Update utils.py

utils.py

@@ -466,14 +466,38 @@ def llm_chain2(llm, prompt):
     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, db):
-    rag_chain = RetrievalQA.from_chain_type(llm, 
-                                            chain_type_kwargs = {"prompt": RAG_CHAIN_PROMPT}, 
-                                            retriever = db.as_retriever(search_kwargs = {"k": 5}), 
-                                            return_source_documents = True)
-    result = rag_chain({"query": prompt})
-    return result["result"]
+#von der Vektordatenbank relevante Dokumente, die zum Prrompt passen raussuchen und mit anhängen
+#vor dem Anhängen werden die Dokumente auf Relevnz gecheckt - sind nicht genüend relevante Docs dabei, wird der prompt von einer anderen KI neu formuliert und 
+#es wird versucht aus der Vektordatenbak dadurch weitere Dokumente, die relevant sind, herauszuholen.
+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
+
 
 ############################################
 # 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