.env.example

# Wraith CLI 配置示例
# 用法：
# 1. 复制本文件为 .env
# 2. 按需填写下面的配置项
# 3. 未填写的项会回退到代码默认值

# ========== GLM 配置 ==========
# API Key（必填其一：任意 provider 的 <NAME>_API_KEY，见文末「provider 的发现方式」；
# 这里以 GLM 为例）
GLM_API_KEY=your_api_key_here
# 模型名称（可选，默认 glm-5.1）
# 可选值：glm-5.1, glm-5v-turbo, glm-5.0, glm-4-flash 等
# glm-5v-turbo 支持图片输入，可配合 Ctrl+V / @image: 使用
# GLM_MODEL=glm-5.1
# ========== DeepSeek 配置 ==========
# API Key（/model deepseek 切换后使用）
# DEEPSEEK_API_KEY=your_deepseek_api_key_here
# 模型名称（可选，默认 deepseek-v4-flash）
# 可选值：deepseek-v4-flash, deepseek-v4-pro
# DEEPSEEK_MODEL=deepseek-v4-flash

# ========== 阶跃星辰 StepFun 配置 ==========
# API Key（/model step 切换后使用）
# STEP_API_KEY=your_step_api_key_here
# 模型名称（可选，默认 step-3.5-flash）
# 可选值：step-3.5-flash, step-3.5-flash-2603, step-router-v1, step-1-256k 等
# STEP_MODEL=step-3.5-flash
# Base URL（可选，默认 https://api.stepfun.com/v1）
# 如果使用 Step Plan 专用通道，可设置为 https://api.stepfun.com/step_plan/v1
# STEP_BASE_URL=https://api.stepfun.com/v1

# ========== Kimi / Moonshot 配置 ==========
# API Key（/model kimi 切换后使用；兼容官方 MOONSHOT_API_KEY）
# KIMI_API_KEY=your_kimi_api_key_here
# MOONSHOT_API_KEY=your_moonshot_api_key_here
# 模型名称（可选，默认 kimi-k2.6；兼容 MOONSHOT_MODEL）
# KIMI_MODEL=kimi-k2.6
# Base URL（可选，默认 https://api.moonshot.ai/v1；兼容 MOONSHOT_BASE_URL）
# KIMI_BASE_URL=https://api.moonshot.ai/v1

# ========== FreeLLMAPI 本地网关配置 ==========
# API Key（/model freellmapi 切换后使用；可从 FreeLLMAPI /keys 顶部 unified API key 复制）
# FREELLMAPI_API_KEY=your_freellmapi_unified_key_here
# 模型名称（可选，默认 auto；也可填 /v1/models 返回的具体 model id）
# FREELLMAPI_MODEL=auto
# Base URL（可选，默认 http://localhost:5173/v1）
# FREELLMAPI_BASE_URL=http://localhost:5173/v1
#
# freellmapi 同时是「通用 OpenAI 兼容」入口：把 BASE_URL 指向任意 OpenAI 兼容端点即可接入自定义模型，
# 无需改代码。客户端会自动在 BASE_URL 后追加 /chat/completions，鉴权用 Authorization: Bearer <key>。
# 示例：接入 SophNet 托管的 DeepSeek-V4-Flash（注意 base 必须带 /v1）
# FREELLMAPI_BASE_URL=https://www.sophnet.com/api/open-apis/v1
# FREELLMAPI_MODEL=DeepSeek-V4-Flash
# FREELLMAPI_API_KEY=your_sophnet_api_key_here
# 切换：启动后 /model freellmapi，或 /config provider freellmapi --base-url <url> --api-key <key> --model <id> --default

# ── provider 的发现方式 ────────────────────────────────────────────────────
# wraith 按这个顺序找可用 provider:
#   1. ~/.wraith/config.json 里 defaultProvider 指定的那个(若它有 key)
#   2. config.json 的 providers 里其余有 key 的(按你添加的顺序)
#   3. 本文件 / 环境变量里发现的 <NAME>_API_KEY  → provider 名 = 小写的 NAME
#
# 所以只在这里写一行 ANTHROPIC_API_KEY=sk-... 就能跑,不必打开桌面面板。
# 同理 OPENAI_API_KEY / DEEPSEEK_API_KEY / GLM_API_KEY 等。
#
# 第 3 条有一道护栏:端点定不了的不会被采用。以下 provider 有内置端点,只给 key 即可 ——
#   glm / deepseek / step / kimi / freellmapi / xfyun / anthropic / openai
# 其它(自建服务、代理网关)必须同时给 <NAME>_BASE_URL,例如:
#   MY_GATEWAY_API_KEY=sk-...
#   MY_GATEWAY_BASE_URL=https://llm.internal/v1
# 为什么要这道闸:baseUrl 空着时会兜底到 https://api.openai.com/v1 ——
# 那意味着把你的 key 静默发给 OpenAI,比连不上更糟。
#
# 注意 EMBEDDING_API_KEY 与任何 WRAITH_* 都不会被当成推理 provider(前者是 RAG 的
# embedding 后端,后者是 wraith 自己的命名空间,如 Runtime HTTP API 的认证 key)。

# Embedding 配置（用于 /index、/search、Agent 的代码检索）
# 支持 provider：ollama / openai / zhipu / glm
# 不配置时默认使用 ollama + nomic-embed-text:latest + http://localhost:11434
EMBEDDING_PROVIDER=ollama
EMBEDDING_MODEL=nomic-embed-text:latest
EMBEDDING_BASE_URL=http://localhost:11434

# 如果使用需要鉴权的远程 Embedding 服务，再打开这一项
# EMBEDDING_API_KEY=your_api_key_here

# ========== Web 搜索配置 ==========
# Key 取值链：环境变量 → 系统属性 → ./.env → ~/.env → ~/.wraith/config.json 的 search 节
#   三条路现在是对等的——都能从 config.json 读到。此前只有 GLM_API_KEY 能（它蹭的是
#   providers.glm.apiKey），SERPAPI_KEY / SEARXNG_URL 在 config.json 里没有对应概念，
#   于是只能来自环境变量：「只有配了 GLM 的人 web_search 才零配置可用」就是这么来的。
#   也可以不写 .env，直接用 CLI 写进 config.json：
#     /config search --provider searxng --base-url http://localhost:8888
#     /config search --provider serpapi --api-key <key>
#
# 选择搜索 provider（zhipu | serpapi | searxng | duckduckgo），不配置时按 Key/URL 自动判断：
# 1. 有 GLM_API_KEY → zhipu（与 GLM 推理共用 Key）
# 2. 有 SERPAPI_KEY → serpapi（国际通用，付费即开即用）
# 3. 有 SEARXNG_URL → searxng（开源自托管，免费无需 key，需本地跑 docker 实例）
# 4. 都没有 → 报「未配置」，并按本机环境给引导（有 docker 就给 docker run + /config search）
#
# duckduckgo 无需任何 key，但靠抓 HTML，会因改版或限流失效，只建议临时用；
# 它永远不会被自动选中，只能显式指定（SEARCH_PROVIDER=duckduckgo 或 /config search）。
# SEARCH_PROVIDER=zhipu

# 智谱 Web Search 引擎（SEARCH_PROVIDER=zhipu 时启用）
# 可选：search_std（0.01 元/次，默认）、search_pro（0.03 元/次）、
#       search_pro_sogou（0.05 元/次，搜狗）、search_pro_quark（0.05 元/次，夸克）
# 中文搜索建议用 search_pro 或搜狗 / 夸克版本，效果优于通用 std
# ZHIPU_SEARCH_ENGINE=search_std

# SerpAPI Key（SEARCH_PROVIDER=serpapi 时启用）
# 免费 100 次/月：https://serpapi.com/manage-api-key
# SERPAPI_KEY=your_serpapi_key_here

# SearXNG 实例地址（SEARCH_PROVIDER=searxng 时启用）
# 本地 docker：docker run --rm -p 8888:8888 searxng/searxng
# 公共实例（不稳定，仅试玩）：见 https://searx.space
# SEARXNG_URL=http://localhost:8888

# ========== Web 抓取配置 ==========
# web_fetch 工具：抓取 URL 并提取正文 Markdown
# 当前实现走「直接 HTTP + Jsoup + 简易 readability」，对静态/SSR 页面有效
# 对 SPA / 防爬墙站点会返回空正文（已知边界），Agent 会 fallback 到 Chrome DevTools MCP
# 默认安全策略：屏蔽 file:// / 内网 / loopback；30 秒超时；5MB 响应上限；每分钟 30 次限流

# ========== MCP 配置 ==========
# MCP server 配置文件位置：
# 1. 用户级 ~/.wraith/mcp.json
# 2. 项目级 .wraith/mcp.json（按 server 名覆盖用户级）
# 支持 ${PROJECT_DIR}、${HOME} 和环境变量 ${VAR} 展开。
# 远程 Streamable HTTP server 常用 token 示例：
# REMOTE_TOKEN=your_remote_mcp_token_here

# ========== 渲染器形态（v16.1+）==========
# 默认 inline 流式 TUI（Claude Code 风格：底部状态栏 + 行内可折叠工具块 + 行内 diff）
# WRAITH_RENDERER=inline    # 默认值，显式声明
# WRAITH_RENDERER=lanterna  # 切换到 Lanterna 三栏全屏 TUI（v16 形态，可选保留）
# WRAITH_RENDERER=plain     # 纯 println 兜底，无折叠/状态栏
# WRAITH_NO_STATUSBAR=true  # inline 模式下禁用底部状态栏（终端不支持 DECSTBM 时使用）

# 兼容旧设置：WRAITH_TUI=true 自动映射为 WRAITH_RENDERER=lanterna（已 deprecated）
# WRAITH_TUI=true

# ========== LSP 诊断注入（第 17 期）==========
# write_file 成功后触发 post-edit 诊断；当前 MVP 对 Java 文件使用 JavaParser 语法诊断，
# 不依赖本机安装 JDT LS。后续接真实 LSP server 时复用同一注入链路。
# WRAITH_LSP_ENABLED=true
# WRAITH_LSP_MAX_DIAGNOSTICS=20

# ========== Side-Git 快照与回滚（第 18 期）==========
# 每个用户 turn 开始前创建 pre-turn 快照，结束后异步创建 post-turn 快照。
# 快照仓库位于 ~/.wraith/snapshots/<project_hash>/<worktree_hash>/.git，不写用户项目 .git。
# WRAITH_SNAPSHOT_ENABLED=true
# WRAITH_SNAPSHOT_MAX=50
# WRAITH_SNAPSHOT_EXCLUDES=.git,.wraith/snapshots,target,node_modules,dist,.idea,*.class,*.jar
# WRAITH_SNAPSHOT_DIR=/Users/yourname/.wraith/snapshots

# ========== 后台任务 + Runtime API（第 20 期）==========
# 后台任务 SQLite 队列默认位于 ~/.wraith/tasks/tasks.db
# WRAITH_TASK_DIR=/Users/yourname/.wraith/tasks
# 后台任务 worker 数，默认 2
# WRAITH_TASK_WORKERS=2

# Runtime API 仅监听 127.0.0.1，并强制要求 API Key。
# 启动示例：
#   WRAITH_RUNTIME_API_KEY=your_local_api_key java -jar target/wraith-1.0-SNAPSHOT.jar serve --http --port 8080
# 请求头：
#   Authorization: Bearer your_local_api_key
# 或：
#   X-Wraith CLI-API-Key: your_local_api_key
# WRAITH_RUNTIME_API_KEY=your_local_api_key
# WRAITH_RUNTIME_DIR=/Users/yourname/.wraith/runtime

# ========== Chrome DevTools MCP ==========
# chrome-devtools 是内建 server，无需任何配置文件即可用，等价于：
# npx -y chrome-devtools-mcp@latest --isolated=true
# 它不会被写进 ~/.wraith/mcp.json；在 mcp.json 里写同名条目即可完全覆盖。
# 永久关掉内建项（不想要浏览器能力，或不想让它每次都拉 npx 包）：
# WRAITH_MCP_BUILTIN_BROWSER=off
# isolated 模式使用临时 user-data-dir；复用登录态时，Chrome 144+ 推荐在
# chrome://inspect/#remote-debugging 勾选 Allow remote debugging for this browser instance，
# 然后让 Agent 自动调用 browser_connect，或手动执行 /browser connect。
# 如果希望默认连接调试 Chrome，可手动把 ~/.wraith/mcp.json args 改成：
# ["-y", "chrome-devtools-mcp@latest", "--autoConnect"]
# 旧式 CDP HTTP JSON 端口可改成：
# ["-y", "chrome-devtools-mcp@latest", "--browser-url=http://127.0.0.1:9222"]
# 如果首次启动 npx 拉包或 Chrome 冷启较慢，可调长 MCP initialize 超时：
# WRAITH_MCP_INITIALIZE_TIMEOUT_SECONDS=60

# ========== LLM HTTP 超时（可选）==========
# SSE 流式接口下，readTimeout 是"两次 read 之间最大间隔"。
# GLM-5.1 在生成大段 reasoning_content 时服务端可能长时间静默，超时容易触发。
# 仅当遇到频繁 "调用 LLM 失败: timeout" 时再调大；通过 -D 系统属性传入：
#   java -Dwraith.llm.read.timeout.seconds=600 -jar target/wraith-1.0-SNAPSHOT.jar
# 默认值：connect=60s / read=300s / write=60s / call=600s

# 日志配置（支持自动滚动、压缩和清理）
# 默认日志目录：~/.wraith/logs
# 默认日志文件：~/.wraith/logs/wraith.log
# 日志级别可选：ERROR / WARN / INFO / DEBUG
WRAITH_LOG_LEVEL=INFO

# 日志目录。建议填绝对路径
WRAITH_LOG_DIR=/Users/yourname/.wraith/logs

# 最多保留多少天的历史日志
WRAITH_LOG_MAX_HISTORY=7

# 单个日志文件滚动前的最大体积
WRAITH_LOG_MAX_FILE_SIZE=10MB

# 所有归档日志允许占用的总容量，超出后会自动清理更老的日志
WRAITH_LOG_TOTAL_SIZE_CAP=100MB

# ========== 操作审计配置 ==========
# 危险工具（write_file / execute_command / create_project / revert_turn）调用会按天写一行 JSONL 审计
# 默认目录：~/.wraith/audit/audit-YYYY-MM-DD.jsonl
# 也可通过 -Dwraith.audit.dir=/path/to/dir 系统属性覆盖
# WRAITH_AUDIT_DIR=/Users/yourname/.wraith/audit

# ========== 第 15 期：Skill 系统 ==========
# Skill 加载位置（按优先级，后者覆盖前者）：
#   1. jar 内置 (resources/skills/) — Wraith CLI 自带 web-access
#   2. 用户级 ~/.wraith/skills/<name>/SKILL.md
#   3. 项目级 <project>/.wraith/skills/<name>/SKILL.md
# 启动期 jar 内置 skill 自动解压到 ~/.wraith/skills-cache/<name>/，避免每次启动 IO
# 启用状态持久化：~/.wraith/skills.json （格式 {"disabled": ["name1", ...]}，默认全启用）
# 内置 web-access 含决策手册 + 6 个 site-patterns（mp.weixin / zhihu / x.com / xiaohongshu / github / juejin）
# CLI: /skill list | /skill show <name> | /skill on/off <name> | /skill reload
# LLM 自决加载：当 system prompt 里某个 skill 的 description 匹配任务时，LLM 调 load_skill(name) 加载完整指引