# 温馨提示：不建议直接修改此文件，为了平台升级方便，建议将需要修改的参数值，复制到application.yml里进行覆盖该参数值。

spring:
  ai:

    # 云上大模型（使用该模型，请开启 enabled 参数）
    openai:
      base-url: https://api.siliconflow.cn
      api-key: ${SFLOW_APP_KEY}
      #base-url: https://ai.gitee.com
      #api-key: ${GITEE_APP_KEY}
      #base-url: https://dashscope.aliyuncs.com/compatible-mode
      #api-key: ${BAILIAN_APP_KEY}
      # 聊天对话模型
      chat:
        options:
          model: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
          #model: DeepSeek-R1-Distill-Qwen-14B
          #model: deepseek-r1-distill-llama-8b
          max-tokens: 1024
          temperature: 0.6
          top-p: 0.9
          frequency-penalty: 0
          #logprobs: true
      # 向量库知识库模型（注意：不同的模型维度不同）
      embedding:
        options:
          model: BAAI/bge-m3
          #model: bge-large-zh-v1.5
          dimensions: 512
          #model: text-embedding-v3
          #dimensions: 1024

    # 是否启用工具调用
    tool-calls: false

    # 本地大模型配置（使用该模型，请开启 enabled 参数）
    ollama:
      base-url: http://localhost:11434
      # 聊天对话模型
      chat:
        options:
          model: qwen2.5
          #model: deepseek-r1:7b
          max-tokens: 1024
          temperature: 0.6
          top-p: 0.7
          frequency-penalty: 0
      # 向量库知识库模型（注意：不同的模型维度不同）
      embedding:
        # 维度 dimensions 设置为 384
        #model: all-minilm:33m
        # 维度 dimensions 设置为 768
        #model: nomic-embed-text
        # 维度 dimensions 设置为 1024
        model: bge-m3

    # 向量数据库配置
    vectorstore:

      # Chroma 向量数据库
      chroma:
        client:
          host: http://testserver
          port: 8000
        initialize-schema: true
        #collection-name: vector_store
        collection-name: vector_store_1024

      # Postgresql 向量数据库（PG 连接配置，见下文，需要手动建表）
      pgvector:
        id-type: TEXT
        index-type: HNSW
        distance-type: COSINE_DISTANCE
        initialize-schema: false
        #table-name: vector_store_384
        #dimensions: 384
        #table-name: vector_store_786
        #dimensions: 768
        table-name: vector_store_1024
        dimensions: 1024
        max-document-batch-size: 10000

      # ES 向量数据库（ES 连接配置，见下文）
      elasticsearch:
        index-name: vector-index
        initialize-schema: true
        dimensions: 1024
        similarity: cosine

      # Milvus 向量数据库
      milvus:
        client:
          host: "localhost"
          port: 19530
          username: "root"
          password: "milvus"
        initialize-schema: true
        database-name: "default"
        collection-name: "vector_store"
        embedding-dimension: 384
        index-type: HNSW
        metric-type: COSINE

# ========= Postgresql 向量数据库数据源 =========

jdbc:
  ds_pgvector:
    type: postgresql
    driver: org.postgresql.Driver
    url: jdbc:postgresql://127.0.0.1:5433/jeesite-ai
    username: postgres
    password: postgres
    testSql: SELECT 1
    pool:
      init: 0
      minIdle: 0
      breakAfterAcquireFailure: true

# ========= ES 向量数据库连接配置 =========

spring.elasticsearch:
    socket-timeout: 120s
    connection-timeout: 120s
    uris: http://127.0.0.1:9200
    username: elastic
    password: elastic

# 对话消息存缓存，可自定义存数据库
j2cache:
  caffeine:
    region:
      # 对话消息的超期时间，默认 30天，根据需要可以设置更久。
      cmsChatCache: 100000, 30d
      cmsChatMsgCache: 100000, 30d

#logging:
#  level:
#    org.springframework: debug