Update app.py

app.py

@@ -15,6 +15,9 @@ from PyPDF2 import PdfReader, PdfWriter
 from hugchat import hugchat
 from hugchat.login import Login
 from tavily import TavilyClient
+import pprint
+
+from langgraph.graph import END, StateGraph
 
 from langchain.chains import LLMChain, RetrievalQA
 from langchain.chat_models import ChatOpenAI
@@ -50,7 +53,8 @@ _ = load_dotenv(find_dotenv())
 #nur bei ersten Anfrage splitten der Dokumente - um die Vektordatenbank entsprechend zu füllen
 #splittet = False
 #DB für Vektorstore
-db = None
+vectorstore = None
+retriever = None
 
 #############################################
 # Allgemeine Konstanten
@@ -336,13 +340,11 @@ def generate_auswahl(prompt_in, file, file_history, chatbot, history, rag_option
         
             if (rag_option == "An"):
                 #muss nur einmal ausgeführt werden... 
-                if db == None:
+                if vectorstore == None:
                     print("db neu aufbauen!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!1")
                     splits = document_loading_splitting()
-                    document_storage_chroma(splits)
-                db = document_retrieval_chroma2()
-                print("db aktiv!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!")
-                print(db)
+                    vectorstore, retriever = document_storage_chroma(splits)
+                
             #else:  #unnötig, da wenn Vektorstor einmal für alle user eingerichtet, wer weiter besthen bleiben kann - die unterschiedlichen Propmt werden dann später je nach rag_option erzeugt
                 #db=None
                 #splittet = False #sonst würde es für alle User wieder ausgeschaltet - Alternative: gr.State(False) dazu anlegen
@@ -517,7 +519,7 @@ def generate_text (prompt, chatbot, history, rag_option, model_option, openai_ap
                 print("LLM aufrufen mit RAG: ...........")
                 print(history_text_und_prompt)
                 print("-------------------------------")
-                result = rag_chain(llm, history_text_und_prompt, db)  #für hugchat noch kein rag möglich...
+                result = rag_chain(llm, history_text_und_prompt, vectorstore)  #für hugchat noch kein rag möglich...
                 #weitere Möglichkeit für Rag-Chain - dann auch für HF Modelle möglich, da kein llm in Langchain übergeben werden muss...
                 #result = rag_chain2(history_text_und_prompt, db, 5)
                 print("result regchain.....................")