# =============================================================================
# configs/llm_models.yaml —— 大模型使用场景配置
#
# 本文件集中配置本项目所有调用 AI 大模型的地方，每个场景可独立指定
# provider(厂商/服务类型)与 model(模型名)，互不影响、单独切换。
#
# ── 配置优先级(从高到低)──────────────────────────────────────────────────────
#   1. 代码 / 命令行显式参数(如 --provider qwen --model qwen-plus)
#   2. 本文件 scenes.<场景>.xxx
#   3. 环境变量 / .env(LLM_PROVIDER、DEEPSEEK_MODEL 等,向后兼容)
#   4. 代码内置默认值
#
# ── 规则 ─────────────────────────────────────────────────────────────────────
#   · provider 取值:
#       对话大模型:  deepseek | qwen(OpenAI 兼容 chat 接口)
#       向量嵌入模型: dashscope | local-bge(仅 embedding 场景)
#   · model 留空 = 该场景不覆盖模型 → 回退 .env(如 DEEPSEEK_MODEL / QWEN_MODEL /
#     LLM_MODEL);若全部缺失则直接报错,绝不静默使用内置默认模型。
#   · api_key_env / base_url_env 为可选字段,填写存放 API Key / 服务地址的
#     环境变量名;API Key 一律放 .env,禁止写入本文件(安全规范)。
#   · 修改后无需重启常驻服务即可生效(每次调用重新读取;如需热更新缓存可重启)。
# =============================================================================

# ---- 全局默认参数(各场景可覆盖;低于 .env,高于代码内置默认)----
defaults:
  timeout_sec: 60
  temperature: 0.1

scenes:
  # ------------------------------------------------------------------------- #
  # 场景 1: 投资事件抽取(M4 核心)
  # ------------------------------------------------------------------------- #
  # 用途:对每条唯一新闻调用大模型,抽取结构化投资事件
  #      (stock_codes / company_names / industries / sentiment / importance /
  #       event_type / summary),输出严格 JSON,经 Pydantic 校验后落盘。
  # 调用方: llm/extractor.py、scripts/run_event_extraction.py、
  #         scheduler/pipeline.py 的 llm 步骤。
  # 频率:每日数百~数千篇;建议异步并发(--concurrency,默认 3)。
  # 使用方式:
  #   uv run a-share events                         # 读本场景配置
  #   uv run a-share events --provider qwen        # CLI 临时覆盖 provider
  #   uv run a-share events --model qwen-max       # CLI 临时覆盖模型
  # 对模型的要求:
  #   · 必须支持 OpenAI 兼容 chat/completions 接口;
  #   · 必须支持 JSON 结构化输出(response_format=json_object,硬性要求);
  #   · 上下文窗口 ≥ 16K tokens(单篇正文最多截断到 8000 字符);
  #   · 中文理解能力强,能区分 A 股事件类型(业绩预告/投资并购/宏观政策等 23 类);
  #   · 低 temperature(0.1)保证抽取稳定,避免字段抖动。
  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus / qwen-max
  event_extraction:
    provider: qwen                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
    model: qwen3.7-flash                   # 留空则回退 .env(DEEPSEEK_MODEL → LLM_MODEL)
    api_key_env: DASHSCOPE_API_KEY           # 例如: DEEPSEEK_API_KEY / QWEN_API_KEY / DASHSCOPE_API_KEY
    base_url_env: QWEN_BASE_URL              # 例如: DEEPSEEK_BASE_URL / QWEN_BASE_URL
    temperature: 0.1
    timeout_sec: 60
    max_attempts: 3           # 单篇解析失败的最大重试次数

  # ------------------------------------------------------------------------- #
  # 场景 2: 日报 AI 摘要
  # ------------------------------------------------------------------------- #
  # 用途:每天汇总「新闻联播 + 过去 24h 高重要度新闻 + 近 N 日重要公告/调研」,
  #      生成 500 字以内的日报要点摘要,渲染进 HTML 日报。
  # 调用方: scheduler/reporter.py 的 _generate_ai_summary → _llm_summarize。
  # 频率:每天 1 次(07:00 定时任务,与 pipeline 同批)。
  # 使用方式:无需手动触发,定时任务自动执行;失败自动降级(日报留空,不影响入库)。
  # 对模型的要求:
  #   · OpenAI 兼容 chat 接口(不需要 JSON 输出);
  #   · 输出长度 ≥ 1500 tokens(max_tokens=1500,输出超长会被截断并记 WARNING);
  #   · 中文摘要能力强、要点化输出稳定(每条一行,以 "- " 开头);
  #   · 上下文窗口 ≥ 8K tokens(素材按 3000 字符/块分块,多块先分段再合并);
  #   · temperature 0.3 左右,兼顾稳定与表达;网络失败按指数退避重试 3 次。
  #   · 输出长度需求:分段摘要约 800 tokens、合并摘要约 1500 tokens(代码内置,
  #     不在本文件配置),模型应能稳定输出 1500+ tokens 的中文要点。
  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus
  daily_report:
    provider: deepseek                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
    model: deepseek-v4-flash
    api_key_env: DEEPSEEK_API_KEY
    base_url_env: DEEPSEEK_BASE_URL
    temperature: 0.3
    timeout_sec: 60

  # ------------------------------------------------------------------------- #
  # 场景 3: 个股 AI 要点分析
  # ------------------------------------------------------------------------- #
  # 用途:针对观察清单中的单只股票,汇总其近期公告/调研/新闻/互动问答,
  #      生成 5-8 条要点分析,渲染进个股日报。
  # 调用方: scheduler/stock_reporter.py 的 _generate_ai_summary。
  # 频率:每交易日 1 次(07:30),对 watchlist 内每只股票各调用一次。
  # 使用方式:定时任务自动执行;单次失败不影响其他股票(该股显示"AI 摘要暂不可用")。
  # 对模型的要求:
  #   · OpenAI 兼容 chat 接口(不需要 JSON 输出);
  #   · 输出长度 ≥ 500 tokens(max_tokens=500);
  #   · 中文要点分析能力,输入素材最多 3500 字符(公告+调研+新闻+互动问答);
  #   · temperature 0.3 左右。
  #   · 输出长度需求:约 500 tokens(代码内置,不在本文件配置)。
  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus
  stock_report:
    provider:                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
    model:
    api_key_env:
    base_url_env:
    temperature: 0.3
    timeout_sec: 60

  # ------------------------------------------------------------------------- #
  # 场景 4: 文本向量化 Embedding(新闻/事件入库 + 语义检索)
  # ------------------------------------------------------------------------- #
  # 用途:把新闻正文/事件文本转为向量,写入 Qdrant 知识库;检索时对查询文本
  #      同样向量化后做相似度搜索。M5 入库、MCP 检索、pipeline 均复用本场景。
  # 调用方: embedding/remote.py(远程)、embedding/local.py(本地)、
  #         embedding/factory.py、scripts/run_embedding.py、mcp_server/tools.py。
  # 使用方式:
  #   uv run a-share embed                          # 读本场景配置
  #   uv run a-share embed --provider local-bge     # 临时切换本地模型
  # 注意:这是「嵌入模型」而非对话大模型,二选一:
  #   · provider: dashscope → 阿里百炼 text-embedding-v3(远程,需 API key);
  #   · provider: local-bge → 本地 BGE-M3(离线,需 uv sync --extra
  #     local-embedding,首次加载约 2.3GB)。
  # 对模型的要求:
  #   · 输出固定维度向量(本项目默认 1024 维,DashScope 与本地 BGE-M3 兼容);
  #   · 中文语义匹配效果好,支持 batch 输入(单批上限 batch_limit 条);
  #   · 远程需 OpenAI 兼容 embeddings 接口。
  # 建议模型: text-embedding-v3(远程) / BAAI/bge-m3(本地)
  embedding:
    provider:                 # 建议 dashscope | local-bge;留空则回退 .env 的 EMBEDDING_PROVIDER
    model:                    # 留空则回退 .env(DASHSCOPE_EMBEDDING_MODEL / LOCAL_EMBEDDING_MODEL)
    api_key_env:              # 例如: DASHSCOPE_EMBEDDING_API_KEY / DASHSCOPE_API_KEY
    base_url_env:             # 例如: DASHSCOPE_EMBEDDING_BASE_URL
    timeout_sec: 60
    max_attempts: 3           # 单批请求失败重试次数
    batch_limit: 10           # 单批最大条数(百炼实测上限 10,勿调大)