идемпотентной загрузкой через content_hash
При нехватке данных в локальной базе система обращается к живому вебу через самохостируемый SearXNG, Wikipedia API или DuckDuckGo, сохраняя принцип цитирования источников