config_version: 8
log_level: info
models:
# - name: deepseek-chat
#   display_name: DeepSeek Chat
#   use: langchain_openai:ChatOpenAI
#   model: deepseek-chat
#   api_key: sk-9808fb2375534112ac275541aec14b9b
#   base_url: https://api.deepseek.com
#   request_timeout: 600.0
#   max_retries: 2
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: false
#   supports_thinking: true
# - name: zai-org/GLM-5-FP8
#   display_name: zai-org/GLM-5-FP8
#   use: langchain_openai:ChatOpenAI
#   model: zai-org/GLM-5-FP8
#   api_key: modalresearch_gWu46FDpVLYZWPVEA3b_2fq8Jw2UJiKMgEm_Rxmn1SA
#   base_url: https://api.us-west-2.modal.direct/v1
#   request_timeout: 600.0
#   max_retries: 2
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: true
#   supports_thinking: true
# - name: deepseek-v4-pro
#   display_name: DeepSeek V4 Pro
#   use: langchain_openai:ChatOpenAI
#   model: deepseek-v4-pro
#   api_key: sk-e1c22b7931dc446f8b67e57878edd105
#   base_url: https://api.deepseek.com
#   request_timeout: 600.0
#   max_retries: 2
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: false
#   supports_thinking: true
# - name: minimax-m2.7
#   display_name: MiniMax M2.7
#   use: langchain_openai:ChatOpenAI
#   model: MiniMax-M2.7
#   api_key: sk-cp-mrsAGtzDpUl0TpOBPVoiRG_pWF1kDDN9_mDAnONBs6HIPcNUexSKtSbx2QOxfKBvJT6Xw6hDTV6hdkJYFWfNA8UtHQ08TiGJiosdRoW6q1sGb6Cb7D85NHk
#   base_url: https://api.minimaxi.com
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: true
#   supports_thinking: true
# - name: minimax-m2.5
#   display_name: MiniMax M2.5
#   use: langchain_openai:ChatOpenAI
#   model: MiniMax-M2.5
#   api_key: sk-cp-mrsAGtzDpUl0TpOBPVoiRG_pWF1kDDN9_mDAnONBs6HIPcNUexSKtSbx2QOxfKBvJT6Xw6hDTV6hdkJYFWfNA8UtHQ08TiGJiosdRoW6q1sGb6Cb7D85NHk
#   base_url: https://api.minimaxi.com
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: true
#   supports_thinking: true
# - name: deepseek-ai/DeepSeek-OCR
#   display_name: deepseek-ai/DeepSeek-OCR
#   use: langchain_openai:ChatOpenAI
#   model: deepseek-ai/DeepSeek-OCR
#   api_key: sk-beshfxfxfrllsczpqfrgjbugfbpzxgqgedbehceytpcvvtyb
#   base_url: https://api.siliconflow.cn/v1/
#   max_tokens: 4096
#   temperature: 1.0
#   supports_vision: true
#   supports_thinking: true
- name: deepseek-ai/DeepSeek-V4-Flash
  display_name: deepseek-ai/DeepSeek-V4-Flash
  use: langchain_openai:ChatOpenAI
  model: deepseek-ai/DeepSeek-V4-Flash
  api_key:  sk-ighylafootabtuthwueirmoycccyqtdgbifyhozduvolkdyt
  base_url: https://api.siliconflow.cn/v1/
  max_tokens: 4096
  temperature: 1.0
  supports_vision: true
  supports_thinking: true
  # SiliconFlow 混合推理模型关思考用「请求体顶层 enable_thinking: false」,
  # 不认 chat_template_kwargs / thinking.type 那两种嵌套形状。声明这个后,
  # 网页端「关闭思考」对本模型才生效(开放接口另由 force_disable_thinking 兜底)。
  when_thinking_disabled:
    extra_body:
      enable_thinking: false
- name: Pro/MiniMaxAI/MiniMax-M2.5
  display_name: Pro/MiniMaxAI/MiniMax-M2.5
  use: langchain_openai:ChatOpenAI
  model: Pro/MiniMaxAI/MiniMax-M2.5
  api_key:  sk-ighylafootabtuthwueirmoycccyqtdgbifyhozduvolkdyt
  base_url: https://api.siliconflow.cn/v1/
  max_tokens: 4096
  temperature: 1.0
  supports_vision: true
  supports_thinking: true
- name: inclusionAI/Ling-flash-2.0
  display_name: inclusionAI/Ling-flash-2.0
  use: langchain_openai:ChatOpenAI
  model: inclusionAI/Ling-flash-2.0
  api_key:  sk-ighylafootabtuthwueirmoycccyqtdgbifyhozduvolkdyt
  base_url: https://api.siliconflow.cn/v1/
  max_tokens: 4096
  temperature: 1.0
  supports_vision: true
  supports_thinking: true
# 识图(图片识别)配置。
# - model_name:指定一个 models[] 中的模型名,作为“默认识图大模型”。view_image 工具会把
#   图片交给该模型识别,并把识别出的文字结果返回给主对话模型 —— 这样即使主对话模型不支持
#   视觉,也能“看图”。请改成你实际用于识图的模型名。
# - 若留空 / 注释掉 model_name,则回退到主对话模型自身的视觉能力(需该模型 supports_vision: true)。
# - prompt:不带具体问题时使用的默认识图指令(可选)。
# - max_tokens:识图模型输出上限(可选,默认用该模型自身的配置)。
vision:
  model_name: deepseek-ai/DeepSeek-OCR
  # prompt: 请详细描述这张图片的内容。
  # max_tokens: 2048
knowledge_ingest:
  url: "https://ch1.b.uat.4.cn/knowes/api/knowledge-outer/add"
# 上传文件识别配置。
# - auto_convert_documents: true 时,上传的 PDF / Word / Excel / PPT 会在服务端自动转换为
#   Markdown(.md),agent 通过 read_file / grep 读取其内容 —— 即“识别”文档内容。
#   纯文本类(txt / csv / md / json / 代码等)无需转换,agent 用 read_file 直接读取。
#   图片(png/jpg/webp)由 view_image + 上面的 vision 识图模型处理。
# - pdf_converter: auto(优先 pymupdf4llm,缺失时回退 markitdown)| pymupdf4llm | markitdown
uploads:
  auto_convert_documents: true
  pdf_converter: auto
tool_groups:
- name: web
- name: file:read
- name: file:write
- name: bash
tools:
- name: web_search
  group: web
  use: deerflow.community.ddg_search.tools:web_search_tool
  max_results: 5
- name: ls
  group: file:read
  use: deerflow.sandbox.tools:ls_tool
- name: read_file
  group: file:read
  use: deerflow.sandbox.tools:read_file_tool
- name: glob
  group: file:read
  use: deerflow.sandbox.tools:glob_tool
  max_results: 200
- name: grep
  group: file:read
  use: deerflow.sandbox.tools:grep_tool
  max_results: 100
- name: write_file
  group: file:write
  use: deerflow.sandbox.tools:write_file_tool
- name: str_replace
  group: file:write
  use: deerflow.sandbox.tools:str_replace_tool
- name: bash
  group: bash
  use: deerflow.sandbox.tools:bash_tool
sandbox:
  use: deerflow.sandbox.local:LocalSandboxProvider
  allow_host_bash: true
title:
  enabled: true
  max_words: 6
  max_chars: 60
  prompt_template: |
    请为下面这段对话生成一个简洁的标题,概括对话的核心主题。

    要求:
    - 标题必须使用简体中文
    - 尽量精炼,不超过 {max_words} 个词
    - 只返回标题本身,不要加引号、不要解释、结尾不要标点

    User: {user_msg}
    Assistant: {assistant_msg}
# 上下文压缩(对话摘要):长对话接近上下文上限时,把较早的消息总结成一段摘要,
# 只保留最近若干条原始消息,避免撑爆模型上下文窗口。
# - trigger:触发条件,可配多个,任意一个先满足就压缩(OR 关系)。
#     type=tokens   按 token 总数(最准,直接防溢出)
#     type=messages 按消息条数(简单直观,作兜底保险)
#     type=fraction 按模型上下文窗口的比例(如 0.8);自定义 base_url 模型可能探不到
#                   准确窗口,故此处用写死的 token 阈值更稳妥。
# - keep:压缩后保留多少最近的上下文(同样支持 tokens / messages / fraction)。
# - trim_tokens_to_summarize:喂给摘要模型的消息最多裁到多少 token。
# - model_name:生成摘要用的模型(留空则用主对话模型)。

skills:
  path: /app/skills
  security_scan:
    enabled: false
  # ES 灵活查询技能路由提示：开启后注入整体 system prompt；修改 prompt 可调整
  # 触发边界和调用要求。关闭后该提示完全不注入。
  es_query_routing:
    enabled: true
    prompt: |
      当用户的问题需要基于 Elasticsearch 查询语句（Query DSL）灵活构造、调整或执行查询时，必须优先使用 `es_query` 技能。
      典型场景包括：根据用户条件动态组合 bool/must/filter/should、范围、聚合、排序或分页等 ES 查询；或者用户直接提供、要求修改 ES 语句并据此查询数据。
      执行前先读取 `es_query` 技能的 SKILL.md，严格按照技能中的流程和参数调用；不要用通用搜索替代，也不要凭记忆臆测查询结果。
      仅当问题确实需要 ES 数据查询时使用；纯概念解释、普通代码说明或与 ES 无关的问题不要调用。
agents_api:
  enabled: true
# 登录鉴权扩展:在基础登录之上叠加两种自定义模式。
auth_login:
  # 用户名直登口令门:开关打开后,/login/<用户名> 直登必须再带 ?password=口令,
  # 口令不对直接 401。password 留空则默认口令为 123ewq。仅作用于用户名直登。
  username_login:
    require_password: false
    password: ""
  # token 换登录:前端用 ?authToken=上游token 进入,后端调用 token_info_url
  # (把该 token 直接拼成 Authorization: Bearer <token> 头)换出用户名,再登录;
  # 用户名不在库里时自动注册。
  token_login:
    enabled: true
    token_info_url: "https://ch1.b.uat.4.cn/consumer/login/getTokenInfo"
    # 已弃用:鉴权头现由前端传入的 token 拼成 "Bearer <token>",此项不再生效,保留仅兼容。
    service_authorization: "Bearer admin"
    timeout_seconds: 10
    # 上游是 HTTPS。UAT/内网常用自签或私有 CA 证书,默认 verify=true 会握手失败导致
    # 永远 401。此处 uat 域名按自签处理,先关校验;生产请置 true 或配 ca_cert_path。
    verify_ssl: false
    ca_cert_path: ""   # 可选:PEM 格式 CA 包路径,设置后优先生效并启用校验
    # 离线测试映射:token -> 用户名。命中的 token 跳过 token_info_url 调用,直接当成
    # 该用户登录——外网调不通 getTokenInfo 时用来本地全链路联调。生产留空即可(不生效)。
    # 例:用 /login/任意?authToken=123ewq 进入,即以 admin 身份登录;token1=123ewq、
    # username=admin 会被存下,供任务工作区跳转按钮的「追加登录态」拼到外链上。
    mock_tokens:
      "123ewq": "admin"
# 日志系统入口(仅管理员可见):右下角「设置」菜单中会多出一个「日志系统」入口,
# 点击后在新标签页打开下面的 url。enabled 关掉则不显示该入口。

database:
  backend: mysql
  mysql_url: $MYSQL_DATABASE_URL
  pool_size: 10
  echo_sql: false
checkpointer:
  # SQLite 文件路径用相对路径，由 resolve_sqlite_conn_str 解析成绝对路径。
  # Docker 部署：把容器内 .deer-flow 目录挂卷出来即可持久化（撑住容器重启）。
  # 这里同时被「主 agent」和「AI 写作 graph」共用 —— LangGraph 用
  # (thread_id, checkpoint_ns) 做隔离，session_id 是 uuid，不会撞。
  type: postgres
  # true: 新 checkpoint 写入 Postgres；false: 保留 PG 配置但继续使用 SQLite。
  # 也可临时用环境变量 DEER_FLOW_USE_PG_CHECKPOINTER=0 覆盖。
  use_postgres: false
  connection_string: postgresql://postgres:postgres123@47.88.25.99:8432/deerflow
  sqlite_connection_string: backend/.deer-flow/data/deerflow.db
  dual_read_enabled: true
  dual_read_sqlite_paths:
    - backend/.deer-flow/data/deerflow.db
    - data/.deer-flow/data/checkpoints.db
# AI 写作子系统的会话清理配置。
# 业务表(ai_writing_sessions @ MySQL) + checkpointer(checkpoints.db @ SQLite) 联动清理。
# 留意：清理走 cron 表达式调度，默认每天凌晨 3 点跑一次，按 updated_at 一刷拉清。
ai_writing:
  cleanup:
    enabled: true
    retention_days: 7              # 保留 7 天以内的会话，更早的整条删
    cron: "0 3 * * *"              # 每天 03:00 本地时区
    delete_only_finished: false    # false=不看状态一刷拉；true=只清 done/error
    batch_size: 500                # 单批最多删多少行，避免长事务
# 记忆子系统:跨会话持久化用户画像与 agent 私有记忆。
# 三层覆盖优先级(高->低):
#   users/{user_id}/memory_config.json > .deer-flow/memory_user_overrides.json > 此处
memory:
  enabled: true
  version: v1
  provider: hindsight              # 'builtin' | 'hindsight'(外部 provider 名)
                                   # builtin 始终启用,这里只决定 external 选哪个
  builtin:
    enabled: true
    memory_char_limit: 2200
    user_char_limit: 1375
    deduplicate_on_load: true

  hindsight:                       # provider=hindsight 时生效,需另行部署 Hindsight 服务
    mode: local_external           # 'cloud' | 'local_embedded' | 'local_external'
    api_url: http://47.88.25.99:18888
    api_key: ""                    # 部署 Hindsight 后填,或改成 $HINDSIGHT_API_KEY 并设同名环境变量
                                   # 注意:写成 $VAR 但环境变量未设置会导致配置加载失败
    bank_id_template: "deerflow-user-{user_id}"
    work_bank_id_template: "deerflow-work-{user_id}-{agent_id}"
    memory_mode: context           # 'context' | 'tools' | 'hybrid'
    bank_mission: ""
    bank_retain_mission: ""
    recall_budget: mid             # 'low' | 'mid' | 'high'
    recall_max_tokens: 4096
    recall_max_input_chars: 800
    auto_recall: true
    auto_retain: true
    retain_async: true
    retain_every_n_turns: 1
    retain_user_prefix: "User"
    retain_assistant_prefix: "Assistant"

  # background_extraction:预留功能,代码尚未实现 —— 仅设计文档存在。
  # 待对应版本支持后,取消下面整段注释即可启用(漏记兜底)。
  # background_extraction:
  #   enabled: false                 # 默认关闭,作为漏记兜底
  #   debounce_seconds: 30
  #   model_name: ~                  # null = 用默认模型
  #   fact_confidence_threshold: 0.7
  #   max_facts_per_extraction: 10
  #   correction_detection: true
  #   reinforcement_detection: true

  injection:
    enabled: true
    max_tokens: 2000
    include_builtin: true
    include_hindsight: true
    context_tag: "memory-context"  # 包裹 Hindsight recall 的标签名

  security:
    scan_content: true             # 注入/外渗模式扫描
    block_invisible_unicode: true
    # streaming_scrubber:预留字段,代码尚未实现 —— 待版本支持后取消注释。
    # streaming_scrubber: true       # SSE 流前清洗 <memory-context>

log_system:
  enabled: true
  url: "https://your-log-system.example.com"
  label: "日志系统"

# ───────────────────────────────────────────────────────────────────────────
# 操作日志（Y-Log）上报：前端直连外部接口记录用户的关键操作（审计/统计）。
# 仅在「token 登录」（存在 token1）时上报；前端经公开只读接口
# GET /api/public/config/y-log 读取本段，改这里即时生效（Gateway mtime 热重载）。
y_log:
  enabled: true
  write_url: https://ch1.b.uat.4.cn/api/y-log/write

# 舆情分析虚拟智能体：前端改 dist/runtime-config.js 的地址/账号/密码，
# 随请求传给 Gateway 转发；这里只配上游超时。
sentiment_agent:
  timeout_seconds: 300

summarization:
  # 开关已移到聊天框下方(参考文献下面)的「上下文压缩」按钮,默认关闭。
  # 这里 enabled 仅作为非 Web 路径(渠道/定时任务)的后备开关;下面的 trigger/keep
  # 等仅是调参,Web 端是否压缩由前端按钮(summarization_enabled)决定。
  enabled: false
  # model_name: deepseek-chat
  trigger:
    - type: tokens
      value: 120000
    - type: messages
      value: 160
  # Keep a small *token* budget of recent context (same unit as the token
  # trigger, well below it). This is what the model receives after compaction:
  # [summary, ~40000 tokens of recent turns]. Small keep = small model context
  # (fast, no overflow) AND infrequent re-compaction — the preserved window
  # grows from ~40000 up to the 120000 trigger before folding into a new summary,
  # which spans many turns. The full conversation still stays in state for the
  # page; only what is sent to the model is compressed.
  keep:
    type: tokens
    value: 40000
  trim_tokens_to_summarize: 8000

# ───────────────────────────────────────────────────────────────────────────
# 任务深链（goPath=rwfx）：目的树闸门 + 问答后跳转。前端经公开只读接口
# GET /api/public/config/task-deeplink 读取。地址都是完整 URL（调用时仅追加
# ?taskId= / ?id=），随时改这里即可（Gateway mtime 热重载，前端无需重建）。
task_deeplink:
  # 线上接口未通时用假数据；三个开关互相独立。
  test: true            # 目的树查询走 mock.purpose_detail 假数据；同时 rwfx 进入「3q 是否完成」预检走 mock.sq_report 假数据
  delete_test: true     # 删除接口走 mock.delete 假数据（该接口尚未开发完）
  action_test: true     # 行动→任务解析走 mock.action_detail 假数据（xdfx 行动id→任务id）
  # 开放接口 POST /api/open/3qfx/ask 按 taskId 拉取任务详情拼开场白；上游不可达时打开下面开关走 mock.cop_task_detail。
  cop_task_detail_test: true
  cop_task_detail_url: "https://ch1.b.uat.4.cn/consumer/taskAnalyseSearch/cop-task-detail"
  purpose_detail_url: "https://ch1.b.uat.4.cn/consumer/taskAnalyseSearch/getTaskPurposeDetail"
  # rwfx 与 xdfx 共用同一删除接口：rwfx 追加 ?taskId=（不传 actionId）；xdfx 追加 ?actionId=（不传 taskId，直接不出现）。
  delete_url: "https://ch1.b.uat.4.cn/bwjt/dropSixOrSevenData"
  treemap_edit_url: "https://ch1.b.uat.4.cn/web/#/task/item-aicoh/step-mode-treemap-full-edit"
  treemap_next_url: "https://ch1.b.uat.4.cn/web/#/task/item-aicoh/step-mode-treemap-full-next"
  # xdfx 深链传入的是「行动id」，先调该接口（追加 /{actionId}）拿 data.taskId 解析出真正「任务id」。
  action_detail_url: "https://ch1.b.uat.4.cn/consumer/plan/action"
  # xdfx 删除前「行动历史是否存在」预检接口（追加 ?actionId=）；地址待提供，留空则前端视作无历史、不阻断删除。
  action_history_url: ""
  # rwfx 目的树面板「3q详情」链接的目标页（地址待定，留空则前端提示未配置）；跳转追加 ?id=任务id。
  detail_3q_url: ""
  mock:
    # test=true 时原样返回给前端（结构同真实 getTaskPurposeDetail 返回）。
    purpose_detail:
      state: "200"
      msg: "操作成功！"
      data:
        - purposeDto: { id: 5837, zzPurpose: "目的01", selectedFlag: 1, taskId: 3324, recDetailId: 4271 }
          childrenList:
            - actorDto: { id: 9101, taskId: 3324, purposeId: 5837, actorName: "行为体01", actorOrgan: "行为体01", recReason: "行为体01理由", selectedFlag: 1 }
              childrenList:
                - expectedBehaviorDto: { id: 6910, taskId: 3324, purposeId: 5837, behavior: "预期01", recReason: "预期01理由", selectedFlag: "1" }
                  childrenList:
                    - drivingFactorDto: { id: 7964, taskId: 3324, purposeId: 5837, drivingFactor: "预期01因素", selectedFlag: 1 }
                      childrenList:
                        - narrationDto: { id: 6500, purposeId: 5837, taskId: 3324, narration: "叙事01", recReason: "叙事01理由", selectedFlag: 1 }
                          childrenList: []
            - actorDto: { id: 9102, taskId: 3324, purposeId: 5837, actorName: "行为体02", actorOrgan: "行为体02", recReason: "行为体02理由", selectedFlag: 1 }
              childrenList:
                - expectedBehaviorDto: { id: 6911, taskId: 3324, purposeId: 5837, behavior: "预期02", recReason: "预期02理由", selectedFlag: "1" }
                  childrenList:
                    - drivingFactorDto: { id: 7965, taskId: 3324, purposeId: 5837, drivingFactor: "预期02因素", selectedFlag: 1 }
                      childrenList:
                        - narrationDto: { id: 6501, purposeId: 5837, taskId: 3324, narration: "叙事02", recReason: "叙事02理由", selectedFlag: 1 }
                          childrenList: []
    # delete_test=true 时原样返回给前端。改 success 测「成功覆盖 / 不可覆盖」两条分支。
    delete:
      message: "行动已经开始策划，不可覆盖"
      success: true
    # action_test=true 时原样返回给前端（结构同真实 /consumer/plan/action/{actionId} 返回）。
    # 前端取 data.taskId 作为真正的「任务id」（xdfx 深链 ?taskId= 传入的是 data.id 这个行动id）。
    action_detail:
      state: "200"
      msg: "操作成功！"
      data:
        id: 27354
        purposeId: 2850
        taskId: 2055
        actionName: ""
        actionStatus: 25
        narration: ""
    # test=true 时 rwfx 进入「3q 是否完成」预检（selectSqReport，外部不可用）走这份假数据。
    # 结构同真实 GET /consumer/cop/selectSqReport?taskId= 返回；前端判定 data 为空 / 每条
    # contentJson 都是 null/空 = 「3q 未完成」→ 弹框引导去 3qfx；否则视为已完成（正常，不弹框）。
    # 默认给一条有内容的数据 = 已完成（不打扰）。要测「3q 未完成」弹框：把下面 data 改成 []。
    sq_report:
      state: "200"
      msg: "操作成功！"
      data:
        - id: "sq-mock-1"
          taskId: 3338
          categoryType: "敌情关键事件 JSON"
          contentJson: "[{\"topic\":\"示例研判事件\",\"count\":1}]"
    # cop_task_detail_test=true 时原样返回给开放接口 /api/open/3qfx/ask（结构同真实 cop-task-detail 返回）。
    cop_task_detail:
      data:
        id: 2055
        overview: "暑期文旅消费高峰期间的舆情态势综合研判与引导任务"
        taskDirection: "正向引导 + 风险预警"
        taskName: "任务01：暑期文旅舆情综合研判"
        taskContent: "围绕暑期文旅消费高峰，对重点城市、重点景区的公众情绪与舆情态势做综合研判，识别情绪拐点与潜在风险，提出正向引导与处置建议。"