Update app.py

app.py

@@ -11,11 +11,11 @@ chroma_collection = db.get_or_create_collection("zalacznik_nr12")
 vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
 embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-en-v1.5")
 
-# Utwórz indeks z vector store
+# Indeks z vector store
 index = VectorStoreIndex.from_vector_store(vector_store, embed_model=embed_model)
 
-# Zamiast query_engine z LLM, użyjemy retrievera bez LLM
-retriever = index.as_retriever()
+# Retriever bez LLM
+retriever = index.as_retriever(similarity_top_k=1)
 
 if "messages" not in st.session_state:
     st.session_state.messages = [{"role": "assistant", "content": "Zadaj mi pytanie..."}]
@@ -32,9 +32,9 @@ if input := st.chat_input():
     if st.session_state.messages[-1]["role"] != "assistant":
         with st.chat_message("assistant"):
             with st.spinner("Czekaj, trwa wyszukiwanie..."):
-                # Pobierz najtrafniejsze dokumenty (np. top 3)
+                
                 results = retriever.retrieve(input)
-                # Połącz teksty wyników w jedną odpowiedź
+                
                 content = "\n\n---\n\n".join([doc.text for doc in results])
                 st.write(content)
                 st.session_state.messages.append({"role": "assistant", "content": content})