# 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}
      # 聊天对话模型
      chat:
        enabled: true
        options:
          model: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
          #model: DeepSeek-R1-Distill-Qwen-14B
          max-tokens: 1024
          temperature: 0.6
          top-p: 0.7
          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:
        enabled: true
        options:
          model: BAAI/bge-m3
          #model: bge-large-zh-v1.5
          dimensions: 512

    # 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:
        enabled: false
        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:
        enabled: false
        # 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://localhost
          port: 8000
        initialize-schema: true
        collection-name: vector_store

#      # 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
#        batching-strategy: TOKEN_COUNT
#        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
#        batching-strategy: TOKEN_COUNT

#      # Milvus 向量数据库（字符串长度不超过65535）
#      milvus:
#        client:
#          host: "localhost"
#          port: 19530
#          username: "root"
#          password: "milvus"
#        initialize-schema: true
#        database-name: "default2"
#        collection-name: "vector_store2"
#        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

# ========= ES 向量数据库连接配置 =========

#spring.elasticsearch:
#    enabled: true
#    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