application.yaml 21 KB

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248249250251252253254255256257258259260261262263264265266267268269270271272273274275276277278279280281282283284285286287288289290291292293294295296297298299300301302303304305306307308309310311312313314315316317318319320321322323324325326327328329330331332333
  1. # 配置约定:所有配置项都写成 ${ENV_NAME:默认值},可用环境变量覆盖;
  2. # 未设置环境变量时取冒号后的默认值(与改造前一致),设置了则以环境变量为准。
  3. # 例外:mybatis-plus 段是框架内部装配(别名包 / Mapper 位置 / 日志实现),不参与参数化;
  4. # spring.profiles.active 用 Spring 原生的 SPRING_PROFILES_ACTIVE 控制。
  5. server:
  6. port: 8980
  7. servlet:
  8. context-path: /js/a
  9. # 跨域配置(见 common/config/CorsConfig.java)。
  10. # 桌面客户端用 file:// 加载前端、后端独立部署,属于跨域请求;关掉会导致客户端连不上。
  11. # 有固定域名时把 allowed-origin-patterns 收敛成具体来源(逗号分隔,支持通配)。
  12. app:
  13. cors:
  14. enabled: "${APP_CORS_ENABLED:true}"
  15. allowed-origin-patterns: "${APP_CORS_ALLOWED_ORIGIN_PATTERNS:*}"
  16. # ========================================
  17. # AI 平台配置
  18. #
  19. # 编排预算与对话偏好均从本配置文件读取(原页面配置已移除),修改后重启生效:
  20. # - 编排预算:专家轮 Token 预算 / 单轮墙钟预算,0 表示不限;
  21. # - 对话偏好:继承槽位的默认时区与语言,注入入口智能体与专家任务片段。
  22. # ========================================
  23. bizbuddy:
  24. # 平台版本(构建时由 Maven 过滤为 pom 的 revision;健康自检页展示,与镜像 / Release tag 保持一致)
  25. version: "@project.version@"
  26. ai:
  27. # 模型密钥加密用的 AES 秘钥(长度必须为 16/24/32 位,生产环境必须替换)
  28. # 生产必须替换;启动自检会拒绝出厂默认值(对所有 profile 生效,见 ProductionConfigGuard)
  29. crypto-key: ${BIZBUDDY_AI_CRYPTO_KEY:bizbuddy-ai-2026}
  30. # 模型连通性测试的默认超时时间(秒)
  31. test-timeout-seconds: 30
  32. chat:
  33. # 当前时间注入与对话默认时区(IANA 标识)
  34. current-time-zone: "${BIZBUDDY_AI_CHAT_CURRENT_TIME_ZONE:Asia/Shanghai}"
  35. # 对话偏好默认语言(BCP-47 标识,如 zh-CN / en-US)
  36. chat-locale: "${BIZBUDDY_AI_CHAT_LOCALE:zh-CN}"
  37. # 单次专家调用的同步等待上限(秒):超时即取消该次专家执行并按降级处理;
  38. # 必须为正数,<=0 时回退为兜底值 180 秒
  39. expert-timeout-seconds: "${BIZBUDDY_AI_CHAT_EXPERT_TIMEOUT_SECONDS:180}"
  40. # 单轮编排的专家轮 Token 预算(专家调用输入 + 输出累计),0 表示不限
  41. route-budget-expert-tokens: "${BIZBUDDY_AI_CHAT_ROUTE_BUDGET_EXPERT_TOKENS:0}"
  42. # 单轮编排的墙钟预算(秒),0 表示不限;在每次专家调用结束后判断是否继续重试/换专家
  43. route-budget-seconds: "${BIZBUDDY_AI_CHAT_ROUTE_BUDGET_SECONDS:180}"
  44. # MCP 出口(/mcp)默认访问口令;仅演示用途,页面「MCP 服务端」可覆盖,生产请替换为强口令
  45. mcp-server-token: BizBuddy
  46. # 未发送暂存附件的保留时长(小时):上传后未发送也未移除的附件由后台任务按此阈值回收;<=0 关闭
  47. pending-attachment-ttl-hours: 24
  48. # 会话模型侧记忆(Redis 中的 AgentScope 状态)闲置过期天数:超过该天数无活动的会话由后台任务清理状态;
  49. # 历史消息仍保留可查,只是模型不再记得该会话的既往上下文;<=0 关闭
  50. session-state-idle-days: 30
  51. # 图片装配压缩:最长边像素(<=0 关闭)与 JPEG 质量;只影响模型上下文,不改 OSS 原图
  52. image-compress-max-edge: 1568
  53. image-compress-quality: 0.85
  54. # 会话状态中保留图片的消息条数上限(<=0 表示历史图片一律占位);超出部分在写入状态前替换为文本占位
  55. history-image-keep-messages: 2
  56. # 向量化时单次提交的文本条数(取各家 OpenAI 兼容服务的兼容值)
  57. embedding-batch-size: 10
  58. # 向量化时单条文本最大字符数,超出截断(避免超过模型单行 Token 上限)
  59. embedding-max-chars: 8000
  60. # 检索默认相似度阈值(知识库未配置时生效)
  61. retrieval-score-threshold: 0.3
  62. # RAG 检索重排(Rerank):**模型与开关已迁出本段**——重排模型登记在「模型配置」(model_type=rerank),
  63. # 「是否启用重排 + 用哪个模型」由知识库配置(ai_knowledge_base.rerank_enabled / rerank_model_id);
  64. # 本段只保留与模型无关的算法参数,启用重排的知识库检索走「稠密召回(max(topK,rerank-top-n)) → 重排 → 融合 → 截断 topK」。
  65. # 密钥取该知识库所选重排模型配置的 api_key;未配模型/非 2xx/超时/结构异常一律降级为原顺序。
  66. rag:
  67. # 重排前的稠密召回条数(候选池)
  68. rerank-top-n: 30
  69. # 重排调用超时(毫秒),超时即降级为原顺序
  70. rerank-timeout-ms: 12000
  71. # 重排融合模式:replace(纯替换)/ rank_rrf(排名 RRF 融合)/ score_fusion(分数归一化加权,默认)
  72. rerank-mode: score_fusion
  73. # score_fusion 的重排权重(0~1)
  74. rerank-alpha: 0.5
  75. # rank_rrf 的平滑常数 k
  76. rerank-rrf-k: 60
  77. # 条件触发:首条与次条向量分差 ≥ 本值时跳过重排(0/负值=总是重排)
  78. rerank-trigger-margin: 0
  79. # 上下文装配(P0-③):对「已排序命中」做确定性去重 + 相邻切片合并 + 字符上限,只作用于返回集后处理、不改排序。
  80. # 去重判据:规范化空白后互为子串,或字符 n-gram Jaccard ≥ assemble-dedup-jaccard;默认整体开启。
  81. # 新增字段位于 rag 段内(assemble-* 前缀),其上为检索重排(Rerank)配置。
  82. assemble-dedup-enabled: true
  83. assemble-merge-adjacent-enabled: true
  84. assemble-merge-window: 1
  85. assemble-dedup-jaccard: 0.9
  86. # 装配后片段总正文的绝对字符上限(不依赖 Token 估算的硬兜底)
  87. assemble-max-chars: 6000
  88. # 装配后片段总正文的 Token 预算(P0-④):0 表示不设 Token 预算;
  89. # 仍受 assemble-max-chars 字符硬上限约束,避免上下文超出模型窗口。
  90. assemble-max-tokens: 0
  91. # ========================================
  92. # 业务文件存储
  93. #
  94. # 单根布局 qingjian/data:cases/{caseId} 为案件物理隔离单元,users/{userId} 放
  95. # 跨案件的知识库,system 资产在 qingjian/system(见 PathConst / StorageLayout)。
  96. # 入库路径统一为相对 root-path 的 POSIX 路径,换存储根不需要改库。
  97. # ========================================
  98. storage:
  99. local:
  100. root-path: "${STORAGE_LOCAL_ROOT_PATH:./qingjian/data}"
  101. # 文件对外访问基础地址:须与 server.port(8980) 和 context-path(/js/a) 一致。
  102. # /files/** 由 LocalFileResourceConfig 映射到 root-path。
  103. base-url: "${STORAGE_LOCAL_BASE_URL:http://localhost:8980/js/a}"
  104. spring:
  105. application:
  106. name: ai-server
  107. profiles:
  108. # 由环境变量 SPRING_PROFILES_ACTIVE 覆盖,不写占位符(profile 决定加载哪些文件,需在配置数据阶段确定)
  109. active: dev
  110. # 调度线程池扩容(P1-10):默认单线程调度器上跑着 SSE 心跳(5s,遍历所有连接)、
  111. # 数据源回收(5min)、AI 清洗看门狗(60s)、附件孤儿清理(1h)——任一批量任务变慢
  112. # 会拖住心跳,全服用户的空闲 SSE 连接被代理断开。4 线程互相隔离。
  113. task:
  114. scheduling:
  115. pool:
  116. size: "${SPRING_TASK_SCHEDULING_POOL_SIZE:4}"
  117. http:
  118. codecs:
  119. max-in-memory-size: "${SPRING_HTTP_CODECS_MAX_IN_MEMORY_SIZE:10MB}"
  120. servlet:
  121. multipart:
  122. max-file-size: "${SPRING_SERVLET_MULTIPART_MAX_FILE_SIZE:200MB}"
  123. max-request-size: "${SPRING_SERVLET_MULTIPART_MAX_REQUEST_SIZE:500MB}"
  124. zsjz:
  125. # DuckDB 案件库资源预算。
  126. # 注意:DuckdbUnpooledDataSource 下发的是 SET GLOBAL(database instance 级),
  127. # 每个案件实例都按「物理内存 30% + CPU 核数线程」配置的话,多人同时开案会 N 倍叠加。
  128. # 这里改为按 max-open-cases 分摊总预算,见 DuckdbBudgetProperties。
  129. duckdb:
  130. # 同时打开的案件库数量上限,超出直接拒绝开案
  131. max-open-cases: "${ZSJZ_DUCKDB_MAX_OPEN_CASES:8}"
  132. # 所有案件实例合计可占用的物理内存比例(0~1)
  133. memory-ratio: "${ZSJZ_DUCKDB_MEMORY_RATIO:0.6}"
  134. # 每个案件实例的 DuckDB 线程数
  135. threads-per-instance: "${ZSJZ_DUCKDB_THREADS_PER_INSTANCE:4}"
  136. # 兜底回收器:启动后延迟多久开始第一次扫描(毫秒)
  137. reaper-initial-delay-ms: "${ZSJZ_DUCKDB_REAPER_INITIAL_DELAY_MS:60000}"
  138. # 兜底回收器:两次扫描的间隔(毫秒)
  139. reaper-interval-ms: "${ZSJZ_DUCKDB_REAPER_INTERVAL_MS:300000}"
  140. # 非表格文件(txt / doc / docx / pdf / ppt / 压缩包 …)的 AI 识别调度。
  141. # 这类文件解析不了表格数据(fileStatus 恒为 FILE_UNSUPPORTED_FAIL),但往往有情报价值:
  142. # 上传时用 Tika 抽一段文本样本,交给大模型判断「这是什么文件、是干什么用的」,
  143. # 结果落案件库的 file_ai_profile 表,供前端展示与后续数据分析工具按类别取数。
  144. file-ai:
  145. # 同时调模型的任务数上限,其余排队等待(需求:同时执行 3 个文件,其余排队处理)
  146. max-concurrent: "${ZSJZ_FILE_AI_MAX_CONCURRENT:3}"
  147. # 排队积压上限,超过直接标 SKIP —— 没有这一层,一次拖入几千个文件会把队列和内存堆爆
  148. max-pending: "${ZSJZ_FILE_AI_MAX_PENDING:200}"
  149. # 单个文件识别的模型调用超时(秒)
  150. timeout-seconds: "${ZSJZ_FILE_AI_TIMEOUT_SECONDS:120}"
  151. # 向量模型(进程内 ONNX 本地模型 / Web 界面配置的在线 embedding 模型)。
  152. # 路由优先级(见 EmbeddingProvider):
  153. # 1. 「模型配置」里启用中的本地向量模型(ai_model_config:model_type='embedding'、
  154. # provider='local',base_url 填模型目录、dimension 填输出维度,无需密钥);
  155. # 2. 本配置节 enabled=true 时的 yaml 默认模型(bge-m3);
  156. # 3. 「模型配置」里启用中的在线 embedding 模型。
  157. # 本地模型目录缺失时不会静默回退在线模型(两套向量空间不兼容),业务侧按「向量能力不可用」降级。
  158. # 本地模型默认 bge-m3:输出 1024 维稠密向量(CLS 池化 + L2 归一化),见 EmbeddingService。
  159. # 注意:权重常驻堆外内存约 2.5~3GB,首次加载 20~60s(懒加载,不阻塞启动);
  160. # 同一模型目录只加载一份权重(LocalEmbeddingEnginePool 按目录缓存)。
  161. # Java 25 运行时 ONNX Runtime 加载 native 库会打 "restricted method" 警告(不影响运行),
  162. # 可通过 JVM 参数 --enable-native-access=ALL-UNNAMED 消除。
  163. embedding:
  164. # yaml 默认模型开关:true = 未在「模型配置」里指定本地模型时使用本地模型;false = 在线模型
  165. enabled: "${ZSJZ_EMBEDDING_ENABLED:false}"
  166. # 模型目录:含 tokenizer.json 与 onnx/model.onnx(+ model.onnx_data 外部权重)。
  167. # 默认放 qingjian/system/models/bge-m3;相对路径按项目根(PathConst.ROOT_PATH)解析。
  168. model-path: "${ZSJZ_EMBEDDING_MODEL_PATH:qingjian/system/models/bge-m3}"
  169. # 模型声明输出维度(bge-m3 = 1024):建向量表/状态展示用,不触发权重加载
  170. dimensions: "${ZSJZ_EMBEDDING_DIMENSIONS:1024}"
  171. # 单文本最大 token 数(超出截断;bge-m3 上限 8192,长文本 CPU 推理耗时显著上升)
  172. max-seq-len: "${ZSJZ_EMBEDDING_MAX_SEQ_LEN:8192}"
  173. # 批量推理每批文本条数(批内按最长文本 padding)
  174. batch-size: "${ZSJZ_EMBEDDING_BATCH_SIZE:8}"
  175. # ORT intra-op 并行线程数;0 = 交给 ONNX Runtime 默认策略
  176. intra-op-threads: "${ZSJZ_EMBEDDING_INTRA_OP_THREADS:0}"
  177. # ONNX 图优化级别:NO_OPT / BASIC_OPT / EXTENDED_OPT / ALL_OPT(ALL 首次加载更慢)
  178. opt-level: "${ZSJZ_EMBEDDING_OPT_LEVEL:BASIC_OPT}"
  179. # 启动时后台预热加载模型(false = 懒加载,首次业务调用时才载入)
  180. eager-load: "${ZSJZ_EMBEDDING_EAGER_LOAD:false}"
  181. # 智能清洗(AI 兜底链路,module/aiclean)。
  182. # max-concurrent:AI 判定并发闸门(未配置走代码默认 3);模型调用重试由 LlmRetry 固定 3 次封顶。
  183. # batch-token-budget:单批次 AI 判定的 token 预算上限,0 = 不限 —— 超限后剩余表自动转人工,
  184. # 防止一次异常上传把 token 烧穿(LiteLLM budget 同款护栏,近似检查)。
  185. # stale-minutes:批次心跳超时分钟数 —— 每完成一个 sheet 都会刷新 update_time,
  186. # 超时无推进的批次由看门狗标 FAILED,用户重新点「智能」即可恢复(进程重启同理,启动时自动清理)。
  187. ai-clean:
  188. # AI 判定并发闸门:同时调模型(含列绑定补调)的 sheet 数上限。同表头的重复 sheet
  189. # 复用第一次的判定结果,等待期间不占并发位。
  190. max-concurrent: "${ZSJZ_AI_CLEAN_MAX_CONCURRENT:3}"
  191. batch-token-budget: "${ZSJZ_AI_CLEAN_BATCH_TOKEN_BUDGET:0}"
  192. stale-minutes: "${ZSJZ_AI_CLEAN_STALE_MINUTES:30}"
  193. # 模板元数据向量索引(module/aiclean/index):
  194. # 只读两套模板元数据(table_info/table_field + ai_clean_template/ai_clean_field,不扫描 DuckDB),
  195. # 写进独立向量表 rag_tpl{tag}_d{dims}(本地模型带模型名标签,如 rag_tpl_bge_m3_d1024)。
  196. # 同一份索引服务两个用途:
  197. # ① Agent search_table_schema 选表(生成 SQL) ② AI 模板匹配的向量召回(只补候选,不判档)。
  198. # 前提:向量模型可用(本地开关打开且模型目录存在,或 ai_model_config 表存在 type='embedding' 活跃模型)
  199. # + PG 已装 pgvector;未满足时全链路 fail-open。
  200. vector:
  201. # 总开关;关闭行为与改造前完全一致(无索引、无召回)
  202. enabled: "${ZSJZ_AI_CLEAN_VECTOR_ENABLED:true}"
  203. # 模板新增/更新/删除后自动增量更新索引(关闭只能手工调 /aiClean/templateVector/rebuild)
  204. auto-index-on-template-change: "${ZSJZ_AI_CLEAN_VECTOR_AUTO_INDEX_ON_TEMPLATE_CHANGE:true}"
  205. # 启动时若索引表不存在/为空则后台自举重建(存量模板不会补发变更事件)
  206. auto-rebuild-on-startup: "${ZSJZ_AI_CLEAN_VECTOR_AUTO_REBUILD_ON_STARTUP:true}"
  207. # 召回条数上限:只补充送给 LLM 的候选,不是最终匹配结果
  208. top-k: "${ZSJZ_AI_CLEAN_VECTOR_TOP_K:12}"
  209. # 召回相似度阈值(cosine 转 score),太低会塞无关模板,太高召不回同义不同词的模板
  210. score-threshold: "${ZSJZ_AI_CLEAN_VECTOR_SCORE_THRESHOLD:0.30}"
  211. # 全量重建的文档数上限,防止模板库异常膨胀时一次 rebuild 打爆内存/嵌入额度
  212. max-documents-per-rebuild: "${ZSJZ_AI_CLEAN_VECTOR_MAX_DOCUMENTS_PER_REBUILD:5000}"
  213. # 本地 OCR(module/document):图片与扫描件 PDF。
  214. # PP-OCRv4 模型(det/cls/rec)随 rapidocr4j 打进 jar,字典在 rec 模型 metadata 里 ——
  215. # 运行期不需要下载模型、不需要 tessdata、不需要 tesseract。
  216. # OpenCV 原生库在 openpnp:opencv jar 内(Windows/Linux/macOS 同一个 jar),首次使用释放到
  217. # {user.dir}/data/native/ 复用;Linux 要求 glibc ≥ 2.27(Ubuntu 18.04+/Debian 10+/Rocky 8+)。
  218. # 扫描件 PDF 逐页判断:该页文本少于 page-min-chars 才 OCR,纯文本 PDF 完全不触发 OCR。
  219. # 能力不可用(原生库加载失败/模型缺失)时,图片与扫描件上传会以可读原因失败,文本类文档不受影响。
  220. ocr:
  221. enabled: "${ZSJZ_OCR_ENABLED:true}"
  222. # OpenCV 原生库路径覆盖;空 = 自动从依赖 jar 释放(推荐)
  223. opencv-lib-path: "${ZSJZ_OCR_OPENCV_LIB_PATH:}"
  224. # 单行识别结果的最低置信度,低于该值丢弃
  225. text-score: "${ZSJZ_OCR_TEXT_SCORE:0.5}"
  226. # 检测模型输入的最小边(PP-OCR det 的 limit_side_len)
  227. det-limit-side-len: "${ZSJZ_OCR_DET_LIMIT_SIDE_LEN:736}"
  228. # 单张图片 OCR 前的最大边(超过由引擎内部缩放)
  229. max-side-len: "${ZSJZ_OCR_MAX_SIDE_LEN:2000}"
  230. # 单张图片最大像素数,超过先等比缩小(手机原图常见 5000×4000)
  231. image-max-pixels: "${ZSJZ_OCR_IMAGE_MAX_PIXELS:40000000}"
  232. # 模型路径覆盖:空 = 用 jar 内置 PP-OCRv4;填绝对路径可换 server 大模型
  233. det-model-path: "${ZSJZ_OCR_DET_MODEL_PATH:}"
  234. cls-model-path: "${ZSJZ_OCR_CLS_MODEL_PATH:}"
  235. rec-model-path: "${ZSJZ_OCR_REC_MODEL_PATH:}"
  236. # 换外部识别模型(不含 character metadata)时补字典 ppocr_keys_v1.txt
  237. rec-keys-path: "${ZSJZ_OCR_REC_KEYS_PATH:}"
  238. # 扫描件渲染 DPI:太低识别率差,太高耗时与内存翻倍
  239. pdf-dpi: "${ZSJZ_OCR_PDF_DPI:200}"
  240. # 页文本少于该字符数视为「无文本层」,对该页做 OCR
  241. page-min-chars: "${ZSJZ_OCR_PAGE_MIN_CHARS:10}"
  242. # 单文件最多 OCR 的页数(纯文本页不计数、不占用该预算)
  243. max-pages: "${ZSJZ_OCR_MAX_PAGES:30}"
  244. # 单次提取的 OCR 时间预算(秒),超出后剩余页跳过并标注
  245. total-budget-seconds: "${ZSJZ_OCR_TOTAL_BUDGET_SECONDS:240}"
  246. # 本地音视频转写(module/document)。
  247. # Tika 3.x 没有 ffmpeg 解析器、也没有任何本地语音识别实现(其转写桥只有云端 Amazon Transcribe),
  248. # 所以音频解码由外部 ffmpeg 完成、识别由本机 Vosk 模型完成。
  249. # Vosk 模型目录需离线放置(含 am/ 与 conf/),获取方式见 docs/design/ai-media-ocr-asr.md。
  250. # ffmpeg 缺失或模型缺失时,音视频上传会以可读原因失败,其他类型不受影响。
  251. asr:
  252. enabled: "${ZSJZ_ASR_ENABLED:true}"
  253. # ffmpeg 可执行文件路径;空 = qingjian/system/tools/ffmpeg/ffmpeg(.exe) → PATH
  254. ffmpeg-path: "${ZSJZ_ASR_FFMPEG_PATH:}"
  255. # Vosk 模型目录(默认 qingjian/system/models/vosk-model;相对路径按项目根解析)
  256. model-path: "${ZSJZ_ASR_MODEL_PATH:qingjian/system/models/vosk-model}"
  257. # 单文件最多转写的时长(秒),超出部分不转写并标注
  258. max-duration-seconds: "${ZSJZ_ASR_MAX_DURATION_SECONDS:600}"
  259. # ffmpeg 进程总超时(秒)
  260. ffmpeg-timeout-seconds: "${ZSJZ_ASR_FFMPEG_TIMEOUT_SECONDS:600}"
  261. # 送入 Vosk 的采样率,必须与模型一致(中文模型均为 16000)
  262. sample-rate: "${ZSJZ_ASR_SAMPLE_RATE:16000}"
  263. # 转写文本字符上限
  264. max-chars: "${ZSJZ_ASR_MAX_CHARS:200000}"
  265. # 登录安全(module/plat)。
  266. auth:
  267. # 「账号正在使用」判定窗口(分钟):账号有有效会话且该窗口内活跃过,
  268. # 再次登录需要用户确认后才能顶掉旧会话
  269. in-use-window-minutes: "${ZSJZ_AUTH_IN_USE_WINDOW_MINUTES:30}"
  270. # 表结构语义检索(RAG):向量索引的事实来源只有两套模板元数据
  271. # (table_info/table_field + ai_clean_template/ai_clean_field,不扫描案件 DuckDB)。
  272. # 索引服务 AI 模板匹配的向量召回(RagSchemaService 保留给后续 Agent 选表能力)。
  273. # 依赖向量模型可用(本地开关打开,或 ai_model_config 表有活跃 type=embedding 模型)+ PG pgvector;
  274. # 缺失时相关能力 fail-open,不影响清洗。
  275. etl:
  276. rag:
  277. # RAG 检索能力开关(RagSchemaService.isAvailable)
  278. enabled: "${ETL_RAG_ENABLED:true}"
  279. # 检索默认返回条数
  280. top-k: "${ETL_RAG_TOP_K:5}"
  281. # 相似度阈值(cosine 转 score)
  282. score-threshold: "${ETL_RAG_SCORE_THRESHOLD:0.3}"
  283. # 数据上传:服务端解析/提取阶段(大 Excel 解析、OCR、音视频转写、文档样本抽取)是同步阻塞的,
  284. # 浏览器上传进度到 100% 后可能还要等很久。这里按固定间隔打心跳日志,
  285. # 排障时能确认「请求仍在处理、连接正常」。
  286. dm:
  287. upload:
  288. heartbeat-seconds: "${DM_UPLOAD_HEARTBEAT_SECONDS:5}"
  289. # 按约定不参数化:别名包 / Mapper 位置 / 日志实现都是框架内部装配,随代码发布
  290. mybatis-plus:
  291. # 实体别名包(各业务域实体)。已核实 10 个域的实体类简单名无重复,可安全启用;
  292. # 若后续新增实体出现重名,MyBatis 会因别名冲突启动失败,此时应删除本配置(XML 全用全限定名)。
  293. type-aliases-package: com.zsjz.ai.common.model.*.entity
  294. mapper-locations: classpath*:mappers/**/*.xml
  295. configuration:
  296. cacheEnabled: false
  297. default-enum-type-handler: com.baomidou.mybatisplus.core.handlers.MybatisEnumTypeHandler
  298. log-impl: org.apache.ibatis.logging.slf4j.Slf4jImpl
  299. # 智能体工作区已显式关闭工作区上下文(AgentAssembler#disableWorkspaceContext),
  300. # 框架仍会为缺失的 AGENTS.md 打 WARN;该文件在本平台不参与装配,故仅保留 ERROR 级日志,避免每轮装配刷屏。
  301. logging:
  302. level:
  303. io.agentscope.harness.agent.workspace.WorkspaceManager: ERROR
  304. --- # MCP 出口配置
  305. # 原 spring-ai 的 MCP Server / Client 配置已移除(与 AgentScope 依赖互斥,详见 docs/agentscope/A09),
  306. # 改为官方 MCP Java SDK 自建出口,工具/资源通过注册 SyncToolSpecification / SyncResourceSpecification Bean 贡献。
  307. mcp:
  308. server:
  309. # 开关
  310. enabled: true
  311. # 与 ruoyi-admin 共用端口,默认端点为 /mcp
  312. endpoint: /mcp
  313. # 服务信息,随 initialize 返回给客户端
  314. name: ${spring.application.name}
  315. version: "@project.version@"