Update app.py

app.py

@@ -7,7 +7,8 @@ from langchain_huggingface import HuggingFaceEmbeddings
 from langchain.prompts import PromptTemplate
 from langchain_core.output_parsers import StrOutputParser
 from langchain_core.runnables import RunnablePassthrough
-from langchain_chroma import Chroma
+from langchain.vectorstores import Chroma
+from chromadb.config import Settings
 from langchain_text_splitters import RecursiveCharacterTextSplitter
 
 # Tiêu đề ứng dụng
@@ -54,7 +55,7 @@ def format_docs(docs):
 def get_chat_google_model(api_key):
     os.environ["GOOGLE_API_KEY"] = api_key
     return ChatGoogleGenerativeAI(
-        model="gemini-1.5-flash",
+        model="gemini-1.5-pro",
         temperature=0,
         max_tokens=None,
         timeout=None,
@@ -77,8 +78,6 @@ def get_embedding_model():
 
 # Hàm tạo RAG Chain
 @st.cache_resource
-# Hàm tạo RAG Chain với xử lý lưu trữ Chroma
-@st.cache_resource
 def compute_rag_chain(_model, _embd, docs_texts):
     if not docs_texts:
         raise ValueError("Không có tài liệu nào để xử lý. Vui lòng tải lên các tệp hợp lệ.")
@@ -95,9 +94,11 @@ def compute_rag_chain(_model, _embd, docs_texts):
     if not os.path.exists(persist_dir):
         os.makedirs(persist_dir)
     
+    # Khởi tạo Chroma với cấu hình lưu trữ
+    settings = Settings(persist_directory=persist_dir)
+
     # Khởi tạo Chroma và lưu dữ liệu
-    vectorstore = Chroma.from_texts(texts=texts, embedding=_embd, persist_directory=persist_dir)
-    vectorstore.persist()  # Lưu dữ liệu vào thư mục persist_dir
+    vectorstore = Chroma.from_texts(texts=texts, embedding=_embd, client_settings=settings)
     retriever = vectorstore.as_retriever()
 
     # Template cho prompt
@@ -120,8 +121,6 @@ def compute_rag_chain(_model, _embd, docs_texts):
     )
     return rag_chain
 
-
-
 # Dialog cài đặt Google Gemini
 @st.dialog("Setup Gemini")
 def setup_gemini():