docs: add RAG + Memory implementation status

Create RAG-MEMORY-STATUS.md with detailed analysis:
- What's implemented (Memory Store, partial RAG)
- What's missing (RAG Service, full integration)
- Current architecture vs target architecture
- Next steps and priorities

Status: ~40% implemented
- Memory: 100% ✅
- RAG: 20% ⚠️ (only PARSER ready)
- Integration: 30% ⚠️

RAG-MEMORY-STATUS.md

@@ -0,0 +1,194 @@
+# Статус реалізації: RAG + Memory (як на зображенні)
+
+Аналіз поточного стану системи відносно архітектури зі зображення.
+
+---
+
+## 📊 Поточний стан
+
+### ✅ Реалізовано
+
+#### 1. Memory Store (Dialogue + User Context)
+
+**Статус:** ✅ Повністю реалізовано
+
+**Що є:**
+- `services/memory-service/` — повноцінний сервіс
+- Таблиці:
+  - `user_facts` — довгострокові факти про користувача
+  - `dialog_summaries` — резюме діалогів
+  - `agent_memory_events` — події пам'яті агентів
+  - `agent_memory_facts_vector` — векторні представлення фактів (для RAG фактів)
+
+**Інтеграція:**
+- ✅ Gateway → Memory Service (`gateway-bot/memory_client.py`)
+- ✅ Router → Memory context (`providers/llm_provider.py`)
+- ✅ Memory context передається в LLM промпт
+- ✅ Збереження діалогів (`save_chat_turn()`)
+
+**Як працює:**
+```
+User Query → Gateway → memory_client.get_context()
+  → Отримує facts, recent_events, dialog_summaries
+  → Передає в Router → LLM з memory context
+  → Зберігає результат через save_chat_turn()
+```
+
+---
+
+#### 2. Vector Search для фактів агентів
+
+**Статус:** ✅ Частково реалізовано
+
+**Що є:**
+- Таблиця `agent_memory_facts_vector` з pgvector
+- Модель `AgentMemoryFactsVector` в `memory-service/app/models.py`
+- Документація про векторний пошук в `docs/cursor/13_agent_memory_system.md`
+
+**Що відсутнє:**
+- ❌ API endpoint для векторного пошуку фактів
+- ❌ Інтеграція векторного пошуку в Router
+- ❌ Embedding service для генерації embeddings
+
+---
+
+### ⚠️ Частково реалізовано
+
+#### 3. RAG для документів (Document Retrieval)
+
+**Статус:** ⚠️ Планування + PARSER готовий
+
+**Що є:**
+- ✅ `services/parser-service/` — повністю готовий
+  - Підтримка PDF/зображень
+  - dots.ocr інтеграція (готовий код)
+  - Ollama runtime
+  - Конвертація в chunks для RAG
+- ✅ `app/utils/rag_converter.py` — конвертація ParsedDocument → Haystack Documents
+- ✅ `TODO-RAG.md` — детальний план реалізації
+- ✅ `INTEGRATION.md` — гайд інтеграції
+
+**Що відсутнє:**
+- ❌ `services/rag-service/` — не створено
+- ❌ Haystack Document Store для документів
+- ❌ Embedding service для документів
+- ❌ Ingest pipeline (PARSER → RAG)
+- ❌ Query pipeline (RAG → LLM)
+- ❌ Інтеграція з DAGI Router (`mode=rag_query`)
+
+---
+
+### ❌ Не реалізовано
+
+#### 4. Повна RAG архітектура (як на зображенні)
+
+**Query → Retriever (Vector DB) → Generator (LLM) → Memory Store**
+
+**Поточний стан:**
+- ✅ Memory Store — є
+- ✅ LLM Generator — є (через Router)
+- ⚠️ Retriever (Vector DB) — тільки для фактів агентів, не для документів
+- ❌ Повна інтеграція Query → Retriever → Generator → Memory
+
+**Що потрібно:**
+1. Створити RAG Service з Haystack
+2. Налаштувати Document Store (pgvector для документів)
+3. Інтегрувати Retriever в Router
+4. Додати Memory context в RAG pipeline
+
+---
+
+## 🔄 Поточна архітектура
+
+### Що працює зараз:
+
+```
+User Query
+    ↓
+Gateway
+    ↓
+Memory Service (facts, events, summaries)
+    ↓
+Router → LLM Provider
+    ↓
+LLM (з memory context)
+    ↓
+Response
+    ↓
+Memory Service (save chat turn)
+```
+
+### Що відсутнє для повної RAG:
+
+```
+User Query
+    ↓
+Gateway
+    ↓
+Memory Service (user context)
+    ↓
+Router
+    ↓
+RAG Retriever (Vector DB для документів) ← ❌ НЕ РЕАЛІЗОВАНО
+    ↓
+LLM Generator (з retrieved documents + memory)
+    ↓
+Response
+    ↓
+Memory Store (save)
+```
+
+---
+
+## 📋 Що потрібно додати
+
+### Пріоритет 1: RAG Service для документів
+
+- [ ] Створити `services/rag-service/`
+- [ ] Налаштувати Haystack Document Store (pgvector)
+- [ ] Embedding service (BAAI/bge-m3)
+- [ ] Ingest pipeline (PARSER → RAG)
+- [ ] Query pipeline (RAG → LLM)
+
+### Пріоритет 2: Інтеграція Memory + RAG
+
+- [ ] Додати Memory context в RAG query pipeline
+- [ ] Об'єднати retrieved documents + memory facts
+- [ ] Передати все в LLM Generator
+
+### Пріоритет 3: Vector Search для фактів
+
+- [ ] API endpoint для векторного пошуку фактів
+- [ ] Embedding service для фактів
+- [ ] Інтеграція в Router
+
+---
+
+## 🎯 Висновок
+
+**Реалізовано:**
+- ✅ Memory Store (Dialogue + User Context)
+- ✅ Інтеграція Memory в Router/LLM
+- ✅ PARSER Service (готовий до використання)
+
+**Не реалізовано:**
+- ❌ RAG для документів (Retriever + Vector DB)
+- ❌ Повна інтеграція Query → Retriever → Generator → Memory
+- ❌ Vector Search API для фактів
+
+**Статус:** ~40% реалізовано
+- Memory частина: ✅ 100%
+- RAG частина: ⚠️ 20% (тільки PARSER готовий)
+- Інтеграція: ⚠️ 30% (Memory працює, RAG ні)
+
+---
+
+## 🚀 Наступні кроки
+
+1. **Створити RAG Service** (з TODO-RAG.md)
+2. **Інтегрувати PARSER → RAG** (ingest pipeline)
+3. **Додати RAG Retriever в Router** (query pipeline)
+4. **Об'єднати Memory + RAG** в одному pipeline
+
+**Орієнтовний час:** 5-7 днів для повної реалізації
+