Update app.py

app.py

@@ -41,10 +41,10 @@ _ = load_dotenv(find_dotenv())
 #MONGODB_COLLECTION = client[MONGODB_DB_NAME][MONGODB_COLLECTION_NAME]
 #MONGODB_INDEX_NAME = "default"
 
-template = """If you don't know the answer, just say that you don't know, don't try to make up an answer. Keep the answer as concise as possible. Answer in german if not asked otherwise """
+template = """Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte einfach, dass du es nicht weißt. Versuche nicht, die Antwort zu erfinden oder aufzumocken. Halte die Antwort so kurz aber exakt."""
 
-llm_template = "Answer the question at the end. " + template + "Question: {question} Helpful Answer: "
-rag_template = "Use the following pieces of context to answer the question at the end. " + template + "{context} Question: {question} Helpful Answer: "
+llm_template = "Beantworte die Frage am Ende. " + template + "Frage: {question} Hilfreiche Antwort: "
+rag_template = "Nutze die folgenden Kontext Teile, um die Frage zu beantworten am Ende. " + template + "{context} Frage: {question} Hilfreiche Antwort: "
 
 LLM_CHAIN_PROMPT = PromptTemplate(input_variables = ["question"], 
                                   template = llm_template)
@@ -139,8 +139,8 @@ def invoke(openai_api_key, rag_option, prompt):
                          openai_api_key = openai_api_key, 
                          temperature = 0)
         if (rag_option == "Chroma"):
-            #splits = document_loading_splitting()
-            #document_storage_chroma(splits)
+            splits = document_loading_splitting()
+            document_storage_chroma(splits)
             db = document_retrieval_chroma(llm, prompt)
             result = rag_chain(llm, prompt, db)
         elif (rag_option == "MongoDB"):
@@ -157,22 +157,14 @@ def invoke(openai_api_key, rag_option, prompt):
 description = """<strong>Überblick:</strong> Hier wird ein <strong>Large Language Model (LLM)</strong> mit 
                  <strong>Retrieval Augmented Generation (RAG)</strong> auf <strong>externen Daten</strong> demonstriert.\n\n
                  <strong>Genauer:</strong> Folgende externe Daten sind als Beispiel gegeben:
-                 <a href='""" + YOUTUBE_URL_1 + """'>YouTube</a>, <a href='""" + PDF_URL + """'>PDF</a>, and <a href='""" + WEB_URL + """'>Web</a> 
+                 <a href='""" + YOUTUBE_URL_1 + """'>YouTube</a>, <a href='""" + PDF_URL + """'>PDF</a>, and <a href='""" + WEB_URL + """'>Web.</a> 
                  Alle neueren Datums!.
                  <ul style="list-style-type:square;">
                  <li>Setze "Retrieval Augmented Generation" auf  "<strong>Off</strong>" und gib einen Prompt ein." Das entspricht <strong> ein LLM nutzen ohne RAG</strong></li>
                  <li>Setze "Retrieval Augmented Generation" to "<strong>Chroma</strong>"  und gib einen Prompt ein. Das <strong>LLM mit RAG</strong> weiß auch Antworten zu aktuellen Themen aus den angefügten Datenquellen</li>
-                 <li>Experimentiere mit Prompts, z.B.  Answer in German, Arabic, Chinese, Hindi, and Russian." oder "Schreibe ein Python Programm, dass die GPT-4 API aufruft."</li>
+                 <li>Experimentiere mit Prompts, z.B.  Antworte in deutsch, englisch, ..." oder "schreibe ein Python Programm, dass die GPT-4 API aufruft."</li>
                  </ul>\n\n
-                 <strong>Verwendete Technology:</strong> <a href='https://www.gradio.app/'>Gradio</a> UI using the <a href='https://openai.com/'>OpenAI</a> API and 
-                 AI-native <a href='https://www.trychroma.com/'>Chroma</a> embedding database / 
-                 <a href='https://www.mongodb.com/blog/post/introducing-atlas-vector-search-build-intelligent-applications-semantic-search-ai'>MongoDB</a> vector search. 
-                 <strong>Speech-to-text</strong> (STT) via <a href='https://openai.com/research/whisper'>whisper-1</a> model, <strong>text embedding</strong> via 
-                 <a href='https://openai.com/blog/new-and-improved-embedding-model'>text-embedding-ada-002</a> model, and <strong>text generation</strong> via 
-                 <a href='""" + WEB_URL + """'>gpt-4</a> model. Implementation via AI-first <a href='https://www.langchain.com/'>LangChain</a> toolkit.\n\n
-                 In addition to the OpenAI API version, see also the <a href='https://aws.amazon.com/bedrock/'>Amazon Bedrock</a> API and 
-                 <a href='https://cloud.google.com/vertex-ai'>Google Vertex AI</a> API versions on 
-                 <a href='https://github.com/bstraehle/ai-ml-dl/tree/main/hugging-face'>GitHub</a>."""
+                 """
 
 gr.close_all()
 demo = gr.Interface(fn=invoke,