Update utils.py

utils.py

@@ -28,7 +28,8 @@ from pygments import highlight
 from pygments.lexers import guess_lexer,get_lexer_by_name
 from pygments.formatters import HtmlFormatter
 
-from langchain.chains import LLMChain, RetrievalQA
+from langchain.chains import LLMChain, RetrievalQA, RunnableSequence 
+from langchain.prompts import PromptTemplate
 from langchain_community.document_loaders import PyPDFLoader,  UnstructuredWordDocumentLoader, DirectoryLoader
 #from langchain.document_loaders.blob_loaders.youtube_audio import YoutubeAudioLoader
 #from langchain.document_loaders import GenericLoader
@@ -301,14 +302,21 @@ def llm_chain2(llm, prompt):
 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......................")
     if (len(relevant_docs)>0):
         print("releant docs2......................")
         print(relevant_docs)
-        llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
-        result = llm_chain.run({"context": relevant_docs, "question": prompt})
+        #llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
+        #result = llm_chain.run({"context": relevant_docs, "question": prompt})
+        # Erstelle ein PromptTemplate mit Platzhaltern für Kontext und Frage
+        #RAG_CHAIN_PROMPT = PromptTemplate(template="Context: {context}\n\nQuestion: {question}\n\nAnswer:")
+        
+        # Erstelle eine RunnableSequence
+        chain = RunnableSequence(steps=[RAG_CHAIN_PROMPT, llm])
+        # Verwende die Kette
+        result = chain.invoke({"context": relevant_docs, "question": prompt})
     else:
         # keine relevanten Dokumente gefunden
         result = "Keine relevanten Dokumente gefunden"