backend/.env.example

# Servidor
PORT=3001
CORS_ORIGIN=http://localhost:5173

# Autenticação (jwt ou none)
AUTH_MODE=jwt
JWT_SECRET=coloque-um-segredo-longo-e-aleatorio-aqui
JWT_ISSUER=oraculo-api
JWT_ACCESS_TTL_SECONDS=900
JWT_REFRESH_TTL_SECONDS=2592000
# TTL do refresh token quando rememberMe=false/ausente no login (default 1 dia).
JWT_REFRESH_TTL_SHORT_SECONDS=86400

# API Key alternativa (opcional, deixar vazio para usar só JWT)
API_KEY=

# Banco de dados MySQL
DB_HOST=localhost
DB_PORT=3306
DB_USER=usuario
DB_PASS=senha
DB_SCHEMA=oraculo

# SSL para conexão MySQL (recomendado em produção). Deixe ambos vazios para desativar
# SSL (comportamento padrão em dev local). DB_SSL_REJECT_UNAUTHORIZED=true valida o
# certificado do servidor; DB_SSL_CA aponta para um arquivo de certificado CA (ex.:
# ./certs/rds-ca.pem) se o servidor usar um certificado não confiável publicamente.
DB_SSL_REJECT_UNAUTHORIZED=true
DB_SSL_CA=

# Qdrant (vector DB)
QDRANT_URL=http://localhost:6333
QDRANT_COLLECTION=oraculo_docs
QDRANT_API_KEY=

# Ollama
OLLAMA_URL=http://localhost:11434
OLLAMA_EMBEDDINGS_MODEL=nomic-embed-text
OLLAMA_CHAT_MODEL=llama3
OLLAMA_VISION_MODEL=llava

# Prefixos opcionais prependados ao texto antes de gerar embedding (útil para modelos
# assimétricos que recomendam prefixo diferente para query de busca e passagem indexada,
# ex.: "search_query: "/"search_document: " no nomic-embed-text, "query: "/"passage: " em
# modelos da família e5). Deixe vazio se o modelo não precisar. Validar empiricamente com
# backend/scripts/evalRetrieval.mjs antes de habilitar em produção.
OLLAMA_EMBED_QUERY_PREFIX=
OLLAMA_EMBED_PASSAGE_PREFIX=

# RAG (valores padrão se não definidos)
RAG_TOP_K=8
RAG_CHUNK_SIZE=900
RAG_CHUNK_OVERLAP=150

# Quantidade de mensagens recentes do histórico incluídas no prompt de rewrite/chat.
RAG_HISTORY_LIMIT=6

# Rate limiting por IP (0 = desativado). Recomendado manter >0 em produção — sem isso
# o middleware de rate limit vira um no-op e o /api fica sem proteção contra abuso.
RATE_LIMIT_PER_MINUTE=60

# Ajuste fino das respostas do LLM
LLM_TEMPERATURE=0.2
LLM_TOP_P=0.9
LLM_NUM_PREDICT=2048
LLM_REPEAT_PENALTY=1.1

# RAG avançado
RAG_QUERY_REWRITE=false
RAG_MIN_SCORE=0.40
RAG_RERANK=false
RAG_RERANK_TOP_N=8

# HyDE (Hypothetical Document Embeddings): gera um trecho hipotético de resposta via LLM
# e usa ele (em vez da query crua) para o embedding de busca, o que tende a elevar o score
# de similaridade porque vira matching passagem-passagem. Custa uma chamada LLM extra por
# pergunta. Validar com backend/scripts/evalRetrieval.mjs antes de habilitar em produção.
RAG_HYDE=false

# Chatbot ifbot (sincronização de atendimentos)
IFBOT_BASE_URL=https://star.ifbot.com.br/api
IFBOT_TOKEN=
# IFBOT_AUTH_HEADER=Authorization