.env.example 3.3 KB

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889909192
  1. # ============================================================
  2. # LLM 配置(由 HelloAgentsLLM 自动检测,参数优先,环境变量兜底)
  3. # ============================================================
  4. # --- 例 1:本地 Ollama ---
  5. LLM_PROVIDER=ollama
  6. LLM_BASE_URL=http://localhost:11434/v1
  7. LLM_API_KEY=ollama
  8. LLM_MODEL_ID=qwen2.5:7b
  9. # --- 例 2:DeepSeek 云端 ---
  10. # DEEPSEEK_API_KEY=sk-xxxxxxxxxxxx
  11. # LLM_MODEL_ID=deepseek-chat
  12. # --- 例 3:OpenAI ---
  13. # OPENAI_API_KEY=sk-xxxxxxxxxxxx
  14. # LLM_MODEL_ID=gpt-4o-mini
  15. # ============================================================
  16. # Qdrant 向量数据库(RAGTool + MemoryTool 使用)
  17. # ============================================================
  18. QDRANT_URL=http://localhost:6333
  19. QDRANT_API_KEY=
  20. QDRANT_COLLECTION=hello_agents_vectors
  21. QDRANT_VECTOR_SIZE=384
  22. QDRANT_DISTANCE=cosine
  23. QDRANT_TIMEOUT=30
  24. # ============================================================
  25. # Neo4j 图数据库(MemoryTool 的 semantic memory 使用)
  26. # ============================================================
  27. NEO4J_URI=bolt://localhost:7687
  28. NEO4J_USERNAME=neo4j
  29. NEO4J_PASSWORD=your_neo4j_password
  30. NEO4J_DATABASE=neo4j
  31. NEO4J_MAX_CONNECTION_LIFETIME=3600
  32. NEO4J_MAX_CONNECTION_POOL_SIZE=50
  33. NEO4J_CONNECTION_TIMEOUT=60
  34. # ============================================================
  35. # Embedding 服务(RAGTool 与 MemoryTool 的向量化后端)
  36. # 若 EMBED_API_KEY 留空,会自动回退到本地 sentence-transformers
  37. # ============================================================
  38. EMBED_MODEL_TYPE=dashscope
  39. EMBED_MODEL_NAME=text-embedding-v3
  40. EMBED_API_KEY=your_dashscope_api_key
  41. EMBED_BASE_URL=
  42. # ============================================================
  43. # Paper Search MCP(openags/paper-search-mcp)
  44. # 推荐:使用预装 venv 的 Python 解释器启动
  45. # ============================================================
  46. PAPER_SEARCH_MCP_COMMAND=.venv-paper-search\Scripts\python,-m,paper_search_mcp.server
  47. PAPER_SEARCH_MCP_PREFIX=papersearch
  48. # 备选:使用 uvx 直接运行(首次较慢,每次调用需重新解析依赖)
  49. # PAPER_SEARCH_MCP_COMMAND=uvx,--with,mcp<2,paper-search-mcp
  50. # 可选 API Key(提升速率与覆盖率,不配也能用)
  51. # PAPER_SEARCH_MCP_SEMANTIC_SCHOLAR_API_KEY=
  52. # PAPER_SEARCH_MCP_CORE_API_KEY=
  53. # PAPER_SEARCH_MCP_UNPAYWALL_EMAIL=you@example.com
  54. # ============================================================
  55. # 论文设置
  56. # ============================================================
  57. PAPER_TYPE=conference # conference / journal / thesis
  58. CITATION_STYLE=gb7714 # gb7714 / apa
  59. TARGET_SECTIONS=5
  60. TARGET_WORDS_PER_SECTION=1000
  61. MAX_REFERENCES_PER_SECTION=5
  62. MAX_REVIEW_ROUNDS=2
  63. # ============================================================
  64. # 论文库
  65. # ============================================================
  66. PDF_DOWNLOAD_ENABLED=true
  67. MAX_PDF_SIZE_MB=50
  68. PAPER_LIBRARY_PATH=./workspace/paper_library
  69. # ============================================================
  70. # 笔记与记忆
  71. # ============================================================
  72. ENABLE_NOTES=true
  73. NOTES_WORKSPACE=./workspace/paper_notes
  74. ENABLE_MEMORY=true
  75. MEMORY_USER_ID=paper_author
  76. # ============================================================
  77. # 其他
  78. # ============================================================
  79. STRIP_THINKING_TOKENS=true