Update app.py

app.py

@@ -54,29 +54,8 @@ if __name__=="__main__":
     # Generación de embeddings y almacenamiento en base de datos ChromaDB
     embeddings = EmbeddingGen("sentence-transformers/all-MiniLM-L12-v2")
     # Define la ruta donde deseas guardar el vector store
-    persist_directory = './vectorstore_data'
-    
-    # Verifica si la carpeta de persistencia existe, si no la crea
-    if not os.path.exists(persist_directory):
-        os.makedirs(persist_directory)
-    
-        # Función para procesar documentos por lotes
-    def process_in_batches(documents, batch_size):
-        """Genera embeddings en lotes para evitar problemas de memoria."""
-        for i in range(0, len(documents), batch_size):
-            batch = [doc.page_content for doc in documents[i:i + batch_size]]
-            embeddings_batch = embeddings.embed_documents(batch)  # Cambié encode por embed_documents
-            yield embeddings_batch
-    vectorstore = Chroma(persist_directory=persist_directory)
-    # Uso de la función con tqdm
-    for embeddings_batch in tqdm(process_in_batches(textos, batch_size=16), desc="Procesando lotes de documentos"):
-        # Procesar embeddings_batch aquí
-        # Aquí se asume que tienes algún método para agregar estos embeddings al vectorstore
-        vectorstore.add_documents(embeddings_batch)
-
-    
+    vectorstore=db.from_documents(textos,embedding_function)
     print("Vectorizado terminado")
-    
     # Convierte el vector store en un recuperador (retriever) de similaridad
     retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 3})