Update app.py

app.py

@@ -45,15 +45,16 @@ messages = [
 qa_prompt = ChatPromptTemplate.from_messages( messages )
 
 @traceable
-pdf_qa = ConversationalRetrievalChain.from_llm(
-            llm = llm,
-            retriever=vectordb.as_retriever(search_kwargs={'k':16})
-            , combine_docs_chain_kwargs={'prompt': qa_prompt},
-            memory = memory#,max_tokens_limit=4000
-            )
+def pdf_qa(query):
+    
+    function = ConversationalRetrievalChain.from_llm(
+        llm = llm,
+        retriever=vectordb.as_retriever(search_kwargs={'k':16})
+        , combine_docs_chain_kwargs={'prompt': qa_prompt},
+        memory = memory#,max_tokens_limit=4000
+    )
 
-#Clarification: Si la pregunta del usuario es vaga o le faltan detalles importantes para dar una respuseta, debes realizar preguntas de clarificación para entender sus necesidades y darle la asistencia adecuada.
-#Constraints: Debes responder solamente con la informacion disponible y saludar solo una vez. En caso no tengas una respuesta o no estés seguro, no inventes respuesta.
+    return function({"question": query})
 
 import gradio as gr
 # Define chat interface
@@ -76,7 +77,7 @@ with gr.Blocks() as demo:
             chat_history_tuples.append((message[0], message[1]))
 
         # Get result from QA chain
-        result = pdf_qa({"question": query})#, "chat_history": chat_history_tuples})
+        result = pdf_qa(query))
 
         # Append user message and response to chat history
         chat_history.append((query, result["answer"]))