diff --git a/rag/README.md b/rag/README.md
new file mode 100644
index 0000000..d449926
--- /dev/null
+++ b/rag/README.md
@@ -0,0 +1,191 @@
+# RAG для Confluence-документации
+
+## Что такое RAG?
+
+RAG (Retrieval-Augmented Generation) — это архитектура, которая расширяет возможности генеративных языковых моделей (LLM) за счет интеграции внешних источников знаний.
+Вместо того чтобы полагаться исключительно на информацию, полученную во время обучения, RAG сначала извлекает релевантные фрагменты из внешней базы знаний, а затем использует их для генерации более точных и информативных ответов.
+
+Основные компоненты RAG:
+- **Индексация**: Документы преобразуются в векторные представления (эмбеддинги) и сохраняются в векторной базе данных
+- **Поиск**: При поступлении запроса система ищет наиболее релевантные фрагменты из индексированной базы
+- **Генерация**: Найденные фрагменты используются как контекст для генерации ответа с помощью языковой модели
+
+Преимущества RAG:
+- Повышает точность ответов засчёт использования актуальной и специфической информации
+- Позволяет отвечать на вопросы, требующих знаний, не входящих в обучающие данные модели
+- Дает возможность проверить источник информации в сгенерированном ответе
+- Может работать с проприетарными или конфиденциальными данными без дообучения модели
+
+Этот проект представляет собой систему RAG, которая позволяет преобразовывать документацию из Confluence в формат, пригодный для работы с локальной Ollama, и задавать вопросы по содержимому документации.
+
+## Структура проекта
+
+```
+rag/
+├── .env.example         # Пример файла конфигурации для подключения к Confluence
+├── 1_download_page.sh   # Скрипт для загрузки страниц из Confluence
+├── 2_html_to_md.py      # Скрипт конвертации HTML в Markdown
+├── 3_rag.py             # Основной скрипт RAG системы
+├── quickstart.sh        # Скрипт быстрого запуска всего процесса
+├── input_html/          # Входные HTML файлы (загруженные из Confluence)
+├── output_md/           # Конвертированные Markdown файлы
+├── ready_rag/           # Готовая векторная база данных для RAG
+└── README.md            # Этот файл
+```
+
+## Стек
+
+* bash
+* python, venv, pip
+* [docker](https://docker.com)
+* [ollama](https://ollama.com)
+* [open-webui](https://docs.openwebui.com)
+
+## Предварительные требования
+
+1. Установить утилиты: `curl`, `jq`, `python3` (v3.8+), `pip`
+2. Запустить сервер Ollama: `../up`
+3. Установить модели Ollama (рекомендуется):
+   - `nomic-embed-text:latest` — для эмбеддингов  
+     (установить через `../models/nomic-embed-text/latest`)
+   - `phi4-mini:3.8b` или другая подходящая модель — для генерации ответов  
+     (установить через `../models/phi4/mini:3.8b`)
+
+## Настройка
+
+1. Создайте файл конфигурации на основе примера: `cp .env.example .env`
+2. Отредактируйте файл `.env`, указав свои данные
+
+Файл используется только для подключения к Confluence.
+
+## Использование
+
+### Способ 1: Быстрый запуск (рекомендуется)
+
+Запустите скрипт быстрого старта, указав ID страницы Confluence:
+
+```bash
+cd rag
+./quickstart.sh 123456789
+```
+
+где `123456789` - ID страницы Confluence, которую вы хотите обработать.
+
+Скрипт автоматически:
+- Создаст виртуальное окружение Python
+- Установит необходимые зависимости
+- Загрузит страницу и все дочерние страницы
+- Конвертирует HTML в Markdown
+- Построит векторную базу данных
+- Запустит интерактивный режим чата
+
+### Способ 2: Пошаговая настройка
+
+#### 1. Загрузка страниц из Confluence
+
+```bash
+./1_download_page.sh 123456789
+```
+
+Этот скрипт:
+- Загружает указанную страницу и все её дочерние страницы
+- Сохраняет HTML-файлы в директорию `input_html/`
+- Рекурсивно обрабатывает всю иерархию страниц
+
+#### 2. Конвертация HTML в Markdown
+
+```bash
+python3 2_html_to_md.py
+```
+
+Этот скрипт:
+- Обрабатывает все HTML-файлы в директории `input_html/`
+- Конвертирует их в Markdown с сохранением структуры
+- Сохраняет результаты в директории `output_md/`
+- Очищает от Confluence-специфичной разметки
+
+#### 3. Построение RAG базы данных
+
+```bash
+python3 3_rag.py --action build
+```
+
+Этот скрипт:
+- Создает векторную базу данных на основе Markdown-файлов
+- Генерирует эмбеддинги с помощью Ollama
+- Сохраняет базу данных в директории `ready_rag/`
+
+#### 4. Взаимодействие с RAG системой
+
+```bash
+python3 3_rag.py --action interactive
+```
+
+В интерактивном режиме:
+- Введите свой вопрос и нажмите Enter
+- Система найдет релевантные документы и сгенерирует ответ
+- Введите `exit` для выхода
+- Введите `stats` для просмотра статистики
+
+Также можно выполнить одиночный запрос:
+
+```bash
+python3 3_rag.py --action query --question "Ваш вопрос здесь"
+```
+
+## Конфигурация
+
+Вы можете настроить параметры RAG системы через аргументы командной строки:
+
+```bash
+python3 3_rag.py \
+  --md-folder output_md \
+  --embed-model nomic-embed-text \
+  --chat-model phi4-mini:3.8b \
+  --results 5
+```
+
+Доступные параметры:
+- `--md-folder`: Папка с Markdown файлами (по умолчанию: `output_md`)
+- `--embed-model`: Модель для генерации эмбеддингов (по умолчанию: `nomic-embed-text`)
+- `--chat-model`: Модель для генерации ответов (по умолчанию: `phi4-mini:3.8b`)
+- `--results`: Количество возвращаемых результатов (по умолчанию: `10`)
+- 
+## Пример использования
+
+1. Загрузите страницу документации:
+   ```bash
+   ./1_download_page.sh 123456789
+   ```
+
+2. Конвертируйте в Markdown:
+   ```bash
+   python3 2_html_to_md.py
+   ```
+
+3. Постройте RAG базу:
+   ```bash
+   python3 3_rag.py --action build
+   ```
+
+4. Задайте вопрос:
+   ```bash
+   python3 3_rag.py --action query --question "Как настроить систему мониторинга?"
+   ```
+
+## Особенности обработки
+
+Система автоматически обрабатывает следующие элементы Confluence:
+
+- **Заметки (Note макросы)**: Конвертируются в формат `📝 **Примечание:** Текст заметки`
+- **Таблицы**: Преобразуются в Markdown-таблицы с сохранением структуры
+- **JSON блоки**: Форматируются и отображаются как кодовые блоки
+- **Диаграммы (DrawIO)**: Заменяются на заглушки
+- **Содержание (TOC)**: Заменяется на заглушки
+
+## Лицензия
+
+Этот проект распространяется под лицензией MIT.
+Подробнее см. в файле LICENSE.
+
+Скрипты на языке python сгенерированы моделью claude-sonnet-4.
diff --git a/rag/quickstart.sh b/rag/quickstart.sh
index 370df44..8c6041a 100755
--- a/rag/quickstart.sh
+++ b/rag/quickstart.sh
@@ -1,7 +1,13 @@
 #!/bin/bash
 
-command -v python3 >/dev/null 2>&1 || { echo >&2 "Ошибка: python3 не установлен"; exit 1; }
-command -v pip >/dev/null 2>&1 || { echo >&2 "Ошибка: pip не установлен"; exit 1; }
+is_installed() {
+    command -v $1 >/dev/null 2>&1 || { echo >&2 "Ошибка: $1 не установлен"; exit 1; }
+}
+
+is_installed curl
+is_installed jq
+is_installed python3
+is_installed pip
 
 [ ! -f .env ] && cp .env.example .env
 source .env
@@ -20,6 +26,7 @@ source venv/bin/activate
 [ "$(pip install --dry-run beautifulsoup4 2>&1 | grep -c 'Would install')" -gt 0 ] && pip install beautifulsoup4
 
 echo "Начало работы"
+../up
 ./1_download_page.sh "$@" || exit 1
 python3 ./2_html_to_md.py
 python3 ./3_rag.py --action build