smartmate/backend/config.example.yaml

# SmartFlow 后端配置示例
#
# 使用说明：
# 1. 请复制为 config.yaml 后再按实际环境填写。
# 2. 示例文件强调“结构清晰”和“字段语义明确”，不是生产推荐值。
# 3. 若你只想看 memory 相关配置，优先看本文件下半部分的 memory / rag / websearch 段。

# 服务启动与 HTTP 行为。
server:
  # HTTP 监听端口。
  port: 8080
  # gin 运行模式：debug / release。
  mode: debug
  # 单次请求默认超时时间。
  timeout: 30s

# MySQL 主库配置。
database:
  host: localhost
  port: 3306
  user: smartflow_user
  password: "put_your_database_password_here"
  dbname: "put_your_database_name_here"
  charset: utf8mb4
  parseTime: true
  loc: Local

# 登录态与鉴权令牌配置。
jwt:
  accessSecret: "put_your_jwt_access_secret_here"
  refreshSecret: "put_your_jwt_refresh_secret_here"
  # access token 有效期，面向接口鉴权。
  accessTokenExpire: 15min
  # refresh token 有效期，面向续签。
  refreshTokenExpire: 7d

# 应用日志输出配置。
log:
  level: info
  path: logs/

# Redis 缓存与轻量状态存储。
redis:
  host: localhost
  port: 6379
  password: ""
  db: 0

# Kafka outbox 事件总线配置。
kafka:
  enabled: true
  brokers:
    - "localhost:9092"
  topic: "smartflow.agent.outbox"
  groupID: "smartflow-agent-outbox-consumer"
  retryScanInterval: 1s
  retryBatchSize: 100
  maxRetry: 20

# 时间与学期边界配置。
time:
  zone: "Asia/Shanghai"
  # 学期开始日期，一定要设定为周一，以便于计算周数。
  semesterStartDate: "2026-03-02"
  # 学期结束日期，一定要设定为周日，确保最后一周完整。
  semesterEndDate: "2026-07-19"

# 智能体模型与规划参数。
agent:
  # 轻量模型：标题生成等低复杂度、低延迟场景。
  liteModel: "doubao-seed-2-0-code-preview-260215"
  # 标准模型：Chat 路由/闲聊/深度回答/Deliver 总结。
  proModel: "doubao-seed-2-0-code-preview-260215"
  # 高能力模型：Plan 规划 + Execute ReAct 等深度推理场景。
  maxModel: "doubao-seed-2-0-code-preview-260215"
  # 模型服务根路径。
  baseURL: "https://ark.cn-beijing.volces.com/api/v3"
  # 日内并发优化并发度，建议按模型配额调整。
  dailyRefineConcurrency: 7
  # 周级跨天配平额度上限，防止过度调整。
  weeklyAdjustBudget: 5
  thinking:
    # plan 节点（单轮深度规划），默认开 thinking。
    plan: true
    # execute 节点（ReAct 深度推理），默认开 thinking。
    execute: true
    # deliver 节点（交付总结），默认关 thinking。
    deliver: false
    # 记忆模块（决策比对 + 抽取），默认关 thinking。
    memory: false

# 通用 RAG 配置。
rag:
  # 总开关；关闭后不再走通用向量检索链路。
  enabled: true
  # 当前向量存储类型，可选：inmemory / milvus。
  store: "milvus"
  # 召回候选上限。
  topK: 8
  # 召回相似度阈值。
  threshold: 0.55
  retrieve:
    # 单次检索超时时间，避免主链路长时间阻塞。
    timeoutMs: 1500
  ingest:
    # 文档切块大小；过大影响召回精度，过小影响上下文完整度。
    chunkSize: 400
    # 相邻 chunk 重叠字符数。
    chunkOverlap: 80
  embed:
    # embedding 供应商实现，可选：mock / eino。
    provider: "eino"
    # embedding 模型名。
    model: "doubao-embedding-vision-251215"
    # embedding 服务根路径；API Key 统一从环境变量读取。
    baseURL: "https://ark.cn-beijing.volces.com/api/v3"
    timeoutMs: 1200
    # 向量维度，必须与向量库 collection 配置一致。
    dimension: 1024
  reranker:
    # 是否启用重排。
    enabled: false
    # 当前默认 noop，后续可扩展。
    provider: "noop"
  milvus:
    # Milvus REST 地址，不要填健康检查口。
    address: "http://localhost:19530"
    token: "root:Milvus"
    dbName: ""
    # 通用 RAG chunk collection。
    collectionName: "smartflow_rag_chunks"
    metricType: "COSINE"
    requestTimeoutMs: 1500

# 记忆模块配置。
memory:
  # memory 总开关；关闭后不做抽取、写入、召回、注入。
  enabled: true
  rag:
    # 是否允许 memory 读写链路使用向量召回能力。
    # 关闭后，memory 里的“语义候选”会退回 MySQL 路径，不等于整个 memory 模块关闭。
    enabled: true
  read:
    # 读取模式：
    # 1. legacy：旧读链路，语义上是“RAG 优先，失败再走 legacy”。
    # 2. hybrid：新读链路，先取强约束，再补语义候选，再统一去重/排序/预算裁剪。
    # 3. 如果你想强制纯 MySQL 召回，建议同时设置 read.mode=legacy 且 memory.rag.enabled=false。
    mode: legacy
    # constraint 类型最大注入条数。
    constraintLimit: 5
    # preference 类型最大注入条数。
    preferenceLimit: 5
    # fact 类型最大注入条数。
    factLimit: 5
    # todo_hint 类型最大注入条数。
    todoHintLimit: 3
  inject:
    # 注入渲染模式：
    # flat 为旧扁平列表；typed_v2 为按类型分段，便于模型区分“硬约束”和“参考事实”。
    renderMode: flat
  prompt:
    # 留空表示走代码内默认抽取 prompt。
    extract: ""
    # 留空表示走代码内默认决策 prompt。
    decision: ""
  # memory 向量召回阈值。
  threshold: 0.55
  # 是否启用重排；当前默认关闭。
  enableReranker: false
  llm:
    # 记忆抽取/决策使用的 LLM 随机度，默认尽量保守，提升可复现性。
    temperature: 0.1
    topP: 0.2
  job:
    # 异步记忆任务最大重试次数。
    maxRetry: 6
  worker:
    # worker 轮询间隔。
    pollEvery: 2s
    # 单次认领任务数。
    claimBatch: 1
  decision:
    # 决策层总开关。
    # 开启后，写入链路会从”直接新增”升级成”召回旧记忆 -> 比对 -> 决策动作”。
    enabled: true
    # 决策层语义候选数上限。
    candidateTopK: 5
    # 决策层语义候选最低相似度阈值。
    candidateMinScore: 0.6
    # 决策流程整体失败时的降级策略：
    # legacy_add：退回旧路径直接新增
    # drop：直接丢弃本次写入
    fallbackMode: legacy_add
  write:
    # 写入模式：
    # legacy：沿用旧写入路径
    # decision：启用决策式写入
    # 注意：只有 decision.enabled=true 时，这个值才真正生效。
    mode: legacy
    # 写入最低置信度阈值，抽取结果 confidence 低于此值直接丢弃。
    minConfidence: 0.5

# 联网搜索能力配置。
websearch:
  # 可选：mock | bocha。
  provider: bocha
  # 搜索供应商 API Key；bocha 模式必填，否则会降级为 mock。
  apiKey: ""
  # 单次搜索请求超时。
  timeout: 10s
  # 单次 URL 抓取超时。
  fetchTimeout: 15s
  # 抓取正文最大字符数。
  fetchMaxChars: 4000
  rag:
    # 是否把 websearch 结果继续送入 RAG 处理。
    enabled: false