Update app.py

app.py

@@ -18,6 +18,7 @@ import chromadb as chromadb
 from chromadb.utils import embedding_functions
 #
 
+last = 0
 CHROMA_DATA_PATH = "chroma_data/"
 EMBED_MODEL = "BAAI/bge-m3"
 # all-MiniLM-L6-v2
@@ -32,6 +33,7 @@ max_tokens=3072
 top_p=0.8
 frequency_penalty=0.0
 presence_penalty=0.15
+jezik = "srpski"
 
 system_sr = "Zoveš se U-Chat AI asistent i pomažeš korisniku usluga kompanije United Group. Korisnik postavlja pitanje ili problem, upareno sa dodatnima saznanjima. Na osnovu toga napiši korisniku kratak i ljubazan odgovor koji kompletira njegov zahtev ili mu daje odgovor na pitanje. "
 # " Ako ne znaš odgovor, reci da ne znaš, ne izmišljaj ga."
@@ -47,6 +49,7 @@ collection = chroma_client.get_or_create_collection(
         embedding_function=embedding_func,
         metadata={"hnsw:space": "cosine"},
     )
+last = collection.count()
 
 #
 HF_TOKEN = "wncSKewozDfuZCXCyFbYbAMHgUrfcrumkc"
@@ -79,6 +82,16 @@ vector_store = ChromaVectorStore(chroma_collection=collection)
 index = VectorStoreIndex.from_vector_store(vector_store, embed_model=Settings.embed_model)
 query_engine = index.as_query_engine()
 def rag(input_text, file):
+    if (file):
+        documents = []
+        for f in file:
+            documents += SimpleDirectoryReader(f).load_data()
+        index = VectorStoreIndex.from_documents(documents)
+    collection.add(
+        documents=documents,
+        ids=[f"id{last+i}" for i in range(len(documents))],
+        metadatas=[{"state": "s0", "next": "s0", "used": False, "source": 'None', "page": -1, "lang": jezik } for i in range(len(documents)) ]
+    )
     return query_engine.query(
         input_text
     )