config.toml.example

# =================================================================
# 本地知识库AI聊天机器人 - 主配置文件 (config.toml.example)
# =================================================================
# 使用方法:
# 1. 将此文件复制并重命名为 config.toml
# 2. 非密钥类配置放在这里
# 3. 密钥类配置请放在 .env
# 4. 修改后需要重启程序
# =================================================================

# OpenAI 兼容接口的默认 Base URL
openai_api_base = "https://api.openai.com/v1"
# SiliconFlow 的 Base URL
siliconflow_base_url = "https://api.siliconflow.cn/v1"
# Qwen 官方接口的 Base URL
qwen_base_url = "https://dashscope.aliyuncs.com/api/v1"
# DeepSeek 的 Base URL
deepseek_base_url = "https://api.deepseek.com"
# Ollama 的 Base URL
ollama_base_url = "http://localhost:11434/v1"
# LM Studio 的 Base URL
lm_studio_base_url = "http://localhost:1234/v1"
# 火山引擎的 Base URL
volc_base_url = "https://maas-api.ml-platform-cn-beijing.volces.com"
# Grok 的 Base URL
grok_base_url = "https://api.x.ai/v1"

# 日志级别
log_level = "WARNING"
# 缓存目录
cache_path = ".cache"
# 日志输出目录
log_path = "data/logs"
# 日志保留天数
log_retention_days = 15

# 原始知识库目录
knowledge_base_path = "knowledge_base"
# 旧版 pkl 知识库路径，仅用于一次性迁移或重建参考
pkl_path = "data/employee_kb.pkl"
# 知识快照根目录，新的活动索引默认保存在这里
snapshot_root = "data/kb"

# 是否在清洗阶段折叠连续空白字符
kb_replace_whitespace = false
# 是否移除多余空格
kb_remove_spaces = false
# 是否移除 URL 和邮箱
kb_remove_urls = false
# 是否启用 QA 分段模式
kb_use_qa_segmentation = false
# 文本分割符列表
kb_splitter_separators = ["###"]
# 文本主分片大小
kb_chunk_size = 1500
# 文本主分片重叠大小
kb_chunk_overlap = 150
# 子分片大小
kb_child_chunk_size = 300
# 子分片重叠大小
kb_child_chunk_overlap = 30
# 每批嵌入的文本数量
kb_embedding_batch_size = 32

# 默认 LLM 提供商键
default_llm_provider = "google"
# 默认 Embedding 提供商键
default_embedding_provider = "local-hash"
# 默认 Rerank 提供商键
default_rerank_provider = "siliconflow"
# 默认向量存储实现
default_vector_store = "faiss"

# 默认检索方式
chat_retrieval_method = "HYBRID_SEARCH"
# 混合检索中文本向量权重
chat_vector_weight = 0.3
# 混合检索中关键词权重
chat_keyword_weight = 0.7
# 混合检索融合策略
hybrid_fusion_strategy = "rrf"
# 检索候选过量招募倍率
retrieval_candidate_multiplier = 3
# 是否启用 Rerank 二次排序
chat_rerank_enabled = false
# 检索返回的 Top-K 数量
chat_top_k = 5
# 检索得分阈值
chat_score_threshold = 0.4
# LLM 输出温度
chat_temperature = 0.7

# --- 向量化模型配置 ---
# local-hash 离线向量化模型
[embedding_configurations.local-hash]
# 提供商实现标识
provider = "local-hash"
# 本地哈希向量模型名，后缀数字表示维度
model_name = "local-hash-256"

# google 向量化模型
[embedding_configurations.google]
# 提供商实现标识
provider = "google"
# API 实际模型名
model_name = "models/text-embedding-004"

# openai 向量化模型
[embedding_configurations.openai]
# 提供商实现标识
provider = "openai"
# API 实际模型名
model_name = "text-embedding-3-large"

# qwen 向量化模型
[embedding_configurations.qwen]
# 提供商实现标识
provider = "qwen"
# API 实际模型名
model_name = "text-embedding-v4"

# volcengine 向量化模型
[embedding_configurations.volcengine]
# 提供商实现标识
provider = "volcengine"
# API 实际模型名
model_name = "bge-large-zh"

# ollama 向量化模型
[embedding_configurations.ollama]
# 提供商实现标识
provider = "ollama"
# API 实际模型名
model_name = "mxbai-embed-large"

# siliconflow 向量化模型
[embedding_configurations.siliconflow]
# 提供商实现标识
provider = "siliconflow"
# API 实际模型名
model_name = "BAAI/bge-m3"

# --- Rerank 模型配置 ---
# siliconflow rerank 模型
[rerank_configurations.siliconflow]
# 提供商实现标识
provider = "siliconflow"
# API 实际模型名
model_name = "BAAI/bge-reranker-v2-m3"

# jina rerank 模型
[rerank_configurations.jina]
# 提供商实现标识
provider = "jina"
# API 实际模型名
model_name = "jina-reranker-v2-base-multilingual"

# qwen rerank 模型
[rerank_configurations.qwen]
# 提供商实现标识
provider = "qwen"
# API 实际模型名
model_name = "Qwen/Qwen3-Reranker-4B"

# --- LLM 配置 ---
# google 聊天模型
[llm_configurations.google]
# 提供商实现标识
provider = "google"
# API 实际模型名
model_name = "gemini-2.5-flash"

# google-pro 聊天模型
[llm_configurations.google-pro]
# 提供商实现标识
provider = "google"
# API 实际模型名
model_name = "gemini-2.5-pro"

# openai-gpt4o 聊天模型
[llm_configurations.openai-gpt4o]
# 提供商实现标识
provider = "openai"
# API 实际模型名
model_name = "gpt-4o"

# iflow-qwen3-max 聊天模型
[llm_configurations.iflow-qwen3-max]
# 提供商实现标识
provider = "openai"
# API 实际模型名
model_name = "qwen3-max"

# openai-gpt3.5 聊天模型
[llm_configurations."openai-gpt3.5"]
# 提供商实现标识
provider = "openai"
# API 实际模型名
model_name = "gpt-3.5-turbo"

# qwen-max 聊天模型
[llm_configurations.qwen-max]
# 提供商实现标识
provider = "qwen"
# API 实际模型名
model_name = "qwen-max"

# qwen-plus 聊天模型
[llm_configurations.qwen-plus]
# 提供商实现标识
provider = "qwen"
# API 实际模型名
model_name = "qwen-plus"

# volc-doubao-pro-32k 聊天模型
[llm_configurations.volc-doubao-pro-32k]
# 提供商实现标识
provider = "volcengine"
# API 实际模型名
model_name = "doubao-pro-32k"

# sf-qwen2-7b 聊天模型
[llm_configurations.sf-qwen2-7b]
# 提供商实现标识
provider = "siliconflow"
# API 实际模型名
model_name = "Qwen/Qwen2-7B-Instruct"

# sf-llama3-8b 聊天模型
[llm_configurations.sf-llama3-8b]
# 提供商实现标识
provider = "siliconflow"
# API 实际模型名
model_name = "meta-llama/Meta-Llama-3-8B-Instruct"

# ollama-llama3 聊天模型
[llm_configurations.ollama-llama3]
# 提供商实现标识
provider = "ollama"
# API 实际模型名
model_name = "llama3"

# ollama-gemma 聊天模型
[llm_configurations.ollama-gemma]
# 提供商实现标识
provider = "ollama"
# API 实际模型名
model_name = "gemma"

# lm-studio 聊天模型
[llm_configurations.lm-studio]
# 提供商实现标识
provider = "lm-studio"
# API 实际模型名
model_name = "local-model/gguf-model-name"

# deepseek-chat 聊天模型
[llm_configurations.deepseek-chat]
# 提供商实现标识
provider = "deepseek"
# API 实际模型名
model_name = "deepseek-chat"

# deepseek-v2 聊天模型
[llm_configurations.deepseek-v2]
# 提供商实现标识
provider = "deepseek"
# API 实际模型名
model_name = "deepseek-v2"

# grok-llama3-70b 聊天模型
[llm_configurations.grok-llama3-70b]
# 提供商实现标识
provider = "grok"
# API 实际模型名
model_name = "llama3-70b-8192"

# anthropic-sonnet-3.5 聊天模型
[llm_configurations."anthropic-sonnet-3.5"]
# 提供商实现标识
provider = "anthropic"
# API 实际模型名
model_name = "claude-3-5-sonnet-20240620"