Add Qdrant and ChromaDB support to the project

- Added Qdrant service to both docker-compose files for production and development.
- Updated environment variables in .env.example and settings.py to include Qdrant configuration.
- Included necessary dependencies for Qdrant and ChromaDB in requirements.txt.
- Updated .gitignore to exclude ChromaDB data files.

rag/embedding.py

@@ -0,0 +1,71 @@
+"""
+سرویس تعبیه‌سازی متن با Avalai API (OpenAI-compatible)
+"""
+import os
+from typing import overload
+
+from openai import OpenAI
+
+from .config import load_rag_config, RAGConfig
+
+
+def _get_avalai_client(config: RAGConfig | None) -> OpenAI:
+    """ساخت کلاینت OpenAI برای Avalai API."""
+    cfg = config or load_rag_config()
+    emb = cfg.embedding
+    env_var = emb.api_key_env or "AVALAI_API_KEY"
+    api_key = os.environ.get(env_var)
+    base_url = emb.base_url or os.environ.get(
+        "AVALAI_BASE_URL", "https://api.avalai.ir/v1"
+    )
+    return OpenAI(api_key=api_key, base_url=base_url)
+
+
+def embed_texts(
+    texts: list[str],
+    config: RAGConfig | None = None,
+    model: str | None = None,
+    dimensions: int | None = None,
+) -> list[list[float]]:
+    """
+    تعبیه‌سازی لیست متن‌ها با Avalai.
+
+    Args:
+        texts: لیست رشته‌های ورودی
+        config: تنظیمات RAG (پیش‌فرض: load_rag_config)
+        model: نام مدل (override از config)
+        dimensions: تعداد ابعاد (فقط برای مدل‌های پشتیبانی‌کننده)
+
+    Returns:
+        لیست وکتورها
+    """
+    if not texts:
+        return []
+
+    cfg = config or load_rag_config()
+    client = _get_avalai_client(cfg)
+    model_name = model or cfg.embedding.model
+    batch_size = cfg.embedding.batch_size
+
+    all_embeddings: list[list[float]] = []
+    extra = {}
+    if dimensions is not None:
+        extra["dimensions"] = dimensions
+
+    for i in range(0, len(texts), batch_size):
+        batch = texts[i : i + batch_size]
+        resp = client.embeddings.create(
+            model=model_name,
+            input=batch,
+            **extra,
+        )
+        for item in sorted(resp.data, key=lambda x: x.index):
+            all_embeddings.append(item.embedding)
+
+    return all_embeddings
+
+
+def embed_single(text: str, config: RAGConfig | None = None, **kwargs) -> list[float]:
+    """تعبیه‌سازی یک متن. خروجی مستقیماً یک وکتور است."""
+    vecs = embed_texts([text], config=config, **kwargs)
+    return vecs[0] if vecs else []