config.toml

[[llm_providers]]
# LLM API 服务提供商，可配置多个
name = "localhost"
base_url = "http://192.168.1.9:8888/v1/"
api_key = "lm_studio"

[entity_extract.llm]
# 设置用于实体提取的LLM模型
provider = "localhost"                 # 服务提供商
model = "deepseek-r1-distill-llama-8b" # 模型名称

[rdf_build.llm]
# 设置用于RDF构建的LLM模型
provider = "localhost"                 # 服务提供商
model = "deepseek-r1-distill-llama-8b" # 模型名称

[embedding]
# 设置用于文本嵌入的Embedding模型
provider = "localhost"          # 服务提供商
model = "text-embedding-bge-m3" # 模型名称
dimension = 1024                # 嵌入维度

[rag.params]
# RAG参数配置
synonym_search_top_k = 10 # 同义词搜索TopK
synonym_threshold = 0.8   # 同义词阈值（相似度高于此阈值的词语会被认为是同义词）

[qa.llm]
# 设置用于QA的LLM模型
provider = "localhost"     # 服务提供商
model = "deepseek-r1-distill-llama-8b" # 模型名称

[qa.params]
# QA参数配置
relation_search_top_k = 10    # 关系搜索TopK
relation_threshold = 0.5      # 关系阈值（相似度高于此阈值的关系会被认为是相关的关系）
paragraph_search_top_k = 1000 # 段落搜索TopK（不能过小，可能影响搜索结果）
paragraph_node_weight = 0.05  # 段落节点权重（在图搜索&PPR计算中的权重，当搜索仅使用DPR时，此参数不起作用）
ent_filter_top_k = 10         # 实体过滤TopK
ppr_damping = 0.8             # PPR阻尼系数
res_top_k = 3                 # 最终提供的文段TopK

[persistence]
# 持久化配置（存储中间数据，防止重复计算）
data_root_path = "data"                              # 数据根目录
raw_data_path = "data/import.json"                   # 原始数据路径
openie_data_path = "data/openie.json"                # OpenIE数据路径
embedding_data_dir = "data/embedding"                # 嵌入数据目录
rag_data_dir = "data/rag"                            # RAG数据目录