Update app.py

app.py

@@ -1,5 +1,5 @@
 import streamlit as st
-from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
+from llama_index.core import VectorStoreIndex
 from llama_index.embeddings.huggingface import HuggingFaceEmbedding
 from llama_index.core.node_parser import SentenceSplitter
 from llama_index.core.ingestion import IngestionPipeline
@@ -7,18 +7,18 @@ import chromadb
 from llama_index.vector_stores.chroma import ChromaVectorStore
 from llama_index.llms.ollama import Ollama
 
+from llama_index.llms.huggingface import HuggingFaceLLM
+
+from llama_index.core import Settings
 
 # Ustawienia strony
 st.title("Aplikacja z LlamaIndex")
 
-# Załaduj dokumenty
-documents = SimpleDirectoryReader('./data/').load_data()
-db = chromadb.PersistentClient(path="./data")
-chroma_collection = db.get_or_create_collection("zalacznik_nr12")
+db = chromadb.PersistentClient(path="./abc")
+chroma_collection = db.get_or_create_collection("pomoc_ukrainie")
 vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
 embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-en-v1.5")
 
-
 # Utwórz pipeline do przetwarzania dokumentów
 pipeline = IngestionPipeline(
     transformations=[
@@ -28,12 +28,6 @@ pipeline = IngestionPipeline(
     vector_store=vector_store
 )
 
-pipeline.arun(
-    documents=documents,
-    num_workers=4,  # dopasuj do liczby rdzeni CPU
-    show_progress=True
-)
-
 # Utwórz indeks
 index = VectorStoreIndex.from_vector_store(vector_store, embed_model=embed_model)
 
@@ -75,3 +69,4 @@ if st.session_state.messages[-1]["role"] != "assistant":
     message = {"role": "assistant", "content": content}  # Zapisz całą treść w wiadomości
     st.session_state.messages.append(message)
 
+