""" 统一配置：所有环境变量通过此模块的 Settings 单点读取。 业务代码只允许 import settings，禁止散落 os.getenv() / load_dotenv()。 本地开发时由 api/development.sh 在启动前将 .env.development 同步为 .env（每次启动覆盖）。 Docker / 服务端由镜像与 compose 注入进程环境；此处仅固定读取工作目录下的 .env 作为默认值来源。 进程环境变量（容器 environment、export）覆盖 .env 同名项。 """ import secrets from pydantic import AliasChoices, Field, field_validator from pydantic_settings import BaseSettings, SettingsConfigDict class Settings(BaseSettings): model_config = SettingsConfigDict( env_file=".env", env_file_encoding="utf-8", case_sensitive=False, extra="ignore", ) # ── Database ────────────────────────────────────────────── database_url: str = "postgresql://postgres:postgres@localhost:5432/life_echo" # 启动时是否执行 Alembic（main.py lifespan）；测试或仅读场景可关 alembic_run_on_startup: bool = True # True：迁移失败则进程退出（生产推荐）。False：仅打错误日志并继续（本地无 DB 时） alembic_startup_fail_fast: bool = False alembic_startup_max_retries: int = Field(default=3, ge=1, le=10) alembic_startup_retry_base_seconds: float = Field(default=1.0, ge=0.1, le=60.0) # ── Redis ───────────────────────────────────────────────── redis_url: str = "redis://localhost:6379/0" redis_session_ttl: int = 86400 # ── Runtime / Celery 开发体验 ───────────────────────────── # APP_ENV：本地默认 development；Docker 生产栈请设为 production app_environment: str = Field( default="development", validation_alias=AliasChoices("APP_ENV", "APP_ENVIRONMENT"), ) # 非 production 且为 True 时，在 main/internal_main 连接 Redis 后清空 Celery 队列（不 FLUSHDB，不影响会话键） celery_purge_broker_on_startup: bool = False # Memory LLM 富化任务路由队列；可与主 worker 分离（见 README / docker-compose） celery_memory_enrichment_queue: str = "memory_idle" # ── Auth / JWT ──────────────────────────────────────────── secret_key: str = Field(default_factory=lambda: secrets.token_urlsafe(32)) algorithm: str = "HS256" access_token_expire_minutes: int = 120 refresh_token_expire_days: int = 30 # ── LLM / DeepSeek ─────────────────────────────────────── deepseek_api_key: str = "" deepseek_base_url: str = "https://api.deepseek.com" deepseek_model: str = "deepseek-chat" llm_api_key: str = "" llm_base_url: str = "" llm_model: str = "" llm_temperature: float = 0.7 # 空字符串：快档位与默认模型相同；分类/抽取/记忆富化等可单独指定较轻模型 llm_fast_model: str = "" # ── Memory 向量（智谱 BigModel 国内 embedding-3；与 LLM/DeepSeek 密钥分离）── zhipu_api_key: str = "" embedding_base_url: str = "https://open.bigmodel.cn/api/paas/v4" embedding_model: str = "embedding-3" # ── Chat 访谈（token 上限 + 代码截断，见 reply_limits）── chat_interview_max_tokens: int = 512 chat_interview_max_segments: int = 2 chat_interview_max_chars_per_segment: int = 380 chat_opening_max_tokens: int = 380 chat_profile_followup_max_tokens: int = 280 # Redis 全量历史仅用于 turn 计数；注入 LLM 时截取最近若干轮与字符预算 chat_history_max_pairs: int = Field(default=15, ge=1, le=500) chat_history_max_chars: int = Field(default=6000, ge=256, le=500_000) chat_era_context_enabled: bool = True # 访谈：每轮用 LLM 判定用户主人生阶段并更新 MemoirState.current_stage；False 时仅用关键词 chat_stage_detection_enabled: bool = True chat_stage_detection_max_tokens: int = 128 # 访谈性格：default | warm_listener | curious_guide（未知值按 default） chat_interview_persona: str = "default" # 访谈/开场 LLM 采样温度：略高于通用 llm_temperature，利于口语与叙事变化、减程式句 chat_interview_temperature: float = Field(default=0.93, ge=0.0, le=2.0) # 访谈：按用户本轮话检索记忆并注入 prompt（关则不调 MemoryService.retrieve） chat_memory_retrieval_enabled: bool = True chat_memory_top_k: int = Field(default=8, ge=1, le=30) chat_memory_evidence_max_chars: int = Field(default=4096, ge=256, le=50_000) # ── Memoir 叙事忠实度检查（FidelityCheckAgent）──────────────── memoir_fidelity_check_enabled: bool = True memoir_fidelity_check_max_tokens: int = 512 # 口述归一（进入叙事 / 忠实度前；segment 原文不落库）：off | rules | llm memoir_oral_normalize_enabled: bool = True memoir_oral_normalize_mode: str = "rules" memoir_oral_normalize_llm_max_tokens: int = Field(default=512, ge=64, le=4096) memoir_oral_normalize_llm_max_input_chars: int = Field( default=8000, ge=64, le=50_000 ) # 聊天：模型消费净稿（不改变 segment 落库原文）；与 memoir 规则层共用，配置独立 chat_input_normalize_enabled: bool = True chat_input_normalize_mode: str = "rules" # off | rules | llm chat_input_normalize_llm_max_tokens: int = Field(default=512, ge=64, le=4096) chat_input_normalize_llm_max_input_chars: int = Field( default=8000, ge=64, le=50_000 ) # True 且 mode=llm：仅语音/ASR 段走 LLM 纠错；键盘输入仅规则归一（省每轮 LLM） chat_input_normalize_llm_voice_only: bool = True # 资料收集：超过该对话轮次（Redis 全量轮次计数）仍有缺失字段时，强制进入访谈，避免长期问卷感 chat_profile_max_turns: int = Field(default=8, ge=1, le=500) # Memoir Phase1：多 segment 一批一次 LLM 完成抽取+章节分类（失败回退逐段）；单段且关时仍逐段 memoir_phase1_batch_llm_enabled: bool = True memoir_phase1_batch_llm_max_tokens: int = Field(default=4096, ge=512, le=32_768) #: Phase1 批处理 LLM：单次请求最多包含的 segment 数（多块合并，避免 completion 顶满截断） memoir_phase1_batch_llm_chunk_size: int = Field(default=24, ge=1, le=500) #: 回忆录流水线细粒度进度 Redis 快照 TTL（memoir_pipeline_run:*） memoir_pipeline_run_ttl_seconds: int = Field(default=172_800, ge=3600, le=2_592_000) # Memoir agents：`invoke_json_object` / `llm_json_call` 的 max_tokens（原硬编码迁至配置） memoir_extraction_max_tokens: int = Field(default=1024, ge=64, le=8192) memoir_classification_max_tokens: int = Field(default=256, ge=32, le=4096) memoir_narrative_max_tokens: int = Field(default=4096, ge=256, le=32_768) memoir_narrative_merge_max_tokens: int = Field(default=8192, ge=256, le=64_000) memoir_title_max_tokens: int = Field(default=256, ge=32, le=4096) memoir_story_route_max_tokens: int = Field(default=1024, ge=64, le=8192) memoir_story_batch_plan_max_tokens: int = Field(default=4096, ge=256, le=32_768) # 资料抽取（ProfileAgent JSON 模式） chat_profile_extract_max_tokens: int = Field(default=512, ge=64, le=4096) # ── ASR ─────────────────────────────────────────────────── asr_provider: str = "whisper" asr_model_size: str = "small" asr_device: str = "auto" asr_compute_type: str = "auto" asr_model_cache_dir: str = "" # ── Tencent SMS ────────────────────────────────────────── tencent_sms_secret_id: str = "" tencent_sms_secret_key: str = "" tencent_sms_sdk_app_id: str = "" tencent_sms_sign_name: str = "" tencent_sms_template_id: str = "" tencent_sms_template_param_count: int = 2 # ── Tencent ASR / TTS（共用 Secret；与短信、COS 密钥独立）──────────────── tencent_secret_id: str = "" tencent_secret_key: str = "" # ── TTS (openai | tencent)，与 ASR 独立：仅控制回复侧语音合成 ── enable_tts: bool = True tts_provider: str = "tencent" openai_api_key: str = "" tts_voice_type: int = 502001 # Tencent 音色 ID，见 https://cloud.tencent.com/document/product/1073/92668 tts_codec: str = "mp3" # ── WeChat Pay ─────────────────────────────────────────── wechat_pay_app_id: str = "" wechat_pay_mch_id: str = "" wechat_pay_api_v3_key: str = "" wechat_pay_private_key_path: str = "certs/apiclient_key.pem" wechat_pay_private_key: str = "" # PEM 内容，与 private_key_path 二选一 wechat_pay_cert_serial_no: str = "" wechat_pay_notify_url: str = "" wechat_pay_platform_public_key: str = "" wechat_pay_platform_public_key_path: str = "" wechat_pay_platform_public_key_id: str = "" # ── Alipay ─────────────────────────────────────────────── alipay_app_id: str = "" alipay_private_key: str = "" alipay_public_key: str = "" alipay_notify_url: str = "" alipay_sign_type: str = "RSA2" alipay_under_development: str = "true" # "1"/"true"/"yes" 视为开发中不可用 # ── Logging ────────────────────────────────────────────── # 环境变量 LOG_LEVEL；控制 loguru sink 最低级别（TRACE/DEBUG/INFO/…） log_level: str = "INFO" # LOG_AGENT_VERBOSE：为 True 时额外输出 Agent 单行 INFO 摘要（耗时、规模），无需全局 DEBUG log_agent_verbose: bool = False # AGENT_LOG_MAX_CHARS：DEBUG 下记录 prompt/响应预览时的最大字符数；0=不截断（完整输出，慎用） agent_log_max_chars: int = Field(default=4096, ge=0, le=50_000_000) # AGENT_LOG_OMIT_SYSTEM_MESSAGE_BODY：DEBUG 下访谈/资料聊天日志省略 System 正文（仅 len+sha12） agent_log_omit_system_message_body: bool = True # AGENT_LOG_JSON_PROMPT_PREFIX_CHARS：DEBUG 下 *.prompt 总长超过下项时再跳过前 N 字符后预览（0=不跳过） agent_log_json_prompt_prefix_chars: int = Field(default=0, ge=0, le=500_000) # AGENT_LOG_JSON_PROMPT_PREFIX_ONLY_IF_LEN_GT：触发“跳过前缀”的最小 prompt 长度 agent_log_json_prompt_prefix_only_if_len_gt: int = Field( default=4000, ge=0, le=2_000_000 ) # AGENT_LOG_PROMPT_MODE：DEBUG 下 *.prompt 记录方式 preview=截断预览 | hash_only=仅 sha12+长度（无正文） agent_log_prompt_mode: str = Field(default="preview") # AGENT_LOG_PROMPT_DEDUP：DEBUG 下同一 label 连续相同全文时第二条起跳过（减重复模板噪音） agent_log_prompt_dedup: bool = False # 第三方 stdlib logging（空=自动：DEBUG/TRACE 时 Celery→INFO；否则 Celery 与 httpx 默认 WARNING） celery_log_level: str = "" httpx_log_level: str = "" # 非空时额外写入 JSONL（serialize=True），便于 Loki/ELK；与 stderr 彩色控制台并存 log_json_file: str = "" @field_validator("celery_purge_broker_on_startup", mode="before") @classmethod def _coerce_celery_purge_broker_on_startup(cls, v: object) -> bool: if isinstance(v, bool): return v if v is None: return False return str(v).strip().lower() in ("1", "true", "yes", "on") @field_validator("log_agent_verbose", mode="before") @classmethod def _coerce_log_agent_verbose(cls, v: object) -> bool: if isinstance(v, bool): return v if v is None: return False return str(v).strip().lower() in ("1", "true", "yes", "on") @field_validator("agent_log_omit_system_message_body", mode="before") @classmethod def _coerce_agent_log_omit_system_message_body(cls, v: object) -> bool: if isinstance(v, bool): return v if v is None: return True s = str(v).strip().lower() if s in ("0", "false", "no", "off"): return False return True @field_validator("agent_log_prompt_mode", mode="before") @classmethod def _normalize_agent_log_prompt_mode(cls, v: object) -> str: if v is None: return "preview" s = str(v).strip().lower() if s not in ("preview", "hash_only"): return "preview" return s @field_validator("agent_log_prompt_dedup", mode="before") @classmethod def _coerce_agent_log_prompt_dedup(cls, v: object) -> bool: if isinstance(v, bool): return v if v is None: return False return str(v).strip().lower() in ("1", "true", "yes", "on") # ── Misc ───────────────────────────────────────────────── enable_test_subscription: int = 0 enable_test_plan: str = "" # "1" / "true" / "yes" 为 True enable_docs: bool = True # ── Memoir Image ───────────────────────────────────────── memoir_image_enabled: bool = False # True：图片 LLM prompt 失败时不使用英语降级模板（需产品与任务失败流确认后开启） image_prompt_fallback_disabled: bool = False memoir_image_poll_interval: int = 3 memoir_image_max_attempts: int = 20 memoir_image_provider: str = "liblib" memoir_image_style_default: str = "watercolor" memoir_image_size_default: str = "1280x720" memoir_image_download_hosts: str = "" # Story 正文至少多少字才创建主图 intent / 调图（0 表示不限制） story_image_min_body_chars: int = 400 # generate_story_image 入队去重（Redis SET NX，秒） story_image_enqueue_dedup_ttl: int = Field(default=300, ge=30, le=86400) # 章节物化异步任务延迟入队（秒），削峰 recompose_chapter_delay_seconds: int = Field(default=8, ge=0, le=600) # 与 memoir pipeline 一致的章节互斥锁 TTL（秒）；应覆盖 Phase2 / recompose 的 P95 时长 chapter_pipeline_lock_ttl_seconds: int = Field(default=360, ge=10, le=3600) # Append 硬上限：canonical 字符数、版本数（超限强制 new_story） story_append_max_canonical_chars: int = Field(default=12000, ge=1000, le=500_000) story_append_max_versions: int = Field(default=20, ge=1, le=500) # StoryRouteAgent：候选 JSON 预算（保守默认，可调大） story_route_candidate_body_max_chars: int = Field(default=2200, ge=200, le=8000) story_route_candidate_total_max_chars: int = Field( default=20_000, ge=2000, le=100_000 ) story_route_long_body_head_chars: int = Field(default=700, ge=100, le=4000) story_route_long_body_tail_chars: int = Field(default=700, ge=100, le=4000) story_route_summary_min_chars: int = Field(default=30, ge=0, le=500) story_route_index_preview_chars: int = Field(default=140, ge=20, le=500) # 童年/求学/家庭：本批口述低于该字数且路由为 new 时，倾向续写到默认候选，减少碎篇 memoir_story_route_append_guardrail_oral_chars: int = Field( default=1800, ge=0, le=50_000 ) # Evidence 检索 top_k：大批次 unit 时降低检索量 evidence_top_k_default: int = Field(default=10, ge=1, le=50) evidence_top_k_large_batch: int = Field(default=5, ge=1, le=50) evidence_large_batch_threshold: int = Field(default=3, ge=1, le=100) # Story/Chapter 标题在正文达到此字数后才由 LLM 生成；之前用占位符 story_title_min_body_chars: int = Field(default=60, ge=0, le=10_000) # 回忆录 Celery：累计 strip 后口述字数未达此值则暂缓提交（0=关闭，仅防抖后提交） memoir_segment_batch_min_chars: int = Field(default=50, ge=0, le=50_000) # 本批首条 segment 入队起最长等待（秒），超时则提交（即使字数不足） memoir_segment_batch_max_wait_seconds: float = Field( default=60.0, ge=0.0, le=3600.0 ) # 回忆录叙事 Phase 2（ Celery）触发：单条口述达到该 strip 字数则立即跑叙事 memoir_narrative_immediate_char_threshold: int = Field(default=50, ge=0, le=50_000) # 同一 topic_category 下未叙事段数达到该值则触发 Phase 2 memoir_narrative_batch_min_segments: int = Field(default=3, ge=1, le=500) # 同上，累计 user_input_text 字符数（strip 后由 Segment 列 length 近似） memoir_narrative_batch_min_chars: int = Field(default=80, ge=0, le=500_000) # Phase 1 完成后未触发 Phase 2 时，延迟任务兜底（秒）；新 Phase 1 会 revoke 旧定时 memoir_narrative_batch_max_wait_seconds: float = Field( default=120.0, ge=1.0, le=3600.0 ) # False：Celery/批处理更新 slot 时不改写 MemoirState.current_stage（访谈路径仍可由 switch_stage 推进） # True：仅当 chat_bucket( proposed ) == chat_bucket( existing ) 时允许批处理对齐 current_stage memoir_extraction_updates_current_stage: bool = False # True：FidelityCheckAgent JSON/LLM 解析失败时放行（仅建议 append 场景配合 existing 兜底） memoir_fidelity_fail_open_on_parse_error: bool = False # 正文与 evidence 文本的最长公共子串达到该长度且 oral/旧正文未覆盖时，回退为安全正文 memoir_narrative_evidence_overlap_min_chars: int = Field(default=14, ge=8, le=256) # True：启用短「场合锚点」词检测（聚餐/那晚等），须同时在摘录中出现且口述未覆盖才回退 memoir_evidence_scene_anchor_check_enabled: bool = True # True：标题生成时 slots 仅保留在 oral 或正文摘录中出现的条目（减少档案串台） memoir_title_slots_require_body_or_oral_match: bool = True # True：标题中出现高置信「履历链」短语则须在 hay（正文+口述+已传 slots）中有逐字依据，否则降级占位 memoir_title_hay_grounding_strict_phrases_enabled: bool = True # True：章节物化拿不到 pipeline 锁时 Celery retry（避免长期跳过导致 dirty 不收敛） memoir_recompose_retry_on_lock_contention: bool = True # Phase2 立即派发使用固定 task_id，减少同类目重复入队（超时任务仍用独立 id） memoir_phase2_singleflight_immediate: bool = True # True：Phase2 首稿后异步运行质量增强（fidelity recheck、标题润色、LLM 归一） memoir_quality_pass_enabled: bool = True memoir_quality_pass_delay_seconds: int = Field(default=5, ge=0, le=300) # ── Memory 检索与富化 ───────────────────────────────────── # True：query 为空时仍返回 rolling 摘要 + 最近事实/时间线（无 chunk 向量检索） memory_evidence_empty_query_include_rolling: bool = False # False：跳过 ingest 后 LLM 富化（摘要/事实/时间线） memory_enrichment_enabled: bool = True memory_enrichment_max_chars: int = Field(default=12000, ge=1000, le=100_000) # True：事实 ILIKE 未命中时退回「最近 confirmed 事实」（易引入无关/矛盾事实；默认关） memory_fact_search_use_recent_fallback: bool = False # ── Memory compaction（近重复 chunk 软排除；事件触发 + Redis 防抖 + 用户锁；需 worker + Beat 跑 sweep）── memory_compaction_enabled: bool = True memory_compaction_debounce_seconds: int = Field(default=105, ge=10, le=3600) memory_compaction_lock_ttl_seconds: int = Field(default=600, ge=60, le=7200) memory_compaction_chunk_similarity_threshold: float = Field( default=0.92, ge=0.5, le=0.999 ) memory_compaction_min_layers_for_exclude: int = Field(default=2, ge=1, le=3) memory_compaction_max_chunks_per_run: int = Field(default=200, ge=1, le=10_000) memory_compaction_max_excludes_per_run: int = Field(default=50, ge=1, le=1000) memory_compaction_max_neighbors_per_chunk: int = Field(default=25, ge=5, le=100) memory_compaction_text_jaccard_min: float = Field(default=0.55, ge=0.0, le=1.0) memory_compaction_metadata_event_year_window: int = Field(default=1, ge=0, le=50) # Beat sweep：扫描最近 N 小时内有新 chunk 的用户并调度 compaction memory_compaction_sweep_recent_hours: int = Field(default=24, ge=1, le=168) # ── Liblib ─────────────────────────────────────────────── liblib_access_key: str = "" liblib_secret_key: str = "" liblib_base_url: str = "https://openapi.liblibai.cloud" liblib_template_uuid: str = "" # ── Tencent COS ────────────────────────────────────────── tencent_cos_secret_id: str = "" tencent_cos_secret_key: str = "" tencent_cos_region: str = "ap-shanghai" tencent_cos_bucket: str = "" tencent_cos_base_url: str = "" tencent_cos_token: str = "" # ── Internal regression evaluation lab（独立入口，不挂在消费者 API）──── internal_eval_api_key: str = "" internal_eval_enable_docs: bool = False # 逗号分隔；空则内部 API 不额外限制 Origin（仍可依赖 internal_eval_api_key） internal_eval_cors_origins: str = "" # 智谱 GLM-5：评审模型（OpenAI 兼容 Chat Completions，与 langchain-openai 一致） eval_judge_api_key: str = "" eval_judge_base_url: str = "https://open.bigmodel.cn/api/paas/v4" eval_judge_model: str = "glm-5" eval_judge_temperature: float = 0.3 # 评测评审：DeepSeek（OpenAI 兼容）；默认 deepseek-reasoner 即官网 R1 eval_judge_deepseek_model: str = "deepseek-reasoner" eval_judge_deepseek_context_window_tokens: int = Field( default=64_000, ge=4096, le=2_000_000, description="DeepSeek 评审专用上下文预算（用于 transcript 截断；与 GLM 200K 分离）", ) # GLM-5 输入上下文 200K（https://docs.bigmodel.cn） eval_judge_context_window_tokens: int = Field( default=200_000, ge=4096, le=2_000_000 ) # 预留给完成 tokens（json 输出）及路由误差 eval_judge_completion_reserve_tokens: int = Field(default=4096, ge=256, le=131_072) eval_judge_prompt_budget_safety_tokens: int = Field(default=2048, ge=0, le=32_768) # transcript 混合中英文时 token/字 估值（略低于 1.2 可多给汉字篇幅；若评审请求被拒可回调高） eval_judge_approx_tokens_per_char: float = Field(default=1.0, ge=0.3, le=8.0) # 整段/逐轮节选 transcript 最大字符；0=按 eval_judge_context_window_tokens 自动扣 rubric 头 eval_judge_max_transcript_chars: int = Field(default=0, ge=0, le=2_000_000) # 双 transcript 对比流：每条对话上限；0=按上下文平分（扣 overhead） eval_judge_max_compare_transcript_chars_each: int = Field( default=0, ge=0, le=2_000_000 ) # 对比 prompt 固定开销（模板 + 两份评分 JSON）的字符估值；略低则 transcript 合计空间更大 eval_judge_compare_prompt_overhead_chars: int = Field( default=10_000, ge=500, le=500_000 ) # 回忆录音评：章节 LLM 并发上限（仅评审请求；准备阶段仍串行访问 DB） eval_judge_memoir_chapter_concurrency: int = Field( default=4, ge=1, le=32, ) # 回忆录评审 prompt 内粗截断（汉字计字符）；万字级章节请保持 body ≥ 正文峰值 eval_judge_memoir_body_max_chars: int = Field( default=36_000, ge=8_000, le=500_000, description="【当前回忆录正文】注入评审 prompt 前的最大字符", ) eval_judge_memoir_evidence_max_chars: int = Field( default=32_000, ge=8_000, le=500_000, description="对话证据 / 结构化证据 / 参考基线各块的最大字符（与 eval_trace_format 对齐）", ) # json_object 完成预算；MemoirJudgeOutput 字段多，需预留足量 token eval_judge_memoir_completion_max_tokens: int = Field( default=3072, ge=512, le=16_384, ) # 候选对话回放：与生产访谈类似的温度 eval_candidate_temperature: float = 0.7 # 门禁：受保护 session 合成份数下跌超过该阈值视为回归（0–100 分制） eval_gate_protected_regression_threshold: float = Field( default=2.0, ge=0.0, le=100.0 ) # 执行 LLM 判分与回放（Celery 未跑时可关，仅跑结构/导入） eval_execution_enabled: bool = True settings = Settings()