IETM_FIXE\ietm6
6d00543a59
Fonctionnalité de comparaison PDF / campagne pour faire un mix et demander des conseils à l'IA
70 lines
3.0 KiB
Python
70 lines
3.0 KiB
Python
"""Configuration applicative centralisée (principe 12-factor : config via env).
|
|
|
|
Équivalent Python du `application.properties` Spring Boot, avec validation
|
|
Pydantic : une variable manquante/invalide = crash au démarrage, pas une
|
|
NullPointerException surprise à la 3ème requête.
|
|
|
|
Depuis l'ecran Parametres (UI) : certains champs sont surchargeables a chaud
|
|
via `settings_store` (fichier JSON). A chaque Depends(get_settings), on relit
|
|
.env + overrides fusionnes. Pas de cache : le cout d'un read JSON local est
|
|
negligeable face a un appel LLM.
|
|
"""
|
|
from typing import Literal
|
|
|
|
from pydantic_settings import BaseSettings, SettingsConfigDict
|
|
|
|
from app.core.settings_store import load_overrides
|
|
|
|
|
|
class Settings(BaseSettings):
|
|
"""Settings chargés depuis .env ou variables d'environnement."""
|
|
|
|
model_config = SettingsConfigDict(
|
|
env_file=".env",
|
|
env_file_encoding="utf-8",
|
|
extra="ignore",
|
|
)
|
|
|
|
# Provider LLM actif. "ollama" = local ; "onemin" = 1min.ai (etage 2).
|
|
llm_provider: Literal["ollama", "onemin"] = "ollama"
|
|
|
|
ollama_base_url: str = "http://localhost:11434"
|
|
llm_model: str = "gemma4:26b"
|
|
# Timeout HTTP des appels au LLM. Les imports/adaptations PDF génèrent de gros
|
|
# blocs (surtout avec l'extraction riche) → 120s était trop court. Surchargeable
|
|
# depuis l'UI (Paramètres) si un import lourd dépasse encore.
|
|
llm_timeout_seconds: int = 300
|
|
|
|
# Fenêtre de contexte (num_ctx Ollama). Défaut Ollama = 2048, trop étroit
|
|
# dès que le Structural Context du Lore dépasse ~10 pages (b9). On monte
|
|
# à 16384 pour tenir ~100 pages enrichies. Coût VRAM : ~600 MB de KV cache
|
|
# supplémentaire (vs 2048) pour le modèle gemma 2B. Surchargeable via
|
|
# LLM_NUM_CTX dans .env si besoin (ex: VRAM limitée → 8192).
|
|
llm_num_ctx: int = 16384
|
|
|
|
# 1min.ai (etage 2) — la cle et le modele sont stockes via settings_store
|
|
# (modifiables depuis l'UI). Les defauts ici sont juste des placeholders.
|
|
onemin_api_key: str = ""
|
|
onemin_model: str = "gpt-4o-mini"
|
|
|
|
# Taille cible d'un morceau (en tokens) pour l'import de PDF (regles/campagne).
|
|
# Plus c'est gros, moins il y a de morceaux => moins de fragmentation et un
|
|
# import plus rapide, MAIS il faut que ca tienne dans la fenetre du modele.
|
|
# Defaut prudent (compatible Ollama num_ctx 16384). Sur un modele a grand
|
|
# contexte (ex: GPT-5 mini, 400k), monter a ~100000 traite un livre en 1 passe.
|
|
import_chunk_tokens: int = 10000
|
|
|
|
# Secret partage entre le Core Spring et le Brain. Le Brain n'accepte une
|
|
# requete que si l'entete X-Internal-Secret correspond. Volontairement
|
|
# non-surchargeable via settings_store (securite critique, .env-only).
|
|
internal_shared_secret: str = ""
|
|
|
|
|
|
def get_settings() -> Settings:
|
|
"""Fabrique des Settings merges (.env -> overrides runtime).
|
|
|
|
Relu a chaque requete HTTP (via Depends). Permet a l'UI de changer
|
|
le modele / provider sans redemarrer le Brain.
|
|
"""
|
|
return Settings(**load_overrides())
|