GustoBot/.env.example at develop · skygazer42/GustoBot · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
# 应用配置
# ================== 必要参数说明 ==================
# • LLM_API_KEY / LLM_BASE_URL / LLM_MODEL：主聊天模型的凭据与地址，必须按实际账号配置。
# • EMBEDDING_API_KEY / EMBEDDING_BASE_URL / EMBEDDING_MODEL：向量化服务的凭据，Milvus/知识库检索依赖于此。
# • VISION_API_KEY / IMAGE_GENERATION_API_KEY：若需图片理解或生成，需替换为有效密钥，否则保持为空。
# • 数据库连接信息（DATABASE_URL、MILVUS_HOST、NEO4J_URI 等）须与 docker-compose 或自建环境一致，否则相关功能无法启动。
# • LightRAG 依赖上面的 LLM/Embedding 配置，并使用 AUTO_BOOTSTRAP_LIGHTRAG/LIGHTRAG_WORKING_DIR 控制初始化行为。
# ==================================================
APP_NAME=GustoBot
APP_VERSION=0.1.1
DEBUG=True

# API配置
API_V1_PREFIX=/api/v1
HOST=0.0.0.0
PORT=8000


# LLM 服务配置(用于文本生成和问答)
LLM_PROVIDER=openai
LLM_MODEL=qwen3-max
LLM_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1


# 视觉模型配置（用于图像分析）
VISION_API_KEY=your_vision_api_key_here
VISION_BASE_URL=https://open.bigmodel.cn/api/paas/v4/chat/completions
VISION_MODEL=glm-4.6

# 图像生成模型配置（用于生成图片）
IMAGE_GENERATION_API_KEY=your_image_generation_api_key_here
IMAGE_GENERATION_BASE_URL=https://open.bigmodel.cn/api/paas/v4
IMAGE_GENERATION_MODEL=cogView-4-250304
IMAGE_GENERATION_SIZE=1024x1024

# Milvus向量数据库配置
MILVUS_HOST=milvus
MILVUS_PORT=19530
MILVUS_COLLECTION=recipes
MILVUS_INDEX_TYPE=IVF_FLAT
MILVUS_METRIC_TYPE=IP

# Embedding 服务配置(用于向量生成)
EMBEDDING_PROVIDER=openai
EMBEDDING_MODEL=text-embedding-v4
EMBEDDING_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
EMBEDDING_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EMBEDDING_DIMENSION=1024

# Reranker 服务配置(用于精排)
RERANK_ENABLED=true
RERANK_PROVIDER=custom
RERANK_BASE_URL=https://dashscope.aliyuncs.com/api/v1/services
RERANK_ENDPOINT=/rerank/text-rerank/text-rerank
RERANK_MODEL=qwen3-rerank
RERANK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
RERANK_MAX_CANDIDATES=20
RERANK_TOP_N=6
RERANK_TIMEOUT=30
RERANK_SCORE_FUSION_ALPHA=0.5

# Redis配置
REDIS_HOST=redis
REDIS_PORT=6379
REDIS_DB=0
REDIS_PASSWORD=
REDIS_URL=redis://redis:6379/0
REDIS_CACHE_EXPIRE=43200
REDIS_CACHE_THRESHOLD=0.92
REDIS_CACHE_MAX_SIZE=1000

# LightRAG配置
LIGHTRAG_WORKING_DIR=./data/lightrag
LIGHTRAG_RETRIEVAL_MODE=hybrid
LIGHTRAG_TOP_K=10
LIGHTRAG_MAX_TOKEN_SIZE=4096
LIGHTRAG_ENABLE_NEO4J=True
LIGHTRAG_ENABLE_MILVUS=False
# LightRAG 容器启动时自动复制内置模板数据（首次挂载卷为空时）
AUTO_BOOTSTRAP_LIGHTRAG=true

# LightRAG 构建时初始化配置（Docker）
INIT_LIGHTRAG_ON_BUILD=true
# LIGHTRAG_INIT_LIMIT=10  #限制初始化的菜谱数量，注释则使用全部

# 数据库配置
# DATABASE_URL=sqlite:///./data/gustobot.db  # 已废弃，使用 MySQL
DATABASE_URL=mysql+pymysql://recipe_user:recipepass@mysql:3306/recipe_db

# Neo4j 配置
NEO4J_URI=bolt://neo4j:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=recipepass
NEO4J_DEFAULT_GRAPH_QUERY=MATCH (a)-[r]-(b) RETURN a, r, b LIMIT 100

# Agent配置
MAX_ITERATIONS=10
AGENT_TIMEOUT=300
# Agent对话记忆保留的用户轮数（正整数；小于等于0表示保留全部历史）
GUSTOBOT_MEMORY_TURNS=5

# 知识库配置
#  - KB_TOP_K:                       每次召回的候选数量
#  - KB_SIMILARITY_THRESHOLD:        召回阶段的最低相似度（Milvus 粗筛，最终由 rerank 决定）
#  - KB_POSTGRES_SIMILARITY_THRESHOLD: Postgres 结果 rerank 后保留的最低相似度
#  - KB_POSTGRES_RERANK_THRESHOLD:     Postgres 结果 rerank 后保留的最低得分
#  - KB_RERANK_SCORE_THRESHOLD:        向量检索结果 rerank 后保留的最低得分
#  - KB_CHUNK_SIZE/OVERLAP:           文本切分长度与重叠
#  - KB_LLM_* / KB_EMBEDDING_*:       kb_ingest 服务使用的 LLM 与嵌入模型配置
#  - KB_RERANK_*:                     kb_ingest rerank 的参数
# KB_TOP_K: KB 最终返回的候选数量
KB_TOP_K=5
# KB_SIMILARITY_THRESHOLD: Milvus 粗召回阶段的最低相似度
KB_SIMILARITY_THRESHOLD=0.2
# KB_POSTGRES_SIMILARITY_THRESHOLD: PostgreSQL 结果的最小相似度
KB_POSTGRES_SIMILARITY_THRESHOLD=0.5
# KB_POSTGRES_RERANK_THRESHOLD: PostgreSQL 结果 rerank 得分阈值
KB_POSTGRES_RERANK_THRESHOLD=0.8
# KB_RERANK_SCORE_THRESHOLD: Milvus 结果 rerank 得分阈值
KB_RERANK_SCORE_THRESHOLD=0.8
# KB_CHUNK_SIZE: 文本切分长度
KB_CHUNK_SIZE=512
# KB_CHUNK_OVERLAP: 文本切分重叠长度
KB_CHUNK_OVERLAP=80
# KB_LLM_PROVIDER: kb_ingest 使用的生成模型供应商
KB_LLM_PROVIDER=openai
# KB_LLM_MODEL: kb_ingest 调用的生成模型名称
KB_LLM_MODEL=qwen3-max
# KB_LLM_API_KEY: kb_ingest 调用 LLM 的 API Key
KB_LLM_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
# KB_LLM_BASE_URL: kb_ingest 调用 LLM 的 Base URL
KB_LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
# KB_LLM_TEMPERATURE: kb_ingest 生成时的温度
KB_LLM_TEMPERATURE=0.3
# KB_USE_LLM: 是否启用 LLM 管线
KB_USE_LLM=true
# KB_EMBEDDING_PROVIDER: 嵌入模型供应商
KB_EMBEDDING_PROVIDER=openai
# KB_EMBEDDING_MODEL: 嵌入模型名称
KB_EMBEDDING_MODEL=text-embedding-v4
# KB_EMBEDDING_API_KEY: 嵌入服务 API Key
KB_EMBEDDING_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
# KB_EMBEDDING_BASE_URL: 嵌入服务 Base URL
KB_EMBEDDING_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
# KB_EMBEDDING_DIMENSION: 嵌入向量维度
KB_EMBEDDING_DIMENSION=1024
# KB_RERANK_ENABLED: 是否启用 rerank
KB_RERANK_ENABLED=true
# KB_RERANK_PROVIDER: rerank 服务供应商
KB_RERANK_PROVIDER=custom
# KB_RERANK_BASE_URL: rerank 服务 Base URL
KB_RERANK_BASE_URL=https://dashscope.aliyuncs.com/api/v1/services
# KB_RERANK_ENDPOINT: rerank 服务路径
KB_RERANK_ENDPOINT=/rerank/text-rerank/text-rerank
# KB_RERANK_API_KEY: rerank 服务 API Key
KB_RERANK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
# KB_RERANK_MODEL: rerank 模型名称
KB_RERANK_MODEL=qwen3-rerank

# 外部数据接入服务
# 设置后，create_query/file_query 会调用该服务的/api/ingest/excel
# http://localhost:8000
INGEST_SERVICE_URL=http://localhost:8000
# Excel导入默认启用增量更新
INGEST_INCREMENTAL_DEFAULT=true

# 本地文件接入的最大体积（MB）
FILE_UPLOAD_MAX_MB=2

# 是否允许联网检索（SerpAPI）
ENABLE_EXTERNAL_SEARCH=false
KB_ENABLE_EXTERNAL_SEARCH=false

# 对话历史配置
CONVERSATION_HISTORY_TTL=259200
CONVERSATION_HISTORY_MAX_MESSAGES=200

# CORS配置（逗号分隔）
CORS_ORIGINS=http://localhost:3000,http://localhost:5173

# Ollama配置
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_EMBEDDING_MODEL=nomic-embed-text