diff --git a/README_FA.md b/README_FA.md
new file mode 100644
index 00000000..320cf4fb
--- /dev/null
+++ b/README_FA.md
@@ -0,0 +1,106 @@
+# کتابخانه پایتون Ollama - مستندات فارسی
+
+کتابخانه رسمی پایتون برای اجرای مدل‌های زبانی بزرگ (LLM) به صورت کاملا لوکال و آفلاین با [Ollama](https://ollama.com).
+
+[English README](./README.md)
+
+این مستندات برای جامعه فارسی‌زبان و توسعه‌دهندگان ایرانی نوشته شده تا سریع‌ترین راه برای ساخت چت‌بات فارسی، پردازش فاکتور و RAG را داشته باشند.
+
+## 1. نصب و راه‌اندازی
+
+```bash
+pip install ollama
+ollama serve
+ollama pull llama3.1:8b
+```
+
+## 2. شروع سریع - اولین چت فارسی
+
+```python
+import ollama
+
+response = ollama.chat(model='llama3.1:8b', messages=[
+  {
+    'role': 'user',
+    'content': 'سلام! یک شعر کوتاه درباره تهران بگو.'
+  },
+])
+
+print(response['message']['content'])
+```
+
+## 3. چت استریم (برای ربات تلگرام و وب‌سایت)
+
+```python
+import ollama
+
+stream = ollama.chat(
+    model='llama3.1:8b',
+    messages=[{'role': 'user', 'content': 'درباره هوش مصنوعی توضیح بده'}],
+    stream=True,
+)
+
+for chunk in stream:
+  print(chunk['message']['content'], end='', flush=True)
+```
+
+## 4. چت‌بات با حافظه مکالمه
+
+```python
+import ollama
+
+messages = []
+
+while True:
+  user_input = input("شما: ")
+  if user_input == "خروج":
+    break
+  messages.append({'role': 'user', 'content': user_input})
+  response = ollama.chat(model='llama3.1:8b', messages=messages)
+  bot_reply = response['message']['content']
+  print(f"ربات: {bot_reply}")
+  messages.append({'role': 'assistant', 'content': bot_reply})
+```
+
+## 5. پردازش تصویر - خواندن فاکتور فارسی با LLaVA
+
+```python
+import ollama
+
+response = ollama.chat(
+    model='llava:7b',
+    messages=[{
+        'role': 'user',
+        'content': 'این تصویر یک فاکتور فارسی است. مبلغ کل و تاریخ را استخراج کن.',
+        'images': ['./factor.jpg']
+    }]
+)
+
+print(response['message']['content'])
+```
+
+## 6. نسخه Async برای FastAPI
+
+```python
+import asyncio
+from ollama import AsyncClient
+
+async def main():
+  client = AsyncClient()
+  response = await client.chat(model='llama3.1:8b', messages=[
+    {'role': 'user', 'content': 'سلام'}
+  ])
+  print(response['message']['content'])
+
+asyncio.run(main())
+```
+
+## 7. راهنمای سخت‌افزار
+
+| مدل | RAM لازم | VRAM لازم |
+| :--- | :--- | :--- |
+| llama3.1:8b | 8GB | 6GB |
+| llava:7b | 8GB | 6GB |
+| llama3.1:70b | 64GB | 40GB |
+
+ساخته شده برای کامیونیتی برنامه‌نویسان فارسی
diff --git a/examples/persian_chatbot.py b/examples/persian_chatbot.py
new file mode 100644
index 00000000..2c8177a8
--- /dev/null
+++ b/examples/persian_chatbot.py
@@ -0,0 +1,44 @@
+import ollama
+
+def persian_chatbot():
+    """
+    یک چت‌بات فارسی تعاملی با قابلیت استریم و حافظه مکالمه
+    برای تست: python examples/persian_chatbot.py
+    """
+    print("چت‌بات فارسی Ollama (برای خروج 'خروج' بنویسید)")
+    print("="*50)
+    
+    messages = [
+        {
+            'role': 'system', 
+            'content': 'تو یک دستیار فارسی باهوش، مودب و دقیق هستی. همیشه به زبان فارسی جواب بده.'
+        }
+    ]
+    
+    while True:
+        user_input = input("\nشما: ")
+        if user_input.lower() in ['خروج', 'exit', 'q', 'quit']:
+            print("خدانگهدار!")
+            break
+        
+        messages.append({'role': 'user', 'content': user_input})
+        
+        print("ربات: ", end="")
+        full_response = ""
+        
+        try:
+            stream = ollama.chat(model='llama3.1:8b', messages=messages, stream=True)
+            for chunk in stream:
+                content = chunk['message']['content']
+                print(content, end='', flush=True)
+                full_response += content
+            print()
+        except Exception as e:
+            print(f"\nخطا: {e}")
+            print("آیا مطمئنید ollama serve روشن است؟")
+            continue
+        
+        messages.append({'role': 'assistant', 'content': full_response})
+
+if __name__ == "__main__":
+    persian_chatbot()
\ No newline at end of file