diff --git a/README.en.md b/README.en.md
deleted file mode 100644
index 3a08791..0000000
--- a/README.en.md
+++ /dev/null
@@ -1,166 +0,0 @@
-Jagiellonian University Faculty Chatbot – Faculty of Mathematics and Computer Science
-
-
- A RAG-based chatbot answering student and prospective-student questions about the JU Faculty of Mathematics and Computer Science.
-
Built by the KSI Student Science Club.
-
-
-
- 
- 
- 
-
-
-🇵🇱 Polska wersja / Polish version (main)
-
----
-
-## Table of contents
-
-- [About the project](#about-the-project)
-- [Why this project exists](#why-this-project-exists)
-- [Architecture](#architecture)
-- [Installation](#installation)
-- [Usage](#usage)
-- [Repository structure](#repository-structure)
-- [Team](#team)
-- [Roadmap](#roadmap)
-- [License](#license)
-
----
-
-## Language Versions / Wersje językowe
-
-- **English** — this document
-- [Polish Version](README.md)
-
----
-
-## About the project
-
-Built as part of the **KSI Student Science Club (Koło Naukowe Studentów Informatyki)** at the Jagiellonian University Faculty of Mathematics and Computer Science (UJ WMI). The goal of the project is to build a dedicated chatbot using a **Retrieval-Augmented Generation (RAG)** architecture, able to answer Faculty-related questions based on verified documents and source data.
-
-> _The project is under active development. Some features are still being implemented._
-
-**TODO (optional):** some example questions
-
-## Why this project exists
-
-Our project was born out of a need to make life easier for students (especially those just starting out at WMI), and to build a real, advanced engineering tool within the KSI Student Science Club. We wanted to combine theory with practice:
-
-- Use a RAG (Retrieval-Augmented Generation) architecture to search real Faculty databases and websites.
-- Build a fully local AI ecosystem (based on, among others, a Qwen model).
-- Create a centralized, intelligent assistant that answers questions about courses, credit requirements, or club materials in a few seconds, removing the need to click through dozens of subpages.
-
-## Architecture
-
-The system is built on a modern tech stack for RAG systems:
-
-- **LLM (Decoder):** `Qwen3-30B-A3B Q4_K_M` model, hosted locally.
-- **Embeddings / Database:** (TODO: fill in).
-- **Document processing:** `pymupdf4llm`, `BeautifulSoup4`, `pypdf`, `python-docx`.
-- **Backend:** Python, (TODO: fill in).
-
-## Installation
-
-**TODO:** the project is still under construction, so a full end-to-end install guide doesn't exist yet. Below is a skeleton to fill in as each module is completed.
-
-### Requirements
-
-- Python 3.11+
-- **TODO:** remaining requirements
-
-### Steps
-
-```bash
-# 1. Clone the repository
-git clone
-cd
-
-# 2. Create a virtual environment
-python -m venv venv
-source venv/bin/activate # Windows: venv\Scripts\activate
-
-# 3. Install dependencies
-pip install -r requirements.txt
-# TODO: create a single requirements.txt covering the whole project
-
-# 4. Configure environment variables
-cp .env.example .env # TODO: add a .env.example file
-# fill in MORDOR_COOKIE, USOS API credentials, etc.
-```
-
-## Usage
-
-Once the environment is set up (see [Installation](#installation)):
-
-```bash
-# Scrape faculty websites and Wikipedia
-python src/data/strony/scraper.py
-
-# Download files from Mordor
-python src/data/mordor/files_downloader.py
-
-# Process downloaded Mordor files into chunks
-python src/data/mordor/mordor_scraper.py
-
-# Query the USOS API (exploratory/anonymous mode)
-python src/data/usos/usos_client.py services/fac/fac2 --params fac_id=WMI
-
-# TODO: fill in as next steps are completed
-```
-
-## Repository structure
-
-```
-.
-├── docs/
-│ └── plan.txt # project plan, sprint notes
-├── src/
-│ ├── backend/
-│ │ └── main.py # backend API (FastAPI) — in progress
-│ └── data/
-│ ├── mordor/ # downloading and processing files from Mordor
-│ ├── strony/ # scraper for faculty/club websites and Wikipedia
-│ └── usos/ # USOS API client
-├── README.md
-└── README.en.md
-```
-
-**TODO:** expand this as more directories are added
-
-## Team
-
-**Mentor:** Oliwier Polak (@Kangurur)
-
-**Team members:**
-
-- **Karol Dziekan** (@Dariooo23)
-- **Patrycja Jaworska** (@zazu1023)
-- **Sonia Skuczeń** (@SonSku)
-- **Mikołaj Suchan** (@Wuchan33)
-- **Aleksandra Woźny** (@olkaa566)
-
-## Roadmap
-
-**Must have**
-
-- RAG (encoder + database + decoder)
-- Data
-
-**Should have**
-
-- Simple website
-
-**Could have**
-
-- Nicer website
-- Advanced features
-- User accounts, etc.
-- Automation
-
-**TODO:** replace with the current roadmap / link to the project board once the plan evolves.
-
-## License
-
-**TODO:** no license has been chosen yet.
diff --git a/README.md b/README.md
index 2343897..3027a95 100644
--- a/README.md
+++ b/README.md
@@ -1,137 +1,213 @@
-Chatbot Wydziałowy UJ – Wydział Matematyki i Informatyki
+Jagiellonian University Faculty Chatbot – Faculty of Mathematics and Computer Science
- Chatbot oparty o RAG, który odpowiada na pytania studentów i kandydatów dotyczące Wydziału Matematyki i Informatyki UJ.
-
Tworzony przez Koło Naukowe KSI.
+ A RAG-based chatbot answering student and prospective-student questions about the UJ Faculty of Mathematics and Computer Science.
+
Built by the KSI Student Science Club.
- 
-
+
+ 
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+
+
---
-## Spis treści
+## Table of contents
+
+
-- [O projekcie](#o-projekcie)
-- [Dlaczego ten projekt powstał](#dlaczego-ten-projekt-powstał)
-- [Architektura](#architektura)
-- [Instalacja](#instalacja)
-- [Użycie](#użycie)
-- [Struktura repozytorium](#struktura-repozytorium)
-- [Zespół](#zespół)
-- [Roadmapa](#roadmapa)
-- [Licencja](#licencja)
+- [About the project](#about-the-project)
+- [Why this project exists](#why-this-project-exists)
+- [Architecture](#architecture)
+- [Installation](#installation)
+- [Usage](#usage)
+- [Repository structure](#repository-structure)
+- [Team](#team)
+- [License](#license)
---
-## Wersje językowe / Language Versions
+## About the project
-- **Polski** — ten dokument
-- [English Version](README.en.md)
+A chatbot for the Jagiellonian University Faculty of Mathematics and Computer Science (UJ WMI), built by the **KSI Student Science Club**. It uses **Retrieval-Augmented Generation (RAG)** to answer Faculty-related questions grounded in real, verified sources instead of guessing.
----
+What it does:
+
+- Answers questions about credit requirements, course rules, and Faculty procedures using documents indexed from Mordor (the Faculty's internal file-sharing platform) and Faculty/club websites.
+- Pulls staff contact info, office hours, and positions directly from the USOS API.
+- Surfaces the actual source file (including scanned PDFs and images) behind an answer, not just a generated summary.
+- Runs entirely on a self-hosted stack — local embeddings and a local LLM served through Ollama, no third-party AI API calls.
+
-## O projekcie
+> _The project is under active development. The RAG pipeline and backend API are functional._
-Projekt realizowany w ramach **Koła Naukowego Studentów Informatyki (KSI)** przy Wydziale Matematyki i Informatyki Uniwersytetu Jagiellońskiego (UJ WMI). Celem projektu jest stworzenie dedykowanego chatbota wykorzystującego architekturę **RAG (Retrieval-Augmented Generation)**, który sprawnie odpowiada na pytania związane z wydziałem, bazując na sprawdzonych dokumentach i danych źródłowych.
+
-**TODO (opcjonalnie):** jakieś przykłady pytań
+## Why this project exists
-## Dlaczego ten projekt powstał
+Our project was born out of a need to make life easier for students (especially those just starting out at WMI), and to build a real, advanced engineering tool within the KSI Student Science Club. We wanted to combine theory with practice:
-Nasz projekt powstał z potrzeby ułatwienia życia studentom (szczególnie tym zaczynającym swoją przygodę na WMI) oraz stworzenia realnego, zaawansowanego narzędzia inżynierskiego w ramach Koła Naukowego Studentów Informatyki (KSI). Chcieliśmy połączyć teorię z praktyką:
+- Use a RAG (Retrieval-Augmented Generation) architecture to search real Faculty databases and websites.
+- Build a fully local AI ecosystem (served through Ollama, running a Qwen model).
+- Create a centralized, intelligent assistant that answers questions about courses, credit requirements, or club materials in a few seconds, removing the need to click through dozens of subpages.
-- Wykorzystać architekturę RAG (Retrieval-Augmented Generation) do przeszukiwania realnych, wydziałowych baz danych i stron.
-- Zbudować w pełni lokalny ekosystem AI (oparty m.in. o model Qwen).
-- Stworzyć scentralizowanego, inteligentnego asystenta, który w kilka sekund odpowie na pytania o przedmioty, zasady zaliczeń czy materiały z koła, eliminując konieczność przeklikiwania dziesiątek podstron.
+## Architecture
-## Architektura
+- **LLM (Decoder):** `Qwen2.5:14b`, served locally through [Ollama](https://ollama.com/) (`src/backend/llm/client.py`). Model and host are configurable via `OLLAMA_MODEL` / `OLLAMA_HOST`.
+- **Embeddings:** `sentence-transformers`, defaulting to [`sdadas/mmlw-roberta-large`](https://huggingface.co/sdadas/mmlw-roberta-large) — a model tuned for Polish retrieval (`src/backend/RAG/encoder.py`). Swappable via `RAG_EMBEDDING_MODEL` without code changes.
+- **Vector store:** [ChromaDB](https://www.trychroma.com/) (`PersistentClient`), storing all three data sources in a single collection distinguished by a `source` field (`src/backend/RAG/vectorstore.py`).
+- **Relational database:** SQLAlchemy + Alembic migrations, SQLite by default (configurable via `DATABASE_URL`) — stores users, conversations, and messages (`src/backend/models.py`, `src/backend/database.py`).
+- **Backend API:** FastAPI (`src/backend/main.py`), exposing chat and conversation endpoints.
+- **Document processing:** `pymupdf4llm`, `BeautifulSoup4`, `pypdf`, `python-docx`.
+- **Frontend:** React 19 + TypeScript + Vite + Tailwind CSS (`src/frontend/`).
-System opiera się na nowoczesnym stosie technologicznym dla systemów RAG:
+### Data sources
-- **LLM (Decoder):** Model `Qwen3-30B-A3B Q4_K_M` hostowany lokalnie.
-- **Embeddings / Baza Danych:** (TODO: uzupełnić).
-- **Przetwarzanie dokumentów:** `pymupdf4llm`, `BeautifulSoup4`, `pypdf`, `python-docx`.
-- **Backend:** Python, (TODO: uzupełnić).
+Three independent ingestion pipelines feed the vector store (`src/backend/RAG/ingest/`), unified under one CLI:
-## Instalacja
+- **Mordor** (`from_mordor.py`) — files downloaded from the Faculty's internal file-sharing platform via `src/data/mordor/files_downloader.py`.
+- **Strony** (`from_strony.py`) — a scraper over Faculty/club websites (`src/data/strony/scraper.py`).
+- **USOS** (`from_usos.py`) — data pulled through the USOS API (`src/data/usos/`), covering both anonymous and signed/authenticated calls.
-**TODO:** projekt jest w trakcie budowy, więc pełna instrukcja instalacji end-to-end jeszcze nie istnieje. Poniżej szkielet do uzupełnienia w miarę powstawania poszczególnych modułów.
+## Installation
-### Wymagania
+### Requirements
-- Python 3.11+
-- **TODO:** reszta wymagań
+- Python 3.10+
+- Node.js (for the frontend)
+- [Ollama](https://ollama.com/) running locally with a chat model pulled (default: `qwen2.5:14b`)
-### Kroki
+### Steps
```bash
-# 1. Sklonuj repozytorium
-git clone
-cd
+# 1. Clone the repository
+git clone git@github.com:KSIUJ/chatbot.git
+cd chatbot
-# 2. Utwórz środowisko wirtualne
+# 2. Create a virtual environment
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
-# 3. Zainstaluj zależności
+# 3. Install backend dependencies
pip install -r requirements.txt
-# TODO: zrobić requirements.txt obejmujące cały projekt
-# 4. Skonfiguruj zmienne środowiskowe
-cp .env.example .env # TODO: dodać plik .env.example
-# uzupełnij m.in. MORDOR_COOKIE, dane USOS API
+# 3a. Install extra dependencies needed only for the strony/mordor scrapers
+# (not required if you only run the backend/RAG pipeline)
+pip install -r src/data/strony/requirements.txt
+pip install -r src/data/mordor/requirements.txt
+
+# 4. Configure environment variables
+cp .env.example .env
+# fill in USOS_CONSUMER_KEY / USOS_CONSUMER_SECRET if you need signed USOS calls,
+# and optionally RAG_EMBEDDING_MODEL / RAG_QUERY_PREFIX / RAG_PASSAGE_PREFIX
+#
+# The following are NOT in .env.example but can be added manually if needed:
+# MORDOR_COOKIE, DATABASE_URL, FRONTEND_ORIGINS, OLLAMA_HOST, OLLAMA_MODEL
+# (see defaults in src/backend/config.py, database.py, llm/client.py)
+
+# 5. Apply database migrations
+python -m alembic upgrade head
+
+# 6. Install frontend dependencies
+cd src/frontend
+npm install
+```
+
+## Usage
+
+### Backend API
+
+```bash
+# from the repo root, with the venv active
+uvicorn src.backend.main:app --reload
```
-## Użycie
+Key endpoints:
-Po skonfigurowaniu środowiska (patrz [Instalacja](#instalacja)):
+- `GET /health` — health check
+- `POST /conversations` — start a new conversation
+- `GET /conversations/{id}` — fetch a conversation and its message history
+- `POST /chat` — send a message (optionally with `conversation_id`), get back the assistant's reply plus matched source files
+
+### Frontend
```bash
-# Pobranie danych ze stron wydziałowych i Wikipedii
+cd src/frontend
+npm run dev
+```
+
+### Data ingestion
+
+```bash
+# Scrape faculty/club websites and Wikipedia
python src/data/strony/scraper.py
-# Pobranie plików z Mordoru
+# Download files from Mordor
python src/data/mordor/files_downloader.py
-# Przetworzenie pobranych plików z Mordoru na chunki (do bazy wektorowej)
-python src/data/mordor/mordor_scraper.py
-
-# Zapytania do USOS API (tryb eksploracyjny/anonimowy)
+# Pull data from USOS (exploratory CLI)
python src/data/usos/usos_client.py services/fac/fac2 --params fac_id=WMI
-# TODO: uzupełnić przy następnych krokach
+# Ingest all three sources into the vector store
+python -m src.backend.RAG.ingest.run_ingest
+# or a single source:
+python -m src.backend.RAG.ingest.run_ingest --source mordor
+```
+
+### Tests
+
+```bash
+pytest
```
-## Struktura repozytorium
+## Repository structure
```
.
-├── docs/
-│ └── plan.txt # plan projektu, notatki ze sprintów
+├── alembic/ # database migrations
+├── data/ # runtime output (gitignored, empty in repo)
+├── dataset/ # runtime vector store output (gitignored, empty in repo)
+├── docs/ # sprint notes
├── src/
│ ├── backend/
-│ │ └── main.py # API backendu (FastAPI) — w budowie
-│ └── data/
-│ ├── mordor/ # pobieranie i przetwarzanie plików z Mordoru
-│ ├── strony/ # scraper stron wydziałowych, kół, Wikipedii
-│ └── usos/ # klient USOS API
-├── README.md
-└── README.en.md
+│ │ ├── main.py # FastAPI app: chat + conversation endpoints
+│ │ ├── database.py, models.py # SQLAlchemy models (users, conversations, messages)
+│ │ ├── config.py
+│ │ ├── request.py, response.py
+│ │ ├── llm/ # Ollama client + prompt/answer generation
+│ │ └── RAG/
+│ │ ├── encoder.py # text -> embeddings
+│ │ ├── vectorstore.py # ChromaDB wrapper
+│ │ ├── retriever.py, context_builder.py
+│ │ └── ingest/ # per-source loaders (mordor, strony, usos) + CLI
+│ ├── data/ # source code for scraping/downloading (mordor, strony, usos)
+│ └── frontend/ # React + TypeScript + Vite + Tailwind app
+├── tests/backend/RAG/ # pytest suite for the RAG pipeline
+├── requirements.txt
+└── README.md
```
-**TODO:** rozbudować opis w miarę powstawania kolejnych katalogów
-
-## Zespół
+## Team
**Mentor:** Oliwier Polak (@Kangurur)
-**Członkowie zespołu:**
+**Team members:**
- **Karol Dziekan** (@Dariooo23)
- **Patrycja Jaworska** (@zazu1023)
@@ -139,26 +215,6 @@ python src/data/usos/usos_client.py services/fac/fac2 --params fac_id=WMI
- **Mikołaj Suchan** (@Wuchan33)
- **Aleksandra Woźny** (@olkaa566)
-## Roadmapa
-
-**Must have**
-
-- RAG (encoder + baza danych + decoder)
-- Dane
-
-**Should have**
-
-- Prosta strona
-
-**Could have**
-
-- Ładna strona
-- Zaawansowane funkcjonalności
-- Konta użytkowników itp.
-- Automatyzacja
-
-**TODO:** zamienić na aktualną roadmapę / link do tablicy projektowej, gdy plan się rozwinie.
-
-## Licencja
+## License
-**TODO:** projekt nie ma jeszcze wybranej licencji.
+**TODO:** no license has been chosen yet.