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
- 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
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
# 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"

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: 8000
    - type: messages
      value: 12
  # 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, ~16000 tokens of recent turns]. Small keep = small model context
  # (fast, no overflow) AND infrequent re-compaction — the preserved window
  # grows from ~16000 up to the 60000 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: messages   # 测试值:压缩后只保留最近 6 条原始消息
    value: 6
    # 生产值改用 token 预算:
    # type: tokens
    # value: 16000
  trim_tokens_to_summarize: 4000