Umgebungsvariablen

Alle Konfigurationen werden über .env durchgeführt. Kopieren Sie example.env und füllen Sie Ihre Werte aus:

cp example.env .env

Konfigurationsebenen

Jede Integration hat eine Konfigurationsebene, die ihre Bedeutung angibt:

Ebene	Bedeutung	Verhalten wenn nicht konfiguriert
Erforderlich	Systemabhängigkeit	System gibt einen Fehler aus — Chat und primäre Funktionen funktionieren nicht
Empfohlen	Wichtiger Funktionsaktivator	Ordnungsgemäße Verschlechterung — die Funktion ist sichtbar nicht verfügbar, aber das System läuft
Optional	Verbesserungsfunktion	Transparente Verschlechterung — System funktioniert einwandfrei, Funktion ist einfach nicht vorhanden

Hinweis: Von Administratoren konfigurierte Modelle (Admin → Seite „Modelle”) können LLM-Umgebungsvariablen ersetzen. Die Integritätsprüfung berücksichtigt beide Quellen.

Frontend (Nur lokale Entwicklung)

Das Frontend hat eine separate Env-Datei nur für die lokale Entwicklung: frontend/.env.local.

Diese Datei wird NICHT in Docker verwendet. Innerhalb des Docker-Containers leitet Next.js /api/* intern an das Python-Backend weiter (Port 8000 ist intern im Container), daher ist keine Frontend-Env-Datei erforderlich.

Für die lokale Entwicklung funktionieren die Standardwerte sofort — Sie müssen frontend/.env.local nicht erstellen, es sei denn, Ihr Backend läuft auf einem nicht-standardmäßigen Port. Falls Sie überschreiben müssen, erstellen Sie frontend/.env.local manuell:

echo 'NEXT_PUBLIC_API_URL=http://localhost:9000' > frontend/.env.local

Variable	Standard	Beschreibung
`NEXT_PUBLIC_API_URL`	`http://localhost:8000` (automatisch)	Backend-URL, die der Browser für direkte API-Aufrufe verwendet (OAuth-Umleitungen, Streaming). Wird automatisch von `window.location` erkannt, falls nicht gesetzt — überschreiben Sie nur, wenn Ihr Backend lokal auf einem nicht-standardmäßigen Port läuft.

Hinweis zur Build-Zeit: NEXT_PUBLIC_*-Variablen werden zur pnpm build-Zeit in das JS-Bundle eingebettet. Das Ändern zur Laufzeit (z. B. über die root .env) hat keine Auswirkung — deshalb befinden sie sich nur für die lokale Entwicklung in frontend/.env.local.

LLM (erforderlich)

Variable	Erforderlich	Standard	Beschreibung
`LLM_API_KEY`	Ja	—	API-Schlüssel für den LLM-Anbieter
`LLM_BASE_URL`	Nein	`https://api.openai.com/v1`	Basis-URL einer beliebigen OpenAI-kompatiblen API
`LLM_MODEL`	Nein	`gpt-4o`	Hauptmodell — verwendet für Planung, Analyse und ReAct-Agent
`FAST_LLM_MODEL`	Nein	(fällt auf `LLM_MODEL` zurück)	Schnelles Modell — verwendet für DAG-Schrittausführung (günstiger, schneller)
`LLM_TEMPERATURE`	Nein	`0.7`	Standard-Sampling-Temperatur
`LLM_CONTEXT_SIZE`	Nein	`128000`	Kontextfenstergröße für das Haupt-LLM
`LLM_MAX_OUTPUT_TOKENS`	Nein	`64000`	Max. Ausgabe-Token pro Aufruf für das Haupt-LLM
`FAST_LLM_API_KEY`	Nein	(fällt auf `LLM_API_KEY` zurück)	API-Schlüssel für den Anbieter des schnellen Modells. Verwenden Sie dies, wenn das schnelle Modell von einem anderen Anbieter gehostet wird als das Hauptmodell
`FAST_LLM_BASE_URL`	Nein	(fällt auf `LLM_BASE_URL` zurück)	Basis-URL für den Anbieter des schnellen Modells
`FAST_LLM_TEMPERATURE`	Nein	(fällt auf `LLM_TEMPERATURE` zurück)	Sampling-Temperatur für das schnelle Modell
`FAST_LLM_CONTEXT_SIZE`	Nein	(fällt auf `LLM_CONTEXT_SIZE` zurück)	Kontextfenstergröße für das schnelle LLM
`FAST_LLM_MAX_OUTPUT_TOKENS`	Nein	(fällt auf `LLM_MAX_OUTPUT_TOKENS` zurück)	Max. Ausgabe-Token pro Aufruf für das schnelle LLM
`LLM_REASONING_EFFORT`	Nein	(deaktiviert)	Erweitertes Denk-Level für unterstützte Modelle (OpenAI o-Serie, Gemini 2.5+, Claude). Werte: `low`, `medium`, `high`. LiteLLM übersetzt dies automatisch in das native Format jedes Anbieters. Die Chain-of-Thought des Modells wird im UI-Schritt „thinking” angezeigt.
`LLM_REASONING_BUDGET_TOKENS`	Nein	(automatisch aus Effort)	Explizites Token-Budget für Anthropic-Denken (Minimum 1024). Für OpenAI/Gemini wird das Effort-Level direkt verwendet. Wirksam nur, wenn `LLM_REASONING_EFFORT` gesetzt ist.
`LLM_JSON_MODE_ENABLED`	Nein	`true`	Globaler Schalter für `response_format=json_object`. Setzen Sie auf `false`, wenn Ihr Anbieter LiteLLMs Assistant-Prefill-Injektion ablehnt (z. B. AWS Bedrock Relay → `ValidationException` bei der 2.+ Agent-Iteration). Wenn deaktiviert, überspringen strukturierte Aufrufe den JSON-Modus und greifen auf einfache Text-Regex-Extraktion zurück — kein Qualitätsverlust. Gilt für alle Modelle (ENV-konfiguriert und Admin-konfiguriert).
`LLM_TOOL_CHOICE_ENABLED`	Nein	`true`	Globaler Schalter für erzwungenes `tool_choice` bei strukturierter Ausgabeextraktion (Level 1 — Native Function Calling). Setzen Sie auf `false`, wenn Ihr Modell Fehler bei erzwungener Werkzeugauswahl zurückgibt (z. B. Denk-Modus-Modelle, die `tool_choice='specified'` ablehnen). Wenn deaktiviert, überspringen strukturierte Aufrufe natives FC und beginnen mit JSON-Modus. Pro-Modell-Überschreibung verfügbar in Einstellungen → Modelle → Erweitert.
`REASONING_LLM_MODEL`	Nein	(fällt auf `LLM_MODEL` zurück)	Modellname für die Reasoning-Ebene. Verwendet für Aufgaben, die tiefe Analyse erfordern (z. B. DAG-Planung, Plan-Analyse)
`REASONING_LLM_API_KEY`	Nein	(fällt auf `LLM_API_KEY` zurück)	API-Schlüssel für den Reasoning-Modell-Anbieter
`REASONING_LLM_BASE_URL`	Nein	(fällt auf `LLM_BASE_URL` zurück)	Basis-URL für den Reasoning-Modell-Anbieter
`REASONING_LLM_TEMPERATURE`	Nein	(fällt auf `LLM_TEMPERATURE` zurück)	Sampling-Temperatur für das Reasoning-Modell
`REASONING_LLM_CONTEXT_SIZE`	Nein	(fällt auf `LLM_CONTEXT_SIZE` zurück)	Kontextfenstergröße für das Reasoning-Modell
`REASONING_LLM_MAX_OUTPUT_TOKENS`	Nein	(fällt auf `LLM_MAX_OUTPUT_TOKENS` zurück)	Max. Ausgabe-Token pro Aufruf für das Reasoning-Modell
`REASONING_LLM_EFFORT`	Nein	(fällt auf `LLM_REASONING_EFFORT` zurück)	Reasoning-Effort-Level für die Reasoning-Modell-Ebene. Werte: `low`, `medium`, `high`
`REASONING_LLM_BUDGET`	Nein	(fällt auf `LLM_REASONING_BUDGET_TOKENS` zurück)	Token-Budget für Reasoning (hauptsächlich Anthropic). Überschreibt das automatisch berechnete Budget für die Reasoning-Ebene
`LLM_SUPPORTS_VISION`	Nein	`true` (optimistisch)	Steuert, ob ENV-Modus-Dokument-OCR (über MarkItDown + `markitdown-ocr`) versucht wird. Gilt nur, wenn keine aktive Modellgruppe in Admin → Modelle konfiguriert ist (reiner ENV-Modus). Wenn der Standard `true` wirksam ist, nehmen `convert_to_markdown` und RAG-Erfassung an, dass `LLM_MODEL` Vision unterstützt, und rufen es für Bild-OCR auf — dies ist das richtige Verhalten für alle gängigen Optionen (`gpt-4o`, `claude-3-5-sonnet`, `gemini-1.5-pro/flash`). Setzen Sie dies auf `false`, wenn Ihr ENV-konfiguriertes `LLM_MODEL` Vision nicht unterstützt (z. B. `deepseek-v3`, `qwen-chat`, `llama-3.1`, `gpt-3.5-turbo`, `o1-mini`), um den fehlgeschlagenen Vision-Aufruf zu überspringen und direkt zur reinen Text-Extraktion zu gehen. Wenn eine aktive Modellgruppe im Admin → Modelle-Panel vorhanden ist, wird dieses Flag ignoriert und die `supports_vision`-Flags der Gruppe übernehmen — die von Admin kuratierte Wahl ist immer die Quelle der Wahrheit im DB-Modus.

Auflösungsreihenfolge: Benutzereinstellung → Admin-Modelle (DB) → ENV-Fallback. Wenn ein Admin-Modell mit der Rolle „General” in Admin → Modelle konfiguriert ist, dienen diese ENV-Variablen nur als Fallback. Die Integritätsprüfung berücksichtigt beide Quellen.

MarkItDown OCR-Auflösung

Das convert_to_markdown Built-in-Tool und die RAG-Ingestion-Pipeline verwenden beide Microsofts MarkItDown + das offizielle markitdown-ocr Plugin, um Text aus Dokumenten zu extrahieren — einschließlich OCR auf eingebetteten Bildern und gescannten PDF-Seiten, wenn ein Vision-fähiges LLM verfügbar ist. Vision-LLM-Auflösungsreihenfolge (erste Übereinstimmung gewinnt):

#	Quelle	Prioritätsrationale
1	Primäres LLM des Agenten, wenn `supports_vision=True`	Konsistenz: gleicher API-Schlüssel, gleicher Abrechnungsbucket, gleicher Rate-Limit-Pool wie das Gespräch.
2	Aktive ModelGroup → Fast Model, wenn `supports_vision=True`	Fast Models (`gpt-4o-mini`, `claude-haiku`, `gemini-1.5-flash`) sind das ideale OCR-Arbeitstier — günstig, niedrige Latenz, normalerweise multimodal.
3	Aktive ModelGroup → General Model, wenn `supports_vision=True`	Qualitäts-Fallback, wenn das primäre Modell nicht in der Gruppe ist.
4	ENV primäres LLM (`LLM_MODEL`)	Optimistischer Fallback für reinen ENV-Modus. Wird nur verwendet, wenn keine aktive ModelGroup existiert. Gesteuert durch `LLM_SUPPORTS_VISION`.

Reasoning-Modelle werden niemals für OCR bevorzugt. Reasoning-Tiers (o1, o3-mini, DeepSeek-R1) haben historisch keine Vision-Unterstützung und sind ohnehin das falsche Werkzeug für OCR — OCR ist eine Wahrnehmungsaufgabe, keine Überlegungsaufgabe. Wenn ein Workspace nur ein Reasoning-Modell mit supports_vision=True hat, wird es trotzdem über den Primary-LLM-Pfad aufgegriffen, aber der Resolver stuft es nicht aktiv über Fast/General ein. Null-Regressions-Fallback: Wenn auf keiner Ebene ein Vision-fähiges Modell gefunden wird, wird OCR stillschweigend deaktiviert und MarkItDown läuft im reinen Text-Modus. OCR für eingebettete Bilder in Word/PowerPoint/Excel wird nicht verfügbar (wie vor dieser Funktion), aber alle andere Textextraktion (Überschriften, Tabellen, Absatztext) funktioniert unverändert weiter. Es gibt niemals einen Fall, in dem das Hinzufügen dieser Funktion die Extraktion schlechter machte als das vorherige Verhalten. Nicht-OpenAI-Provider (Anthropic, Google Gemini, etc.) werden transparent unterstützt: das aufgelöste LLM wird in einem LiteLLMOpenAIShim verpackt, das chat.completions.create(...)-Aufrufe durch litellm.completion() leitet, was die Provider-spezifische Nachrichtenformat-Übersetzung handhabt (z. B. Anthropics source.type="base64" Image-Block). Ein Shim deckt jeden Provider ab, den LiteLLM unterstützt — das Hinzufügen eines neuen Providers kostet null Code-Änderungen in FIM One.

Extended Thinking (Reasoning)

Wenn LLM_REASONING_EFFORT gesetzt ist, aktiviert FIM One die Extended-Thinking-Funktion des Modells, sodass die interne Gedankenkette im UI-Schritt “thinking” angezeigt wird. FIM One verwendet LiteLLM, um den Reasoning-Effort-Parameter automatisch in das native Format jedes Anbieters zu übersetzen.

Unterstützte Anbieter

Anbieter	`LLM_BASE_URL`	Funktionsweise	Reasoning-Inhalt zurückgegeben?
OpenAI (o1 / o3 / o4-mini)	`https://api.openai.com/v1`	`reasoning_effort` nativ gesendet	Ja
Anthropic (Claude 3.7+)	`https://api.anthropic.com/v1/`	LiteLLM leitet über native Anthropic API mit `thinking` Parameter weiter	Ja
Google Gemini (2.5+)	`https://generativelanguage.googleapis.com/v1beta/openai/`	`reasoning_effort` auf Kompatibilitäts-Endpunkt gesendet	Ja

LiteLLM erkennt den Anbieter automatisch von LLM_BASE_URL und ordnet ihn dem korrekten API-Format zu. Unbekannte URLs werden als OpenAI-kompatibel behandelt.

Wichtige Einschränkungen

Third-Party-Proxies / benutzerdefinierte Endpunkte sind nicht garantiert. Wenn Ihr LLM_BASE_URL auf einen Third-Party-API-Proxy verweist (z. B. OpenRouter, one-api, benutzerdefiniertes Gateway), wird LiteLLM versuchen, basierend auf der URL korrekt weiterzuleiten. Wenn Ihr Proxy jedoch ein nicht standardisiertes Format erwartet, funktioniert das Reasoning möglicherweise nicht wie erwartet. Konsultieren Sie die Dokumentation des Proxys für das erwartete Parameterformat.

Temperatureinschränkungen mit Reasoning

Einige Anbieter haben Temperatureinschränkungen, wenn Reasoning aktiv ist:

Anthropic: Erfordert temperature=1, wenn erweitertes Denken aktiviert ist. Bei Verwendung von Anthropic mit erweitertem Denken müssen Sie LLM_TEMPERATURE=1 setzen — Anthropic lehnt andere Werte ab, wenn Denken aktiviert ist.
OpenAI GPT-5.x: Unterstützt nur temperature=1 zu allen Zeiten. LiteLLMs drop_params-Filterung handhabt dies automatisch — nicht unterstützte Temperaturwerte werden stillschweigend gelöscht. Für GPT-5.x ist keine Benutzeraktion erforderlich.

Wie `LLM_REASONING_BUDGET_TOKENS` funktioniert

Diese Variable ist hauptsächlich für den Anthropic-Pfad relevant. Wenn gesetzt, überschreibt sie das automatisch berechnete Budget und wird als budget_tokens im thinking-Parameter über LiteLLM gesendet. Wenn nicht gesetzt, wird das Budget aus LLM_MAX_OUTPUT_TOKENS x Aufwandsverhältnis abgeleitet:

`LLM_REASONING_EFFORT`	Budget-Verhältnis	Beispiel (max_tokens = 64000)
`low`	20%	12.800 Token
`medium`	50%	32.000 Token
`high`	80%	51.200 Token

Das Mindestbudget beträgt 1.024 Token (Anthropics hartes Minimum). Für OpenAI und Gemini verwaltet der Anbieter die Token-Zuweisung intern basierend auf der reasoning_effort-Ebene — LLM_REASONING_BUDGET_TOKENS hat keine Auswirkung.

Agent-Ausführung

ReAct Agent

Variable	Erforderlich	Standard	Beschreibung
`REACT_MAX_ITERATIONS`	Nein	`20`	Max. Werkzeugaufrufe pro ReAct-Anfrage. Höher = gründlicher, aber langsamer und teurer
`REACT_MAX_TURN_TOKENS`	Nein	`0`	Notfall-Schutzschalter: max. kumulative Token (Prompt + Completion über alle Iterationen) pro einzelnem ReAct-Durchgang. Standard `0` = unbegrenzt. Dies ist NICHT für die tägliche Token-Kontrolle — verwenden Sie dafür `token_quota` pro Benutzer. Dies ist ein letzter Ausweg für extreme Szenarien wie ein Agent, der in einer Endlosschleife von Werkzeugaufrufen steckt. Das Erreichen dieses Limits bricht die Aufgabe während der Ausführung ab, verschwendet alle verbrauchten Token und gibt ein unvollständiges Ergebnis zurück. Behalten Sie `0` bei, es sei denn, Sie haben ein spezifisches Problem mit durchgehenden Agenten zu beheben
`REACT_TOOL_SELECTION_THRESHOLD`	Nein	`12`	Wenn die Gesamtzahl der registrierten Werkzeuge diesen Schwellenwert überschreitet, wählt ein leichtgewichtiger LLM-Aufruf vor jeder Anfrage die relevanteste Teilmenge aus
`REACT_TOOL_SELECTION_MAX`	Nein	`6`	Max. Werkzeuge nach intelligenter Auswahl (nur wirksam, wenn die Werkzeuganzahl `REACT_TOOL_SELECTION_THRESHOLD` überschreitet)
`REACT_SELF_REFLECTION_INTERVAL`	Nein	`6`	Injizieren Sie alle N Werkzeugaufrufe eine Selbstreflexions-Eingabeaufforderung, um dem Agenten zu helfen, seinen Kurs zu korrigieren und Schleifen zu vermeiden
`REACT_TOOL_OBS_TRUNCATION`	Nein	`8000`	Max. Zeichen pro Werkzeugbeobachtung bei der Synthese der endgültigen Antwort. Höhere Werte bewahren mehr strukturierte Daten (JSON, Tabellen) auf Kosten von mehr Token
`REACT_TOOL_RESULT_BUDGET`	Nein	`40000`	Aggregiertes Token-Budget für alle Werkzeugergebnisse in einer einzelnen Sitzung. Wenn die gesamten Werkzeugergebnis-Token diese Obergrenze überschreiten, werden neue Ergebnisse mit einem Hinweis gekürzt. Verhindert Kontext-Überflutung durch große API-Antworten (z. B. 5 Connector-Aufrufe, die jeweils 8K zurückgeben). Auf `0` setzen, um die Obergrenze zu deaktivieren
`REACT_COMPLETION_CHECK_SKIP_CHARS`	Nein	`800`	Überspringen Sie den LLM-Aufruf zur Vollständigkeitsprüfung nach der Antwort, wenn die endgültige Antwort des Agenten diese viele Zeichen überschreitet. Lange detaillierte Antworten benötigen keine Verifizierungs-Hin- und Rückfahrt „Habe ich etwas übersehen?”. Niedriger setzen, um aggressiver zu überspringen; auf einen sehr großen Wert setzen, um die Prüfung immer auszuführen
`REACT_CYCLE_DETECTION_THRESHOLD`	Nein	`2`	Wenn das gleiche Werkzeug mit identischen Argumenten diese viele Male hintereinander aufgerufen wird, wird eine deterministische Warnung injiziert, die den Agenten auffordert, einen anderen Ansatz zu versuchen. Im Gegensatz zur Selbstreflexion (die sich darauf verlässt, dass das LLM die Schleife bemerkt) ist dies eine Hash-basierte Prüfung, die nicht umgangen werden kann. Gilt auch für DAG-Schritte
`REACT_COMPLETION_CHECK_MIN_TOOLS`	Nein	`3`	Mindestanzahl von Werkzeugaufrufen, bevor die Vollständigkeitsprüfliste aktiviert wird. Einfache Aufgaben (1-2 Werkzeugaufrufe) überspringen die Verifizierung, um unnötige Latenz zu vermeiden. Auf `1` setzen für immer aktive Verifizierung. Gilt auch für DAG-Schritte
`REACT_TURN_PROFILE_ENABLED`	Nein	`true`	Geben Sie Pro-Durchgang-Phasen-Timing-Logs aus (`memory_load`, `compact`, `tool_schema_build`, `llm_first_token`, `llm_total`, `tool_exec`). Eine strukturierte Log-Zeile pro Durchgang. Auf `false` setzen, um die Profilerstellung vollständig zu deaktivieren (null Overhead)
`REACT_PLAN_TOOL_ENABLED`	Nein	`true`	Registrieren Sie das `update_plan` Todo-Werkzeug, damit der Agent während mehrstufiger Aufgaben eine Checkliste schreibt und verwaltet. Wird automatisch für DAG-Schritt-Agenten und Agenten ohne Werkzeuge übersprungen
`REACT_PLAN_REMINDER_INTERVAL`	Nein	`3`	Werkzeug-Runden ohne einen `update_plan`-Aufruf, bevor eine veraltete Plan-Erinnerung (mit der vollständigen Checkliste) wieder in das Gespräch injiziert wird, damit der Plan die Kontext-Komprimierung überlebt
`REACT_MAX_CONTINUATIONS`	Nein	`3`	Maximale Fortsetzungsrunden, wenn die Antwort des Modells durch das Output-Token-Limit des Anbieters (`finish_reason=length`) unterbrochen wird. Abgeschnittene Segmente werden sowohl in der Agent-Schleife als auch in der gestreamten Synthese zu einer nahtlosen Antwort zusammengefügt
`REACT_BACKGROUND_TOOLS_ENABLED`	Nein	`true`	Bieten Sie eine `run_in_background`-Option für langsame Werkzeuge (Sandbox-Python/Shell/Node-Ausführung). Der Agent erhält sofort eine Task-ID und arbeitet weiter; das Ergebnis kommt als `<task_notification>`-Nachricht an, wenn das Werkzeug fertig ist
`REACT_BG_WAIT_TIMEOUT`	Nein	`300`	Maximale Sekunden zum Warten auf noch laufende Hintergrund-Werkzeuge, wenn der Agent seine Antwort finalisieren möchte. Aufgaben, die nicht innerhalb des Fensters abgeschlossen sind, werden mit einer expliziten Timeout-Benachrichtigung abgebrochen
`DAG_CHECKPOINT_EVIDENCE_CHARS`	Nein	`4000`	Pro-Schritt-Evidenz-Obergrenze in der DAG-Crash-Resume-Checkpoint-Datei (`data/dag_checkpoints/`). Schritt-Zusammenfassungen werden vollständig gespeichert
`DAG_CHECKPOINT_MAX_AGE_HOURS`	Nein	`24`	DAG-Checkpoints älter als dies werden beim Laden ignoriert, sodass veraltete Crash-Reste niemals in einen frischen Lauf fortgesetzt werden
`LLM_RATE_LIMIT_PER_USER`	Nein	`true`	Verwenden Sie pro-Benutzer-Schlüssel-Rate-Limit-Buckets anstelle eines einzelnen prozessweiten Buckets. Verhindert, dass ein lauter Benutzer alle anderen auf demselben Worker verhungert. Die zugrunde liegende Rate ist auf 60 Anfragen/Min und 100K Token/Min pro Bucket hartcodiert — diese Einstellung steuert nur, ob der Bucket gemeinsam (global) oder partitioniert (pro-Benutzer) ist. Auf `false` setzen, um zum Legacy-Global-Bucket zurückzukehren (nicht empfohlen)

DAG Planner

Variable	Required	Default	Description
`MAX_CONCURRENCY`	No	`5`	Max parallel steps in DAG executor
`DAG_STEP_MAX_ITERATIONS`	No	`15`	Max tool-call iterations within each DAG step
`DAG_STEP_TIMEOUT`	No	`600`	Step execution timeout in seconds. Steps exceeding this are marked as failed and their dependents are cascade-skipped
`DAG_MAX_REPLAN_ROUNDS`	No	`3`	Max autonomous re-plan attempts when goal is not achieved. User interrupts (inject) are unlimited and do not count against this budget
`DAG_REPLAN_STOP_CONFIDENCE`	No	`0.8`	Stop retrying when agent confidence that goal is unachievable exceeds this threshold (`0.0` = never stop early, `1.0` = stop on any failure)
`DAG_VERIFY_TRUNCATION`	No	`2000`	Max characters of step output sent to the step verifier LLM for quality judgment
`DAG_ANALYZER_TRUNCATION`	No	`10000`	Max characters per step result when formatting for the post-execution analyzer
`DAG_STEP_EVIDENCE_CHARS`	No	`16000`	Max characters of raw tool output (web fetches, search results, file reads) retained per step as authoritative “source evidence”. This is fed to the analyzer and final synthesis alongside the step’s own summary, so the answer’s factual claims (totals, enumerations, severities) can be verified against the source instead of trusting a summary that may have silently dropped or mislabelled items. Set to `0` to disable evidence capture
`DAG_REPLAN_RECENT_TRUNCATION`	No	`500`	Max characters per step result from the most recent round when building re-plan context
`DAG_REPLAN_OLDER_TRUNCATION`	No	`200`	Max characters per step result from older rounds when building re-plan context. Older rounds are more aggressively truncated to save context
`DAG_TOOL_CACHE`	No	`true`	Cache identical tool calls within a single DAG execution. Only tools explicitly marked as `cacheable` (read-only tools like search, knowledge retrieval) are cached. Set to `false` to disable caching entirely
`DAG_STEP_VERIFICATION`	No	`false`	Generic LLM-based quality check after each DAG step. On failure, the step retries once with feedback. Default off — adds latency on every step and is rarely needed; most step outputs are acceptable without re-checking. Use only when you observe frequent low-quality step results
`DAG_CITATION_VERIFICATION`	No	`true`	Citation-accuracy check for specialist-domain steps. Prerequisite: the query must first be classified as a specialist domain by the LLM domain classifier (see `ESCALATION_DOMAINS`). When the domain is detected AND this flag is `true`, each completed step is scanned for legal/medical/financial citations and verified for accuracy — catching hallucinated article numbers, fabricated case references, and incorrect regulatory citations. If domain classification returns `null` (general query), citation verification does not run regardless of this setting
`DAG_CITATION_VERIFY_TRUNCATION`	No	`6000`	Max characters of step result sent to the citation verification prompt

Domain-Klassifizierung

Steuert die unabhängige LLM-basierte Domain-Erkennungsschicht, die vor der ReAct- und DAG-Ausführung ausgeführt wird. Wenn eine Abfrage als spezialisierte Domain klassifiziert wird, aktiviert das System Domain-bewusste Funktionen: Modellsteigerung auf Reasoning-Modell, Domain-spezifische SOP-Anweisungen und Zitierverifikation (nur DAG).

Variable	Erforderlich	Standard	Beschreibung
`ESCALATION_DOMAINS`	Nein	`legal,medical,financial,tax,compliance,patent`	Kommagetrennte Liste spezialisierter Domains. Ein schnelles LLM klassifiziert jede Abfrage gegen diese Liste. Bei Übereinstimmung führt das System folgende Schritte durch: (1) Upgrade auf das Reasoning-Modell für höhere Genauigkeit, (2) Injektion von Domain-spezifischen SOP-Anweisungen (z. B. Zitate vor dem Schreiben per Suche verifizieren), (3) Aktivierung der Zitierverifikation für DAG-Schritte. Fügen Sie nach Bedarf benutzerdefinierte Domains hinzu (z. B. `legal,education,construction`)

Context Guard

Steuert die automatische Verwaltung des Kontextfensters, die verhindert, dass Gespräche das Limit des Modells überschreiten.

Variable	Erforderlich	Standard	Beschreibung
`CONTEXT_GUARD_DEFAULT_BUDGET`	Nein	`32000`	Standard-Token-Budget für die Verwaltung des Kontextfensters. Wenn das Gespräch diesen Wert überschreitet, werden ältere Nachrichten komprimiert
`CONTEXT_GUARD_MAX_MSG_CHARS`	Nein	`50000`	Hartes Zeichenlimit für jede einzelne Nachricht. Nachrichten, die diesen Wert überschreiten, werden als Sicherheitsmaßnahme gekürzt
`CONTEXT_GUARD_KEEP_RECENT`	Nein	`4`	Anzahl der neuesten Nachrichten, die bei der Komprimierung des Gesprächsverlaufs beibehalten werden

Content Guardrails

Kommagetrennte Namen von Guardrails, die den Inhalt von Ein- oder Ausgabe überprüfen. Unabhängig vom Tool-Berechtigungsgate (core/hooks/*) und der Sicherheitsschicht (core/security/*). Siehe Content Guardrails für das vollständige Bild.

Variable	Erforderlich	Standard	Beschreibung
`FIM_GUARDRAILS_INPUT`	Nein	`jailbreak`	Aktive Input-Guardrails. Der Standard-`jailbreak`-Regex-Detektor bricht den Turn ab, bevor LLM-Token ausgegeben werden, wenn bekannte Prompt-Override-Phrasen erkannt werden. Auf leer setzen zum Deaktivieren. Unbekannte Namen werden protokolliert und übersprungen
`FIM_GUARDRAILS_OUTPUT`	Nein	(leer)	Aktive Output-Guardrails. Derzeit enthalten: `max_length` (begrenzt die Zeichenanzahl der Antwort). Wird ausgeführt, nachdem der Agent seine endgültige Antwort produziert hat
`FIM_GUARDRAIL_MAX_OUTPUT_CHARS`	Nein	`50000`	Zeichenlimit, das vom `max_length`-Output-Guardrail verwendet wird. Nur wirksam, wenn `max_length` in `FIM_GUARDRAILS_OUTPUT` aufgelistet ist

Agent-Arbeitsbereich

Variable	Erforderlich	Standard	Beschreibung
`WORKSPACE_OFFLOAD_THRESHOLD`	Nein	`8000`	Wenn eine Werkzeugausgabe diese Anzahl von Zeichen überschreitet, wird sie in einer Arbeitsbereichsdatei gespeichert und eine gekürzte Vorschau wird in den Gesprächskontext eingefügt
`WORKSPACE_PREVIEW_CHARS`	Nein	`2000`	Anzahl der Vorschauzeichen, die in gekürzten Arbeitsbereichsreferenzen enthalten sein sollen
`WORKSPACE_CLEANUP_MAX_HOURS`	Nein	`72`	Arbeitsbereichsdateien, die älter als diese Anzahl von Stunden sind, sind für die automatische Bereinigung berechtigt

System

Variable	Erforderlich	Standard	Beschreibung
~~`SYSTEM_PROMPT_RESERVE`~~	—	—	Entfernt. Subtrahierte zuvor eine feste 4K-Reserve vom Kontext-Budget für System-Prompts. Dies führte zu Doppelzählungen, da ContextGuard die System-Prompt bereits bei der Schätzung der Token der Nachrichtenliste berücksichtigt. Die Budget-Formel ist nun einfach `context_size - max_output_tokens`, und die tatsächliche Größe der System-Prompt wird dynamisch berücksichtigt

Web-Tools (Optional)

Variable	Erforderlich	Standard	Beschreibung
`JINA_API_KEY`	Nein	—	Jina API-Schlüssel. Fungiert als gemeinsamer Fallback für Suche, Abruf, Einbettung und Reranking, wenn kein servicespezifischer Schlüssel gesetzt ist. Erhalten Sie Ihren unter jina.ai
`TAVILY_API_KEY`	Nein	—	Tavily Search API-Schlüssel (automatisch ausgewählt, wenn gesetzt und `WEB_SEARCH_PROVIDER` nicht gesetzt ist)
`BRAVE_API_KEY`	Nein	—	Brave Search API-Schlüssel (automatisch ausgewählt, wenn gesetzt und `WEB_SEARCH_PROVIDER` nicht gesetzt ist)
`EXA_API_KEY`	Nein	—	Exa Search API-Schlüssel (automatisch ausgewählt, wenn gesetzt und `WEB_SEARCH_PROVIDER` nicht gesetzt ist). Erhalten Sie Ihren unter exa.ai
`WEB_SEARCH_PROVIDER`	Nein	`jina`	Suchanbieterwähler: `jina` / `tavily` / `brave` / `exa`
`WEB_FETCH_PROVIDER`	Nein	`jina` (wenn Schlüssel gesetzt, sonst `httpx`)	Abrufsanbieter: `jina` (verwendet Jina Reader API) / `httpx` (direkte HTTP-Anfrage, kein API-Schlüssel erforderlich)

Schnellstart-Tipp: Das Setzen von nur JINA_API_KEY aktiviert Web-Suche, Web-Abruf, Einbettung und Reranking auf einmal – ein Schlüssel, vier Services. Sie können jeden Service einzeln mit den folgenden Variablen überschreiben.

RAG & Wissensdatenbank (Empfohlen)

Embedding

Embedding konvertiert Text in Vektoren für die Wissensdatenbank-Suche. FIM One verwendet den Standard-OpenAI-kompatiblen /v1/embeddings-Endpunkt, daher funktioniert er mit jedem Anbieter, der diese Schnittstelle bereitstellt — nicht nur Jina.

Variable	Erforderlich	Standard	Beschreibung
`EMBEDDING_API_KEY`	Nein	(fällt auf `JINA_API_KEY` zurück)	API-Schlüssel für den Embedding-Anbieter
`EMBEDDING_BASE_URL`	Nein	`https://api.jina.ai/v1`	Basis-URL für den Embedding-Anbieter
`EMBEDDING_MODEL`	Nein	`jina-embeddings-v3`	Modellbezeichner
`EMBEDDING_DIMENSION`	Nein	`1024`	Vektordimension

Anbieterbeispiele — setzen Sie einfach die drei Variablen, um zu wechseln:

Anbieter	`EMBEDDING_BASE_URL`	`EMBEDDING_MODEL`	`EMBEDDING_DIMENSION`
Jina (Standard)	`https://api.jina.ai/v1`	`jina-embeddings-v3`	`1024`
OpenAI	`https://api.openai.com/v1`	`text-embedding-3-small`	`1536`
Voyage	`https://api.voyageai.com/v1`	`voyage-3`	`1024`
Ollama (lokal)	`http://localhost:11434/v1`	`nomic-embed-text`	`768`

Das Ändern des Embedding-Modells oder der Dimension macht alle vorhandenen Wissensdatenbank-Vektoren ungültig. Alte Vektoren wurden in einem anderen Embedding-Raum berechnet — die Abrufgenauigkeit wird sich unmerklich verschlechtern. Sie müssen alle Wissensdatenbank-Indizes neu erstellen, nachdem Sie gewechselt haben.

Abruf

Variable	Erforderlich	Standard	Beschreibung
`RETRIEVAL_MODE`	Nein	`grounding`	`grounding` (vollständige Pipeline mit Zitaten und Konfidenzscoring) oder `simple` (grundlegende RAG)

Reranker

Reranker bewertet abgerufene Dokumente neu, um die Relevanz zu verbessern. Drei Anbieter werden unterstützt — wählen Sie über RERANKER_PROVIDER oder lassen Sie das System automatisch aus verfügbaren API-Schlüsseln erkennen.

Variable	Erforderlich	Standard	Beschreibung
`RERANKER_PROVIDER`	Nein	(automatische Erkennung)	`jina` / `cohere` / `openai`. Falls nicht gesetzt: verwendet Cohere, wenn `COHERE_API_KEY` gesetzt ist, andernfalls Jina
`RERANKER_MODEL`	Nein	`jina-reranker-v2-base-multilingual`	Modellkennung (gilt für Jina- und OpenAI-Anbieter)
`COHERE_API_KEY`	Nein	—	Cohere API-Schlüssel (wählt automatisch Cohere-Reranker aus, wenn gesetzt und `RERANKER_PROVIDER` nicht gesetzt ist)
`COHERE_RERANKER_MODEL`	Nein	`rerank-multilingual-v3.0`	Cohere-spezifisches Reranker-Modell

Jina verwendet JINA_API_KEY (aus Web Tools oben). OpenAI verwendet LLM_API_KEY / LLM_BASE_URL erneut — kein zusätzlicher Schlüssel erforderlich. Cohere benötigt seinen eigenen COHERE_API_KEY.

Reranker ist optional — die Wissensdatenbanksuche funktioniert ohne ihn mit Fusion-Scoring. Embedding wird empfohlen für Wissensdatenbankfunktionen.

Vektorspeicher

Variable	Erforderlich	Standard	Beschreibung
`VECTOR_STORE_DIR`	Nein	`./data/vector_store`	Verzeichnis für LanceDB-Vektorspeicherdaten (dateibasiert, keine externen Dienste)

Code-Ausführung

Variable	Erforderlich	Standard	Beschreibung
`CODE_EXEC_BACKEND`	Nein	`local`	`local` (direkte Host-Ausführung) oder `docker` (isolierte Container)
`DOCKER_PYTHON_IMAGE`	Nein	`python:3.11-slim`	Docker-Image für Python-Ausführung
`DOCKER_NODE_IMAGE`	Nein	`node:20-slim`	Docker-Image für Node.js-Ausführung
`DOCKER_SHELL_IMAGE`	Nein	`python:3.11-slim`	Docker-Image für Shell-Ausführung
`DOCKER_MEMORY`	Nein	(Docker-Standard)	RAM-Limit pro Container (z. B. `256m`, `512m`, `1g`)
`DOCKER_CPUS`	Nein	(Docker-Standard)	CPU-Kontingent pro Container (z. B. `0.5`, `1.0`)
`SANDBOX_TIMEOUT`	Nein	`120`	Standard-Ausführungs-Timeout in Sekunden
`DOCKER_HOST_DATA_DIR`	Nein	(nicht gesetzt)	Host-seitiger absoluter Pfad des `./data` Volume-Mounts. Erforderlich für DooD-Bereitstellungen (Docker-outside-of-Docker); `docker-compose.yml` setzt dies automatisch über `${PWD}/data`.

Sicherheit: Der local-Modus führt von KI generierte Code direkt auf dem Host aus. Für internetgestützte oder Multi-User-Bereitstellungen sollten Sie immer CODE_EXEC_BACKEND=docker setzen.

Werkzeug-Artefakte

Größenlimits für Dateien, die durch Werkzeugausführung erstellt werden (Code-Ausführung, Template-Rendering, Bildgenerierung).

Variable	Erforderlich	Standard	Beschreibung
`MAX_ARTIFACT_SIZE`	Nein	`10485760` (10 MB)	Maximale Größe einer einzelnen Artefaktdatei in Bytes
`MAX_ARTIFACTS_TOTAL`	Nein	`52428800` (50 MB)	Maximale Gesamtgröße der Artefakte pro Sitzung in Bytes

Dokumentverarbeitung (Optional)

Steuert, wie hochgeladene PDF-/DOCX-Dateien für die LLM-Verarbeitung verarbeitet werden. Vision-fähige Modelle (GPT-4o, Claude 3/4, Gemini) können PDF-Seiten als gerenderte Bilder für höhere Genauigkeit empfangen.

Variable	Erforderlich	Standard	Beschreibung
`DOCUMENT_PROCESSING_MODE`	Nein	`auto`	`auto` (Vision, falls Modell unterstützt), `vision` (Seiten immer rendern), `text` (nur Text extrahieren)
`DOCUMENT_VISION_DPI`	Nein	`150`	DPI für PDF-Seitenrendering. Höher = bessere Qualität, mehr Token
`DOCUMENT_VISION_MAX_PAGES`	Nein	`20`	Maximale Anzahl von Seiten, die pro PDF als Bilder gerendert werden

Hinweis: Die Vision-Unterstützung pro Modell wird über den supports_vision-Schalter in Admin → Models konfiguriert. Wenn nicht explizit festgelegt, erkennt das System die Vision-Fähigkeit automatisch anhand des Modellnamens.

Bildgenerierung (Optional)

Variable	Erforderlich	Standard	Beschreibung
`IMAGE_GEN_PROVIDER`	Nein	`google`	`google` (Gemini native API) oder `openai` (OpenAI-kompatible `/v1/images/generations`)
`IMAGE_GEN_API_KEY`	Nein	—	Google AI Studio Schlüssel (`google`) oder Proxy/OpenAI API Schlüssel (`openai`)
`IMAGE_GEN_MODEL`	Nein	`gemini-3.1-flash-image-preview`	Bildgenerierungsmodell (z. B. `dall-e-3`, `gemini-nano-banana-2`)
`IMAGE_GEN_BASE_URL`	Nein	(pro Anbieter)	Google: `https://generativelanguage.googleapis.com/v1beta`; OpenAI: `https://api.openai.com/v1`

Email (SMTP) (Empfohlen)

Registriert das email_send Built-in-Tool automatisch, wenn SMTP_HOST, SMTP_USER und SMTP_PASS alle gesetzt sind.

Variable	Erforderlich	Standard	Beschreibung
`SMTP_HOST`	Bed.	—	SMTP-Serverhostname
`SMTP_PORT`	Nein	`465`	SMTP-Port
`SMTP_SSL`	Nein	`ssl`	TLS-Modus: `ssl` (Port 465) / `tls` (STARTTLS, Port 587) / `none` oder `""` (unverschlüsselt, Anmeldedaten im Klartext). Jeder andere Wert wird abgelehnt, anstatt stillschweigend auf unverschlüsselt zurückzufallen.
`SMTP_USER`	Bed.	—	SMTP-Anmeldebenutzername
`SMTP_PASS`	Bed.	—	SMTP-Anmeldepasswort
`SMTP_FROM`	Nein	(verwendet `SMTP_USER`)	Absenderadresse im From-Header
`SMTP_FROM_NAME`	Nein	—	Anzeigename im From-Header
`SMTP_REPLY_TO`	Nein	—	Reply-To-Adresse; Antworten gehen hier statt an `SMTP_FROM`
`SMTP_ALLOWED_DOMAINS`	Nein	—	Kommagetrennte Domain-Allowlist (z. B. `example.com,corp.io`); blockiert Empfänger außerhalb der aufgelisteten Domains
`SMTP_ALLOWED_ADDRESSES`	Nein	—	Kommagetrennte Allowlist für genaue Adressen; kombiniert mit `SMTP_ALLOWED_DOMAINS`; beide nicht gesetzt lassen, um jeden Empfänger zuzulassen (nicht empfohlen für gemeinsame Postfächer)

Konnektoren

Variable	Erforderlich	Standard	Beschreibung
`CONNECTOR_RESPONSE_MAX_CHARS`	Nein	`50000`	Maximale Anzahl von Zeichen für Antworten von Nicht-Array-JSON-/Klartext-Konnektoren
`CONNECTOR_RESPONSE_MAX_ITEMS`	Nein	`10`	Maximale Array-Elemente, die beibehalten werden, wenn die Konnektor-Antwort ein JSON-Array ist
`CREDENTIAL_ENCRYPTION_KEY`	Nein	(nicht gesetzt)	Fernet-Verschlüsselungsschlüssel für Konnektor-Anmeldedaten-Blobs. Wenn gesetzt, werden Auth-Token in `connector_credentials` im Ruhezustand verschlüsselt. Wenn nicht gesetzt, werden Anmeldedaten als einfaches JSON gespeichert (abwärtskompatibel). Das Ändern dieses Schlüssels macht alle vorhandenen verschlüsselten Anmeldedaten ungültig.
`CONNECTOR_TOOL_MODE`	Nein	`progressive`	Wie Konnektor-Tools für Agenten verfügbar gemacht werden. `progressive`: einzelnes `ConnectorMetaTool` mit `discover`/`execute`-Unterbefehlen (~30 Token/Konnektor). `classic`: ein Tool pro Aktion (Legacy, ~250 Token/Aktion).
`DATABASE_TOOL_MODE`	Nein	`progressive`	Wie Datenbank-Konnektor-Tools für Agenten verfügbar gemacht werden. `progressive`: einzelnes `DatabaseMetaTool` mit `list_tables`/`discover`/`query`-Unterbefehlen. `legacy`: ein Tool pro Aktion pro Datenbank-Konnektor (3 Tools jeweils).
`MCP_TOOL_MODE`	Nein	`progressive`	Wie MCP-Server-Tools für Agenten verfügbar gemacht werden. `progressive`: einzelnes `MCPServerMetaTool` mit `discover`/`call`-Unterbefehlen. `legacy`: ein Tool pro MCP-Server-Aktion (ursprüngliche einzelne Tools).

Platform

Variable	Required	Default	Description
`DATABASE_URL`	No	`sqlite+aiosqlite:///./data/fim_one.db`	Datenbankverbindungszeichenfolge. SQLite (keine Konfiguration erforderlich): `sqlite+aiosqlite:///./data/fim_one.db`. PostgreSQL (Produktion): `postgresql+asyncpg://user:pass@localhost:5432/fim_one`. Docker Compose konfiguriert PostgreSQL automatisch.
`JWT_SECRET_KEY`	No	`CHANGE_ME`	Geheimer Schlüssel zum Signieren von JWT-Token. Der Platzhalterwert `CHANGE_ME` (oder ein anderer Legacy-Standard) löst beim ersten Start die automatische Generierung eines sicheren 256-Bit-Zufallsschlüssels aus, der in `.env` zurückgeschrieben wird. Legen Sie ihn in der Produktion explizit fest, um Token über Neustarts und Replikationen hinweg gültig zu halten.
`FIM_BCRYPT_COST`	No	`12`	bcrypt-Arbeitsfaktor für Passwort-Hashing, begrenzt auf 4-31. Der Standard 12 kostet etwa 200ms pro Hash auf modernen CPUs; senken Sie ihn auf schwacher Hardware, erhöhen Sie ihn für sicherheitsverstärkte Bereitstellungen.
`CORS_ORIGINS`	No	—	Kommagetrennte Liste zusätzlicher zulässiger CORS-Ursprünge über die Standard-Localhost-Einträge hinaus. Erforderlich, wenn das Frontend auf einer Nicht-Localhost-Domain ausgeführt wird (z. B. `https://app.example.com`).
`UPLOADS_DIR`	No	`./uploads`	Verzeichnis für hochgeladene Dateien
`MAX_UPLOAD_SIZE_MB`	No	`50`	Maximale Dateigröße beim Upload in Megabyte (Backend-Durchsetzung)
`NEXT_PUBLIC_MAX_UPLOAD_SIZE_MB`	No	`50`	Maximale Dateigröße beim Upload in der Frontend-UI. Build-Zeit-Variable — muss mit `MAX_UPLOAD_SIZE_MB` übereinstimmen.
`MCP_SERVERS`	No	—	JSON-Array von MCP-Serverkonfigurationen (erfordert `uv sync --extra mcp`)
`ALLOW_STDIO_MCP`	No	`false`	Stdio-MCP-Server zulassen. Setzen Sie auf `true` nur für vertrauenswürdige lokale Bereitstellungen
`ALLOWED_STDIO_COMMANDS`	No	`npx,uvx,node,python,python3,deno,bun`	Kommagetrennte Liste zulässiger Basisbefehle für Stdio-MCP-Server. Wirksam nur, wenn `ALLOW_STDIO_MCP=true`
`LOG_LEVEL`	No	`INFO`	Protokollierungsstufe: `DEBUG` / `INFO` / `WARNING` / `ERROR` / `CRITICAL`
`REDIS_URL`	No	—	Redis-Verbindungs-URL für Worker-übergreifendes Interrupt-Relay. Erforderlich, wenn `WORKERS>1` — ohne diese können Mid-Stream-Interrupt-/Inject-Anfragen einen anderen Worker treffen und stillschweigend fehlschlagen. Wird von Docker Compose automatisch konfiguriert.
`WORKERS`	No	`1`	Uvicorn-Worker-Prozesse. `1` ist sicher und benötigt keine externen Services. Für Multi-Worker-Produktion verwenden Sie PostgreSQL (SQLite ist Single-Writer). SQLite funktioniert für lokale Entwicklung unter leichter Last. Authentifizierung, OAuth und Dateivorgänge sind vollständig Multi-Worker-sicher (JWT-basiert). Docker Compose konfiguriert automatisch sowohl PostgreSQL als auch Redis.

Multi-Worker-Checkliste (WORKERS>1):

Stop (Streaming abbrechen) — funktioniert immer, keine zusätzliche Konfiguration erforderlich (Signal wird über die gleiche TCP-Verbindung übertragen).
Inject (Mid-Stream-Folgeanfrage) — erfordert REDIS_URL. Ohne Redis kann die Inject-Anfrage auf einem anderen Worker landen, der keine Kenntnis von der laufenden Ausführung hat, was zu stillschweigendem Fehlschlag führt.
Produktion: verwenden Sie PostgreSQL (DATABASE_URL). Die Single-Writer-Sperre von SQLite kann unter gleichzeitigen Schreibvorgängen zu Konflikten führen.
Lokale Entwicklung: SQLite + Multi-Worker ist für leichte Nutzung in Ordnung; fügen Sie einfach REDIS_URL hinzu, wenn Sie die Inject-Funktion verwenden.

Workflow Run Retention

Background cleanup task that automatically purges old workflow runs. Per-workflow overrides (configured in the workflow settings UI) take priority over these global defaults.

Variable	Required	Default	Description
`WORKFLOW_RUN_MAX_AGE_DAYS`	No	`30`	Delete workflow runs older than this many days
`WORKFLOW_RUN_MAX_PER_WORKFLOW`	No	`100`	Keep at most this many runs per workflow (oldest deleted first)
`WORKFLOW_RUN_CLEANUP_INTERVAL_HOURS`	No	`24`	How often the background cleanup task runs, in hours

Channel Confirmation Request Expiry

Background sweeper that marks stale pending approval requests (produced by channel hooks like FeishuGateHook or the Approval Playground) as expired. Ensures a click days later on a forgotten card doesn’t flip agent state that has already been torn down.

Variable	Required	Default	Description
`CHANNEL_CONFIRMATION_TTL_MINUTES`	No	`1440`	Pending confirmations older than this are auto-expired (default: 24 hours)
`CHANNEL_CONFIRMATION_SWEEP_INTERVAL_SECONDS`	No	`600`	How often the expiry sweeper runs (default: every 10 minutes)

OAuth (Optional)

Wenn sowohl CLIENT_ID als auch CLIENT_SECRET für einen Anbieter gesetzt sind, zeigt die Anmeldeseite automatisch die entsprechende OAuth-Schaltfläche an.

Variable	Erforderlich	Standard	Beschreibung
`GITHUB_CLIENT_ID`	Nein	—	GitHub OAuth App Client ID. Erstellen Sie diese unter github.com/settings/developers → OAuth Apps
`GITHUB_CLIENT_SECRET`	Nein	—	GitHub OAuth App Client Secret
`GOOGLE_CLIENT_ID`	Nein	—	Google OAuth Client ID. Erstellen Sie diese unter console.cloud.google.com/apis/credentials
`GOOGLE_CLIENT_SECRET`	Nein	—	Google OAuth Client Secret
`DISCORD_CLIENT_ID`	Nein	—	Discord OAuth2 Client ID. Erstellen Sie diese unter discord.com/developers
`DISCORD_CLIENT_SECRET`	Nein	—	Discord OAuth2 Client Secret
`FEISHU_APP_ID`	Nein	—	Feishu (Lark) App ID. Erstellen Sie diese unter open.feishu.cn. Erfordert die Berechtigung `contact:user.email:readonly`
`FEISHU_APP_SECRET`	Nein	—	Feishu (Lark) App Secret
`FRONTEND_URL`	Prod	`http://localhost:3000`	Wo der Browser nach Abschluss von OAuth landet. Muss in der Produktion gesetzt werden (z. B. `https://yourdomain.com`)
`API_BASE_URL`	Prod	`http://localhost:8000`	Extern erreichbare Backend-URL, wird zum Erstellen von OAuth-Callback-URLs verwendet. Muss in der Produktion gesetzt werden
`NEXT_PUBLIC_API_URL`	Prod	(automatisch erkannt als `<hostname>:8000`)	Browser-seitige API-Basis-URL für OAuth-Umleitungen. Dies ist eine Frontend-Build-Zeit-Variable — setzen Sie diese in `frontend/.env.local` für lokale Entwicklung oder übergeben Sie sie als Docker-Build-Argument für benutzerdefinierte Produktionsbereitstellungen. Die automatische Erkennung funktioniert für Standard-Reverse-Proxy-Setups (Port 80/443).

Prod = lokal optional (Standardwerte funktionieren), aber erforderlich für jede Bereitstellung mit Internetzugriff.

OAuth-Callback-URLs zum Registrieren bei jedem Anbieter

Das Backend konstruiert Callback-URLs als: {API_BASE_URL}/api/auth/oauth/{provider}/callback

Anbieter	Zu registrierende Callback-URL
GitHub	`https://yourdomain.com/api/auth/oauth/github/callback`
Google	`https://yourdomain.com/api/auth/oauth/google/callback`
Discord	`https://yourdomain.com/api/auth/oauth/discord/callback`

Cloudflare Tunnel (Optional)

Leiten Sie den gesamten Datenverkehr über Cloudflares Netzwerk um, anstatt Ports direkt freizulegen. Eliminiert die Notwendigkeit für Nginx, SSL-Zertifikate und offene Firewall-Regeln. Siehe den Abschnitt Production Deployment für Setupanweisungen.

Benutzer in Festlandchina: Cloudflare Free/Pro/Business-Pläne haben keine PoPs in Festlandchina. Der Datenverkehr wird zu Overseas-Edges weitergeleitet, was häufig zu 502-Fehlern führt. Verwenden Sie dies nicht, wenn Ihre primären Benutzer in Festlandchina sind, es sei denn, Sie haben Cloudflare Enterprise mit China Network.

Variable	Erforderlich	Standard	Beschreibung
`CLOUDFLARE_TUNNEL_TOKEN`	Ja (bei Verwendung von Tunnel)	—	Token von Cloudflare Zero Trust → Networks → Tunnels → Ihr Tunnel → Configure. Beginnt mit `eyJ...`. Erforderlich durch den `cloudflared` Sidecar in `docker-compose.tunnel.yml`.

Analytics (Optional)

Alle Analytics-Anbieter sind optional. Legen Sie eine beliebige Kombination fest — alle aktiven Anbieter werden gleichzeitig geladen. Lassen Sie alle leer, um Analytics vollständig zu deaktivieren (empfohlen für lokale Entwicklung).

Variable	Erforderlich	Standard	Beschreibung
`NEXT_PUBLIC_GA_MEASUREMENT_ID`	Nein	—	Google Analytics 4 Measurement ID (z. B. `G-XXXXXXXXXX`). Erhalten Sie Ihre ID unter analytics.google.com
`NEXT_PUBLIC_UMAMI_SCRIPT_URL`	Nein	—	Umami Analytics Script URL (z. B. `https://your-umami.com/script.js`). Selbst gehostet, datenschutzfreundliche Alternative — umami.is
`NEXT_PUBLIC_UMAMI_WEBSITE_ID`	Nein	—	Umami Website ID. Erforderlich, wenn `NEXT_PUBLIC_UMAMI_SCRIPT_URL` gesetzt ist
`NEXT_PUBLIC_PLAUSIBLE_DOMAIN`	Nein	—	Plausible Analytics Domain (z. B. `yourdomain.com`). Leichtgewichtig, datenschutzfreundlich — plausible.io
`NEXT_PUBLIC_PLAUSIBLE_SCRIPT_URL`	Nein	`https://plausible.io/js/script.js`	Benutzerdefinierte Plausible Script URL für selbst gehostete Instanzen

Alle NEXT_PUBLIC_* Analytics-Variablen sind Build-Zeit — Änderungen erfordern einen Frontend-Rebuild, um wirksam zu werden.

Stripe Billing (Optional)

Stripe powers Pro subscriptions. Leave all three variables blank to disable billing — the rest of FIM One works unchanged. Both STRIPE_SECRET_KEY and STRIPE_WEBHOOK_SECRET must be set together; partial config raises an error at first use.

Variable	Required	Default	Description
`STRIPE_SECRET_KEY`	No	—	Stripe API secret key. Must start with `sk_test_` / `sk_live_` (full access) or `rk_test_` / `rk_live_` (restricted key). Get yours from the Stripe Dashboard → Developers → API keys. Never commit a `sk_live_*` key to source.
`STRIPE_WEBHOOK_SECRET`	No	—	Stripe webhook signing secret (`whsec_*`). Created when you register the webhook endpoint in Stripe Dashboard → Developers → Webhooks → Add endpoint. Required to verify inbound webhook payloads.
`STRIPE_BILLING_RETURN_URL`	No	`http://localhost:3000/settings?tab=billing`	URL Stripe redirects users to after Checkout / Customer Portal sessions. Set this to your production billing settings page (e.g. `https://your-domain.com/settings?tab=billing`).

​Konfigurationsebenen

​Frontend (Nur lokale Entwicklung)

​LLM (erforderlich)

​MarkItDown OCR-Auflösung

​Extended Thinking (Reasoning)

​Unterstützte Anbieter

​Wichtige Einschränkungen

​Temperatureinschränkungen mit Reasoning

​Wie LLM_REASONING_BUDGET_TOKENS funktioniert

​Agent-Ausführung

​ReAct Agent

​DAG Planner

​Domain-Klassifizierung

​Context Guard

​Content Guardrails

​Agent-Arbeitsbereich

​System

​Web-Tools (Optional)

​RAG & Wissensdatenbank (Empfohlen)

​Embedding

​Abruf

​Reranker

​Vektorspeicher

​Code-Ausführung

​Werkzeug-Artefakte

​Dokumentverarbeitung (Optional)

​Bildgenerierung (Optional)

​Email (SMTP) (Empfohlen)

​Konnektoren

​Platform

​Workflow Run Retention

​Channel Confirmation Request Expiry

​OAuth (Optional)

​OAuth-Callback-URLs zum Registrieren bei jedem Anbieter

​Cloudflare Tunnel (Optional)

​Analytics (Optional)

​Stripe Billing (Optional)

Konfigurationsebenen

Frontend (Nur lokale Entwicklung)

LLM (erforderlich)

MarkItDown OCR-Auflösung

Extended Thinking (Reasoning)

Unterstützte Anbieter

Wichtige Einschränkungen

Temperatureinschränkungen mit Reasoning

Wie `LLM_REASONING_BUDGET_TOKENS` funktioniert

Agent-Ausführung

ReAct Agent

DAG Planner

Domain-Klassifizierung

Context Guard

Content Guardrails

Agent-Arbeitsbereich

System

Web-Tools (Optional)

RAG & Wissensdatenbank (Empfohlen)

Embedding

Abruf

Reranker

Vektorspeicher

Code-Ausführung

Werkzeug-Artefakte

Dokumentverarbeitung (Optional)

Bildgenerierung (Optional)

Email (SMTP) (Empfohlen)

Konnektoren

Platform

Workflow Run Retention

Channel Confirmation Request Expiry

OAuth (Optional)

OAuth-Callback-URLs zum Registrieren bei jedem Anbieter

Cloudflare Tunnel (Optional)

Analytics (Optional)

Stripe Billing (Optional)