diff --git a/gemma-faiss.py b/gemma-faiss.py
index bb41f58..ee2d5b0 100644
--- a/gemma-faiss.py
+++ b/gemma-faiss.py
@@ -12,19 +12,15 @@ from sentence_transformers import SentenceTransformer
 # === KONFIGURACJA ===
 model_name = "hse.ably.do:latest"  # Nazwa modelu Ollama
 faiss_index_path = "faiss_index.idx"  # Plik indeksu FAISS
-kodeks_file = "./docs/kodekspracy.txt"  # Plik z treścią kodeksu pracy
+kodeks_file = "/home/ably.do/docs/kodekspracy.txt"  # Plik z treścią kodeksu pracy
 embedding_model = SentenceTransformer("all-MiniLM-L6-v2")  # Model do embedowania tekstu
 
 # === KROK 1: WCZYTYWANIE KODEKSU PRACY ===
 def load_kodeks(filepath):
-    with open(filepath, 'r', encoding='utf-8') as file:
+    with open(filepath, "r", encoding="utf-8") as file:
         content = file.read()
-        articles = content.split('\n\n')
-        documents = []
-        for article in articles:
-            if article.strip().startswith('Art.'):
-                documents.append(article.strip())
-    return documents
+        articles = content.split("\n\n")  # Dzielimy na sekcje
+    return [article.strip() for article in articles if article.strip().startswith("Art.")]
 
 # === KROK 2: TWORZENIE INDEKSU FAISS ===
 def create_faiss_index(sections):
@@ -36,30 +32,29 @@ def create_faiss_index(sections):
 
 # === KROK 3: WYSZUKIWANIE NAJBLIŻSZEGO FRAGMENTU ===
 def search_faiss(query, index, sections):
-    query_vector = embedding_model.encode([query], convert_to_numpy=True)  # Wektor zapytania
-    _, idx = index.search(query_vector, 1)  # Szukamy 1 najbliższego sąsiada
-    return sections[idx[0][0]]  # Zwracamy najbardziej pasujący fragment kodeksu
+    query_vector = embedding_model.encode([query], convert_to_numpy=True)
+    _, idx = index.search(query_vector, 1)
+    return sections[idx[0][0]] if idx[0][0] < len(sections) else "Nie znaleziono pasującego artykułu."
 
 # === KROK 4: GENEROWANIE ODPOWIEDZI Z OLLAMA ===
 def generate_response(user_query):
     if not os.path.exists(faiss_index_path):
-        return "Błąd: Indeks FAISS nie istnieje. Uruchom aplikację z opcją --rebuild-index, aby go wygenerować."
+        return "Błąd: Indeks FAISS nie istnieje. Uruchom aplikację z opcją --rebuild-index."
 
     try:
-        index = faiss.read_index(faiss_index_path)  # Wczytanie indeksu FAISS
+        index = faiss.read_index(faiss_index_path)
     except Exception as e:
-        return f"Błąd: Nie można załadować indeksu FAISS. Spróbuj odbudować go za pomocą --rebuild-index. Szczegóły: {str(e)}"
+        return f"Błąd ładowania FAISS: {str(e)}"
 
-    sections = load_kodeks(kodeks_file)  # Wczytanie kodeksu
-    best_match = search_faiss(user_query, index, sections)  # Znalezienie najbliższego fragmentu
+    sections = load_kodeks(kodeks_file)
+    best_match = search_faiss(user_query, index, sections)
 
-    # Kontekst dla Ollama
     prompt = f"Odpowiedz na pytanie na podstawie następującego tekstu:\n\n{best_match}\n\nPytanie: {user_query}"
-
     response = ollama.chat(model=model_name, messages=[{"role": "user", "content": prompt}])
-    return response.get("message", "Błąd: Nie udało się wygenerować odpowiedzi.")
 
-# === KROK 5: URUCHOMIENIE INTERFEJSU WEBOWEGO ===
+    return response.get("message", response.get("content", "Błąd: Nie udało się wygenerować odpowiedzi."))
+
+# === KROK 5: INTERFEJS WEBOWY ===
 iface = gr.Interface(
     fn=generate_response,
     inputs=gr.Textbox(label="Zadaj pytanie o kodeks pracy"),
@@ -70,7 +65,7 @@ iface = gr.Interface(
 
 if __name__ == "__main__":
     parser = argparse.ArgumentParser()
-    parser.add_argument("--rebuild-index", action="store_true", help="Wymuś odbudowanie indeksu FAISS")
+    parser.add_argument("--rebuild-index", action="store_true", help="Odbudowanie indeksu FAISS")
     args = parser.parse_args()
 
     if args.rebuild_index or not os.path.exists(faiss_index_path):