Update utils.py

utils.py

@@ -263,7 +263,7 @@ def document_retrieval_chroma(llm, prompt):
 # rag_chain Alternative für RAg mit Bild-Upload, da hier das llm so nicht genutzt werden kann und der prompt mit den RAG Erweiterungen anders übergeben wird
 #langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
 #prompt mit RAG!!!
-def rag_chain(prompt, db, k=3):
+def rag_chainback(prompt, db, k=3):
     rag_template = "Nutze ausschließlich die folgenden Kontext Teile am Ende, um die Frage zu beantworten . " + template + "Frage: " + prompt + "Kontext Teile: "
     retrieved_chunks  = db.similarity_search(prompt, k)
 
@@ -282,9 +282,57 @@ def rag_chain(prompt, db, k=3):
     for chunk in chunks_dict:
         neu_prompt += f"{chunk['chunk_index']}. {chunk['page_content']}\n"
 
+    print("dict.............................."+ json.dumps(chunks_dict, indent=4, ensure_ascii=False))
+
     return neu_prompt, chunks_dict  # returning both the new prompt and the dictionary
 
 
+###############################################
+#Langchain anlegen
+###############################################
+#langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar
+def llm_chain(llm, prompt):
+    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
+    result = llm_chain.run({"question": prompt})
+    return result
+
+#nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen
+def llm_chain2(llm, prompt):
+    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2)
+    result = llm_chain.run({"question": prompt})
+    return result
+#############################################
+#langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
+def rag_chain(llm, prompt,  retriever):
+    #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen
+    relevant_docs=[]
+    filtered_docs=[]
+    relevant_docs = retriever.get_relevant_documents(prompt)
+    print("releant docs1......................")
+    print(relevant_docs)
+    if (len(relevant_docs)>0):
+        filtered_docs = grade_documents_direct(prompt, relevant_docs)
+    
+    neu_prompt=prompt
+    if (len(filtered_docs)<2): #frage neu formulieren
+        relevant_docs=[]
+        neu_prompt = transform_query_direct(prompt)
+        relevant_docs = retriever.get_relevant_documents(neu_prompt)
+        if (len(relevant_docs)>0):
+            print("releant docs2......................")
+            print(relevant_docs)
+            filtered_docs = grade_documents_direct(neu_prompt, relevant_docs)
+
+    if (len(filtered_docs)>0):
+        llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
+        result = llm_chain.run({"context": filtered_docs, "question": neu_prompt})
+    else:
+        #Normale Abfrage, da keine relevanten Dokumente gefunden
+        llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
+        result = llm_chain.run({"question": neu_prompt})
+    return result
+
+
 
 
 ###################################################