# LoCoMo Benchmark - OpenClaw 记忆系统测试配置
# 将此文件复制为 config.local.toml，修改后使用
#
# 支持四种记忆模式（memory.mode）：
# memcore - OpenClaw 自带记忆系统（sessions.compact + memoryFlush）
# openviking - OpenViking 外部记忆服务（session → messages → commit）
# both - 同时使用两套记忆系统
# none - 不使用任何记忆增强（基线对比）
[general]
name = "memcore-embedding-upstream-prompt" # 测试名称（归档目录名）
openclaw_dir = "~/.openclaw" # OpenClaw 数据目录
agent_id = "locomo-eval" # 测试用 Agent ID
data_file = "../data/locomo10.json" # LoCoMo 数据文件路径（相对于本文件）
[memory]
mode = "memcore" # ← 必填：选择记忆模式 "memcore" | "openviking" | "both" | "none"
# ── VLM（大语言模型）配置 ──
# OpenClaw Gateway 使用此模型处理对话、compact、memoryFlush 等
[vlm]
provider = "volcengine-plan" # ← 必填：模型提供商
model_id = "doubao-seed-2-0-code-preview-260215" # ← 必填：模型 ID
api = "anthropic-messages" # API 协议格式
api_key = "" # ← 必填：VLM API Key
base_url = "https://ark.cn-beijing.volces.com/api/coding" # ← 必填：VLM API 地址
# ── Embedding 模型配置（仅 memcore / both 模式生效）──
[embedding]
enabled = true # false = 不使用 embedding（仅文件读取）
provider = "openai" # ← 必填：embedding 提供商
model = "doubao-embedding-vision-250615" # ← 必填：embedding 模型名
api_key = "" # ← 必填：Embedding API Key
base_url = "https://ark.cn-beijing.volces.com/api/coding/v3/" # ← 必填：Embedding API 地址
# ── memcore 记忆搜索参数（仅 memcore / both 模式生效）──
[memory_search]
hybrid_enabled = true # 混合搜索（向量 + 文本）
vector_weight = 0.7 # 向量搜索权重
text_weight = 0.3 # 文本搜索权重
min_score = 0 # 0 = 纯 top-k 模式（推荐）
max_results = 6 # 返回结果数上限
# ── OpenClaw Gateway 配置 ──
[gateway]
port = 18789 # Gateway 监听端口
token = "" # ← 必填：Gateway 认证 Token
# ── Compaction 配置（仅 memcore / both 模式生效）──
[compaction]
memory_flush_enabled = true # memcore 模式：reply pipeline 中触发记忆持久化
# reserve_tokens_floor = 20000 # 保留 token 下限（可选）
# ── OpenViking 插件配置（openviking / both 模式需要填写）──
# 变量名与 openclaw.json plugins.entries.openviking 插件配置一致
[openviking]
# pluginPath = "~/OpenViking/examples/openclaw-plugin" # 自定义插件路径（可随时切换版本）
mode = "remote" # "remote" = 连接已有 OV 服务；"local" = 插件自动启动
baseUrl = "http://127.0.0.1:8080" # ← openviking 模式必填：OpenViking 服务地址
apiKey = "" # ← openviking 模式必填：OpenViking API Key
autoCapture = true # afterTurn 自动抓取对话写入 OV session
autoRecall = true # assemble 自动注入相关记忆
commitTokenThreshold = 0 # 0 = 每轮都 commit（测评推荐）
ingestReplyAssist = true # 会话注入时加轻量回复指令，减少 NO_REPLY
# recallLimit = 6 # 召回记忆条数上限
# recallTokenBudget = 2000 # 召回记忆 token 预算
# ── Ingest 阶段参数 ──
[ingest]
user = "eval-1" # 注入使用的用户名
compact = true # 每轮注入后触发 compact / commit
sample = 0 # 数据集 sample 索引（0-based），-1 = 全部
# sessions = "1-4" # session 范围（可选），如 "1-4" 或 "3"
# ── QA 阶段参数 ──
[qa]
parallel = 5 # 并发问答数
sample = 0 # 数据集 sample 索引（0-based），-1 = 全部
count = -1 # 每个 sample 的问题数，-1 = 全部
# ── Judge 评分配置 ──
[judge]
model = "doubao-seed-2-0-code-preview-260215" # ← 必填：评分使用的 LLM 模型
api_key = "" # ← 必填：评分 LLM 的 API Key
base_url = "https://ark.cn-beijing.volces.com/api/coding/v3" # ← 必填：评分 LLM API 地址
parallel = 10 # 并发评分数
# ── 归档配置 ──
[archive]
enabled = true # 测试完成后自动归档结果到 archive/ 目录
# ── 步骤开关 ──
# 可单独关闭某些步骤，适用于服务已在运行或需要跳过的场景
[steps]
stop_gateway = true # 停止已有 OpenClaw Gateway
stop_openviking = true # 停止已有 OpenViking（仅 openviking/both 模式）
clean = true # 清理旧的 session 和 memory 文件
start_gateway = true # 自动启动 OpenClaw Gateway
start_openviking = true # 自动启动 OpenViking 服务（仅 openviking/both + remote 模式）
ingest = true # 注入对话
qa = true # QA 问答测试
judge = true # LLM 评分
stat = true # 统计正确率
archive = true # 归档到 archive/ 目录
