Improve speed of llm answers

backend/agent.py

@@ -4,42 +4,39 @@ from langgraph.checkpoint.memory import InMemorySaver
 from langchain_community.tools import DuckDuckGoSearchRun
 from langchain_community.vectorstores import Clickhouse, ClickhouseSettings
 from langchain_community.embeddings import DeepInfraEmbeddings
-from datetime import datetime
 from redis.asyncio import Redis
 
-SYSTEM_PROMPT = f"""
+SYSTEM_PROMPT = """
-Сегодня {datetime.today().isoformat()}.
 Ты — карьерный копилот для ИТ.
-Ответ всегда должен быть, не допускай пустых ответов.
 Требования к ответам:
 - Пиши кратко (до 5–6 строк, буллеты приветствуются).
 - Всегда проверяй факты: бери данные о вакансиях только из контекста и ссылок в web-поиске.
-- В ответ всегда давай источники (минимум 1, лучше 2–3): ссылка на публичный
+- В ответ всегда давай источники (минимум 1, лучше 2–3): ссылка на публичный канал или сообщение в телеграмме.
-- Вакансии можно брать только из контекста, либо обращаться к web-поиску.
+- Вакансии можно брать только из контекста, либо обращаться к web-поиску. Не давай вакансию, если у тебя нет о ней информации в контексте.
 - Всегда указывай дату вакансии и ссылку на нее.
-- Если вакансия из контекста, то сформируй ссылку на telegram-сообщение, где была указана эта вакансия.
+- Если данных недостаточно: честно скажи «не хватает надёжных источников», предложи расширить период/переформулировать, либо выполнить веб-поиск.
-пост/новость/страницу компании. Без «уверенностей».
-- Персональные/идентифицирующие данные из непубличных источников не
-раскрывай. Если цитируешь, то только из публичных каналов/страниц с ссылкой.
-- Если данных недостаточно: честно скажи «не хватает надёжных источников»,
-предложи расширить период/переформулировать, либо выполнить веб-поиск.
 - После полезного ответа предложи один мягкий следующий шаг.
-Отвечай простым текстом. Не используй HTML, Markdown, звёздочки, подчёркивания. Просто текст, но используй emoji.
+Отвечай простым текстом, не используй форматирование markdown.
 """
 
 redis = Redis()
-llm = ChatOpenAI(model_name="zai-org/GLM-4.6", openai_api_base="https://api.deepinfra.com/v1/openai")
+llm = ChatOpenAI(model_name="Qwen/Qwen3-Next-80B-A3B-Instruct", openai_api_base="https://api.deepinfra.com/v1/openai")
 embedding = DeepInfraEmbeddings(model_id="Qwen/Qwen3-Embedding-8B")
 vectorstore = Clickhouse(embedding, ClickhouseSettings(port=8123, username="default", password="", index_type="vector_similarity"))
 search_tool = DuckDuckGoSearchRun()
 
+
 async def get_relevant_vacancies(requirements: str):
     """Получает релевантные вакансии из базы данных по переданным требованиям."""
-    return await vectorstore.asimilarity_search(requirements, k=10)
+    documents = await vectorstore.asimilarity_search(requirements, k=5)
+    return "\n\n".join(document.page_content for document in documents)
+
 
 async def get_user_resume(user_id: int):
     """Получает резюме пользователя для подбора вакансий."""
-    return await redis.get(user_id)
+    resume_bytes = await redis.get(user_id)
+    return resume_bytes.decode("utf-8")
+
 
 agent = create_agent(
     model=llm,

backend/bot.py

@@ -32,7 +32,7 @@ async def prompt(update: Update, context: ContextTypes.DEFAULT_TYPE):
 
     response = await agent.ainvoke(
         input={"messages": [{"role": "user", "content": f"user_id = {update.effective_user.id}\n{user_prompt}"}]},
-        config={"configurable": {"thread_id": "1"}},
+        config={"configurable": {"thread_id": update.effective_user.id}},
     )
 
     await context.bot.editMessageText(response['messages'][-1].content, update.effective_chat.id, message.id)