Configuration¶

OpenJarvis ใช้ไฟล์ตั้งค่า TOML ในการควบคุมการเลือก engine, ตัวตนของโมเดล, memory backend, พฤติกรรมของเอเจนต์ และอื่นๆ หน้านี้คือเอกสารอ้างอิงฉบับสมบูรณ์สำหรับทุกตัวเลือกการตั้งค่า จัดกลุ่มตาม primitive

ตำแหน่งไฟล์ Config¶

ไฟล์ตั้งค่าอยู่ที่:

~/.openjarvis/config.toml

OpenJarvis จะสร้างไดเรกทอรี ~/.openjarvis/ และเติม config เริ่มต้นให้เมื่อคุณรัน jarvis init

การย้ายไดเรกทอรีของ OpenJarvis¶

OpenJarvis เก็บ state ทั้งหมด ของมัน — config, ฐานข้อมูล, cache, log, credential, skill, recipe, connector — ไว้ใต้ root เดียว เพื่อไม่ให้รก โฟลเดอร์ home ของคุณเกินหนึ่งโฟลเดอร์ โดยค่าเริ่มต้น root นี้คือ ~/.openjarvis แต่คุณสามารถย้ายมันได้

root ถูก resolve ตามลำดับความสำคัญดังนี้:

$OPENJARVIS_HOME — override แบบชัดเจน ทั้งตัวติดตั้งและ Python runtime จะยึดตามนี้
$XDG_DATA_HOME/openjarvis — ใช้เมื่อมีการตั้งค่า $XDG_DATA_HOME (ไดเรกทอรี openjarvis เดียวซ้อนอยู่ใต้นั้น ตามข้อกำหนด XDG Base Directory)
~/.openjarvis — ค่าเริ่มต้น เมื่อไม่มีการตั้งค่า environment variable ใดๆ path ที่ resolve ได้จะเป็นค่านี้เป๊ะๆ ดังนั้นการติดตั้งเดิมจะไม่ถูกกระทบ

# ย้ายทั้งต้นไม้ install + runtime ตอนติดตั้ง:
OPENJARVIS_HOME=~/apps/openjarvis curl -fsSL https://open-jarvis.github.io/OpenJarvis/install.sh | bash

# หรือสำหรับรันครั้งเดียว / shell profile ของคุณ:
export OPENJARVIS_HOME=~/apps/openjarvis

ตรวจสอบว่าข้อมูลของคุณอยู่ที่ไหนด้วย:

jarvis config path

การย้ายข้อมูล (Migration)

เนื่องจากค่าเริ่มต้นไม่เปลี่ยนแปลง จึงไม่จำเป็นต้องย้ายข้อมูล สำหรับ การติดตั้งเดิม หากคุณตั้งค่า OPENJARVIS_HOME (หรือ XDG_DATA_HOME) บน เครื่องที่มีข้อมูลอยู่ใน ~/.openjarvis อยู่แล้ว OpenJarvis จะมองหาข้อมูล ที่ตำแหน่งใหม่และจะไม่เห็นข้อมูลเก่าของคุณ — ย้ายเองหากต้องการเก็บไว้: mv ~/.openjarvis "$OPENJARVIS_HOME"

$OPENJARVIS_CONFIG ยังคงชี้ไปยังไฟล์ config.toml แบบชัดเจน แยกจาก root หากคุณต้องการ override เฉพาะ path ของไฟล์ config เท่านั้น

การสร้าง Configuration¶

การตั้งค่าครั้งแรก¶

jarvis init

คำสั่งนี้จะ:

รันการตรวจจับฮาร์ดแวร์อัตโนมัติ (ยี่ห้อ/รุ่น/VRAM ของ GPU, ยี่ห้อ/จำนวนคอร์ของ CPU, RAM)
เลือก engine ที่แนะนำตามฮาร์ดแวร์ของคุณ
เขียน ~/.openjarvis/config.toml พร้อมค่าเริ่มต้นที่เหมาะสม

การสร้าง Configuration ใหม่¶

หากต้องการเขียนทับ config ที่มีอยู่แล้ว:

jarvis init --force

Warning

--force จะเขียนทับไฟล์ config ที่มีอยู่ของคุณ สำรองข้อมูล config ก่อนหากคุณมีการตั้งค่าที่กำหนดเอง

หมวดหมู่ของ Configuration¶

ไฟล์ config จัดกลุ่มเป็นหมวด TOML ที่สอดคล้องกับ primitive ทั้งห้า ทุกฟิลด์มีค่าเริ่มต้นอยู่แล้ว คุณจึงต้องระบุเฉพาะค่าที่ต้องการเปลี่ยนเท่านั้น

`[engine]` — Inference Engine¶

ควบคุมว่าจะใช้ inference engine ตัวไหน และแต่ละ engine เข้าถึงได้อย่างไร ตอนนี้การตั้งค่า engine ถูก ซ้อน (nested) อยู่ใต้หมวดย่อยของแต่ละ engine แทนที่จะเป็นฟิลด์แบบเรียบ (flat)

[engine]
default = "ollama"

[engine.ollama]
host = "http://localhost:11434"

[engine.vllm]
host = "http://localhost:8000"

[engine.sglang]
host = "http://localhost:30000"

# [engine.llamacpp]
# host = "http://localhost:8080"
# binary_path = ""

[engine] ระดับบนสุด:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`default`	string	ตรวจจับอัตโนมัติ	Engine backend เริ่มต้น หนึ่งใน: `ollama`, `vllm`, `llamacpp`, `sglang`, `cloud` ตั้งค่าอัตโนมัติโดย `jarvis init` ตามการตรวจจับฮาร์ดแวร์

[engine.ollama]:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`host`	string	`http://localhost:11434`	Base URL สำหรับเซิร์ฟเวอร์ API ของ Ollama

[engine.vllm]:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`host`	string	`http://localhost:8000`	Base URL สำหรับเซิร์ฟเวอร์ที่เข้ากันได้กับ OpenAI ของ vLLM

[engine.sglang]:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`host`	string	`http://localhost:30000`	Base URL สำหรับเซิร์ฟเวอร์ SGLang

[engine.llamacpp]:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`host`	string	`http://localhost:8080`	Base URL สำหรับเซิร์ฟเวอร์ HTTP ของ llama.cpp (`llama-server`)
`binary_path`	string	`""`	Path ไปยัง binary ของ llama.cpp หากไม่ได้อยู่ใน `$PATH`

Engine Fallback

หาก engine เริ่มต้นที่ตั้งค่าไว้เข้าถึงไม่ได้ OpenJarvis จะตรวจสอบ engine ที่ลงทะเบียนไว้ทั้งหมดโดยอัตโนมัติ และ fallback ไปยังตัวใดก็ได้ที่ยังทำงานปกติ

ความเข้ากันได้ย้อนหลัง (Backward Compatibility)

ชื่อฟิลด์แบบเรียบเดิม (ollama_host, vllm_host, llamacpp_host, llamacpp_path, sglang_host) ยังคงใช้งานได้ในฐานะ property ที่เข้ากันได้ย้อนหลัง config ใหม่ควรใช้รูปแบบหมวดย่อยแบบซ้อน

`[intelligence]` — ตัวตนของโมเดลและค่าเริ่มต้นการ Generate¶

ควบคุมว่าจะใช้โมเดลไหน, path ของ weight, การ quantize และพารามิเตอร์ sampling เริ่มต้นสำหรับการ generate พารามิเตอร์การ generate เช่น temperature และ max_tokens ย้ายมาอยู่ที่นี่แทนที่จะอยู่ใต้ [agent]

[intelligence]
default_model = ""
fallback_model = ""
# model_path = ""
# checkpoint_path = ""
# quantization = "none"
# preferred_engine = ""
# provider = ""
temperature = 0.7
max_tokens = 1024
# top_p = 0.9
# top_k = 40
# repetition_penalty = 1.0
# stop_sequences = ""

ฟิลด์ตัวตนของโมเดล:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`default_model`	string	`""`	Identifier ของโมเดลที่ต้องการ (เช่น `qwen3:8b`) เมื่อว่าง นโยบาย router จะเลือกโมเดลแบบไดนามิก
`fallback_model`	string	`""`	โมเดลที่ใช้เมื่อ default ไม่พร้อมใช้งาน
`model_path`	string	`""`	Path หรือ HuggingFace repo ID สำหรับ weight ในเครื่อง (เช่น `"./models/qwen3-8b.gguf"` หรือ `"Qwen/Qwen3-8B"`)
`checkpoint_path`	string	`""`	Path ไปยัง checkpoint ที่ fine-tune แล้ว หรือไดเรกทอรี LoRA adapter
`quantization`	string	`"none"`	รูปแบบ quantization ค่าที่รับได้: `none`, `fp8`, `int8`, `int4`, `gguf_q4`, `gguf_q8`
`preferred_engine`	string	`""`	Override engine สำหรับโมเดลนี้ (เช่น `"vllm"`) มีความสำคัญเหนือกว่า `engine.default`
`provider`	string	`""`	คำใบ้ผู้ให้บริการโมเดล: `local`, `openai`, `anthropic`, `google`, `minimax` ใช้โดย Cloud engine เพื่อจัดเส้นทางการเรียก API

ฟิลด์ค่าเริ่มต้นการ Generate (override ต่อการเรียกแต่ละครั้งได้):

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`temperature`	float	`0.7`	อุณหภูมิของ sampling ค่ายิ่งต่ำ ผลลัพธ์ยิ่งแน่นอน (deterministic)
`max_tokens`	int	`1024`	จำนวน token สูงสุดที่จะ generate ต่อการเรียกหนึ่งครั้ง
`top_p`	float	`0.9`	มวลความน่าจะเป็นของ nucleus sampling
`top_k`	int	`40`	Top-k sampling: พิจารณาเฉพาะ token อันดับ top-k ในแต่ละขั้นตอน
`repetition_penalty`	float	`1.0`	ลงโทษ token ที่ซ้ำ ค่ามากกว่า 1 ช่วยลดการซ้ำ
`stop_sequences`	string	`""`	สตริงหยุดคั่นด้วยคอมมา การ generate จะหยุดเมื่อสร้างสตริงหยุดใดๆ ขึ้นมา

เมื่อทั้ง default_model และ fallback_model ว่างเปล่า OpenJarvis จะใช้นโยบาย router ที่ตั้งค่าไว้ (ดู [learning]) เพื่อเลือกโมเดลจากที่มีอยู่บน engine ที่ใช้งานอยู่

ลำดับความสำคัญในการเลือก Engine¶

เมื่อต้อง resolve ว่าจะใช้ engine ไหนสำหรับโมเดล SystemBuilder, sdk.py และ cli/ask.py จะตรวจสอบฟิลด์ตามลำดับนี้:

1. Explicit --engine CLI flag or engine_key= SDK parameter
2. config.intelligence.preferred_engine
3. config.engine.default
4. First healthy engine discovered at runtime

วิธีนี้ทำให้คุณ pin โมเดลใดโมเดลหนึ่งเข้ากับ engine เฉพาะได้ โดยไม่ต้องเปลี่ยน engine เริ่มต้นของทั้งระบบ:

[engine]
default = "ollama"

[intelligence]
default_model = "llama3.2:3b"
model_path = "./models/llama-3.2-3b.Q4_K_M.gguf"
quantization = "gguf_q4"
preferred_engine = "llamacpp"

`[agent]` — พฤติกรรมของเอเจนต์¶

ควบคุมเอเจนต์เริ่มต้น, จำนวนรอบสูงสุด, การเลือก tool, system prompt และการแทรกบริบทจาก memory

[agent]
default_agent = "simple"
max_turns = 10
# tools = ""
# objective = ""
# system_prompt = ""
# system_prompt_path = ""
context_from_memory = true

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`default_agent`	string	`"simple"`	เอเจนต์เริ่มต้นที่ใช้ มีให้เลือก: `simple`, `orchestrator`, `react`, `operative`, `monitor_operative`
`max_turns`	int	`10`	จำนวนรอบการเรียกใช้ tool สูงสุดสำหรับเอเจนต์ orchestrator ก่อนที่จะต้องสร้างคำตอบสุดท้าย
`tools`	string	`""`	รายการ tool ที่เปิดใช้งานเป็นค่าเริ่มต้น คั่นด้วยคอมมา (เช่น `"calculator,think"`)
`objective`	string	`""`	สตริงจุดประสงค์แบบกระชับ สำหรับการจัดเส้นทาง, การเรียนรู้ และเอกสารประกอบ
`system_prompt`	string	`""`	System prompt แบบ inline มีความสำคัญเหนือ `system_prompt_path` เมื่อตั้งค่าไว้
`system_prompt_path`	string	`""`	Path ไปยังไฟล์ system prompt (`.txt` หรือ `.md`)
`context_from_memory`	bool	`true`	จะแทรกบริบทที่เกี่ยวข้องจาก memory เข้าไปในคำถามโดยอัตโนมัติหรือไม่

พารามิเตอร์การ Generate ย้ายที่แล้ว

temperature และ max_tokens ย้ายจาก [agent] ไปยัง [intelligence] แล้ว config เก่าที่มีฟิลด์เหล่านี้อยู่ใต้ [agent] จะถูกย้ายไปยัง [intelligence] โดยอัตโนมัติตอนโหลด

ความเข้ากันได้ย้อนหลัง

ชื่อฟิลด์เดิม default_tools ยังคงใช้งานได้ในฐานะ property ที่เข้ากันได้ย้อนหลังสำหรับ tools config ใหม่ควรใช้ tools

การแทรกบริบท (Context Injection)

เมื่อ context_from_memory = true และมีการ index เอกสารไว้แล้ว ทุกคำถามจะค้นหา memory หา chunk ที่เกี่ยวข้องโดยอัตโนมัติ แล้วนำมาต่อไว้เป็นบริบทของระบบ วิธีนี้ทำให้โมเดลเข้าถึงฐานความรู้ที่ index ไว้ของคุณได้โดยไม่ต้องทำอะไรเพิ่ม ปิดได้ด้วย --no-context บน CLI หรือ context=False ใน SDK

`[learning]` — นโยบายการเรียนรู้¶

ควบคุมว่าระบบการเรียนรู้เปิดใช้งานอยู่หรือไม่ และตั้งค่านโยบายของแต่ละ primitive ผ่านหมวดย่อยแบบซ้อน

[learning]
enabled = false
update_interval = 100
# auto_update = false

[learning.routing]
policy = "heuristic"
# min_samples = 5

# [learning.intelligence]
# policy = "none"

# [learning.agent]
# policy = "none"

# [learning.metrics]
# accuracy_weight = 0.6
# latency_weight = 0.2
# cost_weight = 0.1
# efficiency_weight = 0.1

[learning] ระดับบนสุด:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`false`	ระบบการเรียนรู้เปิดใช้งานอยู่หรือไม่
`update_interval`	int	`100`	จำนวน trace ระหว่างการอัปเดตนโยบายอัตโนมัติแต่ละครั้ง
`auto_update`	bool	`false`	จะสั่งอัปเดตนโยบายอัตโนมัติเมื่อถึง interval หรือไม่

[learning.routing] — นโยบาย Router:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`policy`	string	`"heuristic"`	นโยบาย router สำหรับเลือกโมเดล มีให้เลือก: `heuristic`, `learned` (ขับเคลื่อนด้วย trace), `sft` (supervised fine-tuning), `grpo` (RL stub)
`min_samples`	int	`5`	จำนวน trace ขั้นต่ำที่ต้องมีก่อนจะเชื่อการตัดสินใจ routing ที่เรียนรู้มา

[learning.intelligence] — นโยบายการเรียนรู้ของ Intelligence:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`policy`	string	`"none"`	นโยบายการเรียนรู้ของ Intelligence มีให้เลือก: `none`, `sft` ใช้ `sft` เพื่อเรียนรู้การ routing โมเดลจาก trace ที่สะสมไว้

[learning.agent] — นโยบายการเรียนรู้ของเอเจนต์:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`policy`	string	`"none"`	นโยบายการเรียนรู้ของเอเจนต์ มีให้เลือก: `none`, `agent_advisor`, `icl_updater`
`max_icl_examples`	int	`20`	จำนวนตัวอย่าง in-context สูงสุดที่เก็บไว้ใน library ตัวอย่าง ICL
`advisor_confidence_threshold`	float	`0.7`	คะแนนความมั่นใจขั้นต่ำที่ advisor จะแนะนำให้เปลี่ยนกลยุทธ์

[learning.metrics] — น้ำหนักของ Reward / Metric การปรับให้เหมาะสม:

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`accuracy_weight`	float	`0.6`	น้ำหนักของความแม่นยำของผลลัพธ์ใน composite reward score
`latency_weight`	float	`0.2`	น้ำหนักของ latency การอนุมานใน composite reward score
`cost_weight`	float	`0.1`	น้ำหนักของต้นทุนต่อการเรียกใน composite reward score
`efficiency_weight`	float	`0.1`	น้ำหนักของประสิทธิภาพ token ใน composite reward score

นโยบาย Router:

นโยบาย	คำอธิบาย
`heuristic`	การเลือกแบบใช้กฎ (rule-based) โดยใช้กฎความสำคัญ 6 ข้อ พิจารณาความพร้อมใช้งานของโมเดล, จำนวนพารามิเตอร์, ความยาวบริบท และลักษณะของคำถาม ค่าเริ่มต้น
`learned`	นโยบายที่ขับเคลื่อนด้วย trace เรียนรู้จากผลลัพธ์การโต้ตอบในอดีตที่เก็บไว้ในระบบ trace
`sft`	นโยบาย supervised fine-tuning ที่เรียนรู้การ routing จากข้อมูล trace ที่มี label
`grpo`	Group Relative Policy Optimization stub สำหรับ RL-based routing ในอนาคต

นโยบายเอเจนต์:

นโยบาย	คำอธิบาย
`agent_advisor`	แนะนำกลยุทธ์เอเจนต์ (ชุด tool, จำนวนรอบสูงสุด) จากรูปแบบใน trace
`icl_updater`	ตัวอัปเดต in-context learning — ค้นหาตัวอย่าง ICL และลำดับ skill แบบหลาย tool ที่นำกลับมาใช้ได้จาก trace

คุณสามารถ override นโยบาย router ต่อคำถามผ่าน CLI ได้ด้วย:

jarvis ask --router heuristic "Hello"

ความเข้ากันได้ย้อนหลัง

ชื่อฟิลด์แบบเรียบเดิม default_policy, intelligence_policy, agent_policy และสตริง reward_weights แบบคั่นด้วยคอมมา ยังคงใช้งานได้ในฐานะ property ที่เข้ากันได้ย้อนหลัง config ใหม่ควรใช้รูปแบบหมวดย่อยแบบซ้อน ฟิลด์ tools_policy ถูกลบออกแล้ว ใช้ learning.agent.policy = "icl_updater" แทน

`[tools.storage]` — Storage Backend¶

ควบคุม storage backend ที่ใช้สำหรับ memory ของเอกสารและการแทรกบริบท ฟิลด์ context_injection ย้ายไปที่ agent.context_from_memory แล้ว

[tools.storage]
default_backend = "sqlite"
db_path = "~/.openjarvis/memory.db"
context_top_k = 5
context_min_score = 0.1
context_max_tokens = 2048
chunk_size = 512
chunk_overlap = 64

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`default_backend`	string	`"sqlite"`	Storage backend มีให้เลือก: `sqlite` (FTS5), `faiss`, `colbert`, `bm25`, `hybrid`
`db_path`	string	`~/.openjarvis/memory.db`	Path ไปยังฐานข้อมูล memory แบบ SQLite ใช้โดย backend `sqlite`
`context_top_k`	int	`5`	จำนวนผลลัพธ์จาก memory อันดับต้นๆ ที่จะแทรกเป็นบริบท
`context_min_score`	float	`0.1`	คะแนนความเกี่ยวข้องขั้นต่ำที่ผลลัพธ์จาก memory ต้องมีจึงจะถูกรวมในบริบท
`context_max_tokens`	int	`2048`	จำนวน token สูงสุดที่ใช้สำหรับบริบทที่แทรกเข้าไป
`chunk_size`	int	`512`	ขนาดของ chunk เอกสาร (หน่วยเป็น token) ตอน index เอกสาร
`chunk_overlap`	int	`64`	ส่วนที่ทับซ้อนระหว่าง chunk ที่อยู่ติดกัน (หน่วยเป็น token) ตอน index

Memory Backend:

Backend	Extra ที่ต้องมี	คำอธิบาย
`sqlite`	ไม่มี	SQLite พร้อม full-text search แบบ FTS5 ไม่มี dependency เพิ่มเติม ค่าเริ่มต้น
`faiss`	`memory-faiss`	Facebook AI Similarity Search พร้อม sentence-transformer embedding
`colbert`	`memory-colbert`	ColBERTv2 late-interaction retrieval ต้องมี PyTorch
`bm25`	`memory-bm25`	BM25 sparse retrieval ผ่าน `rank-bm25`
`hybrid`	ขึ้นอยู่กับ sub-backend	Reciprocal Rank Fusion รวมหลาย backend เข้าด้วยกัน

ความเข้ากันได้ย้อนหลัง

หมวด TOML [memory] ยังคงรองรับอยู่ และ map ไปยัง [tools.storage] config ใหม่ควรใช้ [tools.storage] ฟิลด์ context_injection ใต้ [memory] หรือ [tools.storage] จะถูกย้ายไปยัง agent.context_from_memory โดยอัตโนมัติตอนโหลด

`[tools.mcp]` — MCP (Model Context Protocol)¶

ควบคุมเซิร์ฟเวอร์ MCP และการเชื่อมต่อกับ external MCP tool provider MCP adapter รองรับ protocol เวอร์ชัน 2025-11-25

[tools.mcp]
enabled = true
# servers = ""  # JSON list of external MCP server configs

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`true`	เปิดใช้งาน MCP adapter สำหรับ expose และใช้งาน tool ผ่าน MCP หรือไม่
`servers`	string	`""`	รายการ configuration ของ external MCP server แบบ JSON

`[server]` — เซิร์ฟเวอร์ API¶

ควบคุมเซิร์ฟเวอร์ API ที่เข้ากันได้กับ OpenAI ซึ่งเริ่มโดย jarvis serve

[server]
host = "0.0.0.0"
port = 8000
agent = "orchestrator"
model = ""
workers = 1

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`host`	string	`"0.0.0.0"`	Bind address ของเซิร์ฟเวอร์ ใช้ `"127.0.0.1"` เพื่อจำกัดแค่ localhost
`port`	int	`8000`	หมายเลข port ของเซิร์ฟเวอร์
`agent`	string	`"orchestrator"`	เอเจนต์ที่ใช้สำหรับคำขอ chat completion
`model`	string	`""`	โมเดลเริ่มต้นของเซิร์ฟเวอร์ เมื่อว่าง จะใช้ `intelligence.default_model` หรือโมเดลแรกที่มี
`workers`	int	`1`	จำนวน worker process ของ uvicorn

ตัวเลือกจาก CLI จะ override ค่าใน config:

jarvis serve --host 127.0.0.1 --port 9000 --model qwen3:8b --agent simple

`[telemetry]` — การเก็บ Telemetry¶

ควบคุมว่าจะบันทึกเทเลเมทรีของการอนุมานหรือไม่ และเก็บไว้ที่ไหน

[telemetry]
enabled = true
db_path = "~/.openjarvis/telemetry.db"

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`true`	บันทึกเทเลเมทรีสำหรับการเรียก inference แต่ละครั้งหรือไม่ บันทึกเวลา, จำนวน token, โมเดล, engine และต้นทุน
`db_path`	string	`~/.openjarvis/telemetry.db`	Path ไปยังฐานข้อมูลเทเลเมทรีแบบ SQLite

Telemetry เก็บในเครื่องเท่านั้น

ข้อมูลเทเลเมทรีทั้งหมดถูกเก็บไว้ในเครื่องบนฐานข้อมูล SQLite ไม่มีการส่งข้อมูลใดๆ ไปยังบริการภายนอกเลย

`[traces]` — การบันทึก Trace¶

ควบคุมระบบ trace ที่บันทึกลำดับการโต้ตอบแบบเต็มสำหรับระบบการเรียนรู้

[traces]
enabled = false
db_path = "~/.openjarvis/traces.db"

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`false`	บันทึก trace สำหรับการโต้ตอบของเอเจนต์แต่ละครั้งหรือไม่
`db_path`	string	`~/.openjarvis/traces.db`	Path ไปยังฐานข้อมูล trace แบบ SQLite

`[skills]` — ระบบ Skills¶

ควบคุมระบบ skills — ชุดการประกอบ tool และคำสั่งเอเจนต์ที่นำกลับมาใช้ซ้ำได้ Skills สอนให้เอเจนต์ใช้ tool ได้ดีขึ้นและปรับปรุงการให้เหตุผล ดู คู่มือผู้ใช้ Skills สำหรับเอกสารฉบับเต็ม

[skills]
enabled = true
skills_dir = "~/.openjarvis/skills/"
active = "*"
auto_discover = true
auto_sync = false
max_depth = 5
sandbox_dangerous = true

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`true`	เปิดใช้งานระบบ skills หรือไม่ เมื่อปิด จะไม่มี skill ใดถูกโหลดหรือ expose ให้เอเจนต์เลย
`skills_dir`	string	`~/.openjarvis/skills/`	ไดเรกทอรีที่ติดตั้ง skill
`active`	string	`"*"`	รายชื่อ skill ที่จะเปิดใช้งาน คั่นด้วยคอมมา หรือ `"*"` สำหรับ skill ที่ค้นพบทั้งหมด
`auto_discover`	bool	`true`	สแกน `skills_dir` หา skill ตอนเริ่มระบบหรือไม่
`auto_sync`	bool	`false`	ดึงข้อมูลจากแหล่งที่ตั้งค่าไว้ตอนเริ่ม session หรือไม่ (ตรวจความใหม่ทุก 24 ชม.)
`max_depth`	int	`5`	ความลึกสูงสุดของการซ้อน sub-skill สำหรับ skill ที่ประกอบขึ้น
`sandbox_dangerous`	bool	`true`	เตือนเกี่ยวกับ skill ที่มีความสามารถอันตราย (`shell:execute`, `network:listen`, `filesystem:write`) หรือไม่

`[[skills.sources]]` — แหล่งนำเข้า Skill¶

ตั้งค่าแหล่ง skill หนึ่งแหล่งหรือมากกว่าสำหรับการนำเข้าอัตโนมัติ แต่ละรายการ [[skills.sources]] กำหนดแหล่งที่จะดึงข้อมูลมา

[[skills.sources]]
source = "hermes"
filter = { category = ["research", "coding", "productivity"] }
auto_update = true

[[skills.sources]]
source = "openclaw"
filter = { search = "web3|crypto" }

[[skills.sources]]
source = "github"
url = "https://github.com/myorg/internal-skills"
auto_update = true

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`source`	string	`""`	ประเภทแหล่งข้อมูล: `"hermes"`, `"openclaw"` หรือ `"github"`
`url`	string	`""`	URL ของ repository จำเป็นเมื่อ `source = "github"`
`filter`	table	`{}`	เงื่อนไขการกรอง คีย์ที่รองรับ: `category` (list ของ string), `search` (สตริง regex)
`auto_update`	bool	`false`	ดึง commit ล่าสุดตอน sync แหล่งนี้หรือไม่

`[learning.skills]` — Learning Loop ของ Skills¶

ควบคุมการปรับปรุงคำอธิบาย skill และตัวอย่าง few-shot จากข้อมูล trace โดยอัตโนมัติ ต้องมี [traces] enabled = true เพื่อเก็บ trace ที่ optimizer จะนำไปวิเคราะห์

[learning.skills]
auto_optimize = false
optimizer = "dspy"
min_traces_per_skill = 20
optimization_interval_seconds = 86400
overlay_dir = "~/.openjarvis/learning/skills/"

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`auto_optimize`	bool	`false`	รันการปรับปรุง skill อัตโนมัติหลังจากแต่ละรอบการเรียนรู้หรือไม่
`optimizer`	string	`"dspy"`	นโยบายการปรับปรุง: `"dspy"` (bootstrap few-shot) หรือ `"gepa"` (evolutionary)
`min_traces_per_skill`	int	`20`	จำนวน trace ขั้นต่ำที่ skill ต้องมีจึงจะมีสิทธิ์ถูกปรับปรุง
`optimization_interval_seconds`	int	`86400`	รันการปรับปรุงได้อย่างมากหนึ่งครั้งต่อช่วงเวลานี้ (ค่าเริ่มต้น: วันละครั้ง)
`overlay_dir`	string	`~/.openjarvis/learning/skills/`	ตำแหน่งที่เก็บ skill overlay ที่ปรับปรุงแล้ว

`[channel]` — Channel Messaging¶

ควบคุม channel messaging bridge สำหรับการสื่อสารข้ามหลายแพลตฟอร์ม แต่ละแพลตฟอร์มที่รองรับมีหมวดย่อยแบบซ้อนของตัวเอง

[channel]
enabled = false
default_channel = ""
default_agent = "simple"

# [channel.telegram]
# bot_token = ""

# [channel.discord]
# bot_token = ""

# [channel.slack]
# bot_token = ""
# app_token = ""

# [channel.webhook]
# url = ""
# secret = ""
# method = "POST"

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`false`	เปิดใช้งาน channel messaging หรือไม่
`default_channel`	string	`""`	Channel เริ่มต้นเมื่อไม่ได้ระบุ
`default_agent`	string	`"simple"`	เอเจนต์เริ่มต้นสำหรับจัดการข้อความจาก channel

`[security]` — Security Guardrails¶

ควบคุม pipeline การสแกนความปลอดภัยสำหรับเนื้อหา input/output

[security]
enabled = true
mode = "warn"
scan_input = true
scan_output = true
secret_scanner = true
pii_scanner = true
enforce_tool_confirmation = true

ฟิลด์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`true`	เปิดใช้งาน security guardrails หรือไม่
`mode`	string	`"warn"`	การกระทำเมื่อพบสิ่งผิดปกติ: `"warn"` (บันทึก log อย่างเดียว), `"redact"` (แทนที่เนื้อหาที่ sensitive), หรือ `"block"` (สร้าง error)
`scan_input`	bool	`true`	สแกนข้อความ input ของผู้ใช้หรือไม่
`scan_output`	bool	`true`	สแกนผลลัพธ์ของโมเดลหรือไม่
`secret_scanner`	bool	`true`	เปิดใช้งานการตรวจจับ secret (API key, token, password)
`pii_scanner`	bool	`true`	เปิดใช้งานการตรวจจับ PII (อีเมล, เลขประกันสังคม, บัตรเครดิต)
`enforce_tool_confirmation`	bool	`true`	ยอมรับค่านี้ได้แต่ ยังไม่บังคับใช้จริงในตอนนี้ คุณจะได้รับ prompt หรือไม่ขึ้นอยู่กับ entry point ดู System Access

เลือกโหมด Security

ใช้ "warn" ระหว่างพัฒนาเพื่อดูว่าอะไรจะถูกตั้งค่าสถานะโดยไม่รบกวนผลลัพธ์ ใช้ "redact" ในโปรดักชันเพื่อทำความสะอาดเนื้อหา sensitive โดยอัตโนมัติ ใช้ "block" สำหรับสภาพแวดล้อมที่เข้มงวด ซึ่งข้อมูล sensitive ใดๆ ควรหยุดการ generate ทันที

การตรวจจับฮาร์ดแวร์อัตโนมัติ¶

เมื่อคุณรัน jarvis init OpenJarvis จะตรวจสอบระบบของคุณเพื่อตรวจจับฮาร์ดแวร์ที่มีอยู่ การตรวจจับทำงานตามลำดับนี้:

การตรวจจับ GPU¶

GPU NVIDIA — ตรวจสอบ nvidia-smi บน $PATH หากพบ จะ query ชื่อ GPU, VRAM (หน่วย MB) และจำนวน GPU ผ่าน:
```
nvidia-smi --query-gpu=name,memory.total,count --format=csv,noheader,nounits
```
GPU AMD — ตรวจสอบ rocm-smi บน $PATH หากพบ จะ query ชื่อผลิตภัณฑ์ผ่าน:
```
rocm-smi --showproductname
```
Apple Silicon — เฉพาะบน macOS เท่านั้น รัน system_profiler SPDisplaysDataType และมองหาคำว่า "Apple" ในบรรทัดรุ่นชิปเซ็ต

หากไม่พบ GPU จากทั้งสามวิธีนี้ ระบบจะถูกจัดว่าเป็น CPU-only

การตรวจจับ CPU และ RAM¶

ยี่ห้อ CPU: อ่านจาก sysctl -n machdep.cpu.brand_string บน macOS หรือ parse model name จาก /proc/cpuinfo บน Linux
จำนวน CPU: ใช้ os.cpu_count() ของ Python
RAM: อ่านจาก sysctl -n hw.memsize บน macOS หรือ parse MemTotal จาก /proc/meminfo บน Linux

Dataclass ของฮาร์ดแวร์ที่ตรวจจับได้¶

ผลการตรวจจับถูกเก็บไว้ในรูปแบบ dataclass HardwareInfo:

@dataclass
class HardwareInfo:
    platform: str      # "linux", "darwin", "windows"
    cpu_brand: str     # e.g., "AMD EPYC 7763"
    cpu_count: int     # e.g., 128
    ram_gb: float      # e.g., 512.0
    gpu: GpuInfo | None

@dataclass
class GpuInfo:
    vendor: str             # "nvidia", "amd", "apple"
    name: str               # e.g., "NVIDIA A100-SXM4-80GB"
    vram_gb: float          # e.g., 80.0
    compute_capability: str # (NVIDIA only)
    count: int              # e.g., 8

ตรรกะการแนะนำ Engine¶

จากฮาร์ดแวร์ที่ตรวจจับได้ recommend_engine() จะเลือก engine เริ่มต้นที่เหมาะสมที่สุด:

graph TD
    A[detect_hardware] --> B{GPU detected?}
    B -->|No| C[llamacpp]
    B -->|Yes| D{GPU vendor?}
    D -->|Apple| E[ollama]
    D -->|NVIDIA| F{Datacenter GPU?}
    D -->|AMD| G[vllm]
    F -->|Yes: A100, H100, H200, L40, A10, A30| H[vllm]
    F -->|No: consumer GPU| I[ollama]

ฮาร์ดแวร์	Engine ที่แนะนำ	เหตุผล
ไม่มี GPU	`llamacpp`	การอนุมานบน CPU อย่างมีประสิทธิภาพด้วยโมเดล GGUF แบบ quantized
Apple Silicon	`ollama`	เร่งความเร็วด้วย Metal แบบเนทีฟ จัดการโมเดลได้ง่าย
GPU NVIDIA ระดับผู้ใช้ทั่วไป (RTX 3090, 4090 ฯลฯ)	`ollama`	ตั้งค่าง่าย ประสิทธิภาพดีสำหรับผู้ใช้คนเดียว
GPU NVIDIA ระดับ datacenter (A100, H100, H200, L40, A10, A30)	`vllm`	ให้บริการแบบ batch throughput สูง, continuous batching
GPU AMD	`vllm`	รองรับ ROCm ผ่าน vLLM

ตัวอย่าง Configuration¶

Mac ที่ใช้ Apple Silicon¶

# ~/.openjarvis/config.toml
# Apple Silicon MacBook Pro (M3 Max, 128 GB unified memory)

[engine]
default = "ollama"

[engine.ollama]
host = "http://localhost:11434"

[intelligence]
default_model = "qwen3:8b"
fallback_model = "llama3.2:3b"
temperature = 0.7
max_tokens = 1024

[agent]
default_agent = "simple"
max_turns = 10
context_from_memory = true

[tools.storage]
default_backend = "sqlite"

[server]
host = "127.0.0.1"
port = 8000
agent = "orchestrator"

[learning]
enabled = false

[learning.routing]
policy = "heuristic"

[telemetry]
enabled = true

GPU ระดับ Datacenter ของ NVIDIA (หลาย GPU)¶

# ~/.openjarvis/config.toml
# 8x NVIDIA A100 80GB server

[engine]
default = "vllm"

[engine.vllm]
host = "http://localhost:8000"

[engine.ollama]
host = "http://localhost:11434"

[intelligence]
default_model = "Qwen/Qwen2.5-72B-Instruct"
fallback_model = "Qwen/Qwen2.5-7B-Instruct"
temperature = 0.5
max_tokens = 4096

[agent]
default_agent = "orchestrator"
max_turns = 15
tools = "calculator,think,retrieval"
context_from_memory = true

[tools.storage]
default_backend = "faiss"
context_top_k = 10
context_min_score = 0.05
context_max_tokens = 4096
chunk_size = 1024
chunk_overlap = 128

[server]
host = "0.0.0.0"
port = 8000
agent = "orchestrator"
model = "Qwen/Qwen2.5-72B-Instruct"
workers = 1

[learning]
enabled = false

[learning.routing]
policy = "heuristic"

[telemetry]
enabled = true

ใช้ CPU เท่านั้น (ไม่มี GPU)¶

# ~/.openjarvis/config.toml
# CPU-only machine

[engine]
default = "llamacpp"

[engine.llamacpp]
host = "http://localhost:8080"

[intelligence]
default_model = ""
fallback_model = ""
temperature = 0.7
max_tokens = 512

[agent]
default_agent = "simple"
max_turns = 5
context_from_memory = true

[tools.storage]
default_backend = "sqlite"
context_top_k = 3
context_max_tokens = 1024
chunk_size = 256
chunk_overlap = 32

[server]
host = "127.0.0.1"
port = 8000

[learning]
enabled = false

[learning.routing]
policy = "heuristic"

[telemetry]
enabled = true

เปิดใช้งาน Trace-Driven Learning¶

# ~/.openjarvis/config.toml
# Research setup with trace-driven learning active

[engine]
default = "ollama"

[engine.ollama]
host = "http://localhost:11434"

[intelligence]
default_model = "qwen3:8b"
temperature = 0.7
max_tokens = 1024

[agent]
default_agent = "orchestrator"
max_turns = 10
context_from_memory = true

[tools.storage]
default_backend = "sqlite"

[learning]
enabled = true
update_interval = 50
auto_update = true

[learning.routing]
policy = "learned"
min_samples = 10

[learning.intelligence]
policy = "sft"

[learning.agent]
policy = "agent_advisor"
advisor_confidence_threshold = 0.8

[learning.metrics]
accuracy_weight = 0.6
latency_weight = 0.2
cost_weight = 0.1
efficiency_weight = 0.1

[traces]
enabled = true

[telemetry]
enabled = true

คู่มือการย้ายเวอร์ชัน (Migration Guide)¶

หากคุณมี ~/.openjarvis/config.toml เดิมจากเวอร์ชันก่อนหน้า นี่คือสิ่งที่เปลี่ยนไปและวิธีอัปเดต

Engine: หมวดย่อยแบบซ้อน¶

รูปแบบเดิมรูปแบบใหม่

[engine]
default = "ollama"
ollama_host = "http://localhost:11434"
vllm_host = "http://localhost:8000"
llamacpp_path = "/usr/local/bin/llama-server"

[engine]
default = "ollama"

[engine.ollama]
host = "http://localhost:11434"

[engine.vllm]
host = "http://localhost:8000"

[engine.llamacpp]
binary_path = "/usr/local/bin/llama-server"

Note

ชื่อฟิลด์แบบเรียบเดิมยังคงใช้งานได้ในฐานะ property ที่เข้ากันได้ย้อนหลัง คุณจำเป็นต้องอัปเดต config เฉพาะเมื่อต้องการใช้ฟิลด์ใหม่ (เช่น binary_path)

Intelligence: พารามิเตอร์การ Generate¶

รูปแบบเดิมรูปแบบใหม่

[agent]
temperature = 0.7
max_tokens = 1024

[intelligence]
temperature = 0.7
max_tokens = 1024

Note

config เก่าที่มี temperature หรือ max_tokens อยู่ใต้ [agent] จะถูกย้ายไปยัง [intelligence] โดยอัตโนมัติตอนโหลด ไม่จำเป็นต้องอัปเดตด้วยตนเอง แต่แนะนำให้อัปเดตเพื่อความชัดเจน

Agent: ฟิลด์ที่เปลี่ยนชื่อและเพิ่มใหม่¶

รูปแบบเดิมรูปแบบใหม่

[agent]
default_tools = "calculator,think"

[agent]
tools = "calculator,think"

ชื่อ default_tools เดิมยังคงใช้งานได้ผ่าน property ที่เข้ากันได้ย้อนหลัง

Memory: การแทรกบริบทย้ายที่แล้ว¶

รูปแบบเดิมรูปแบบใหม่

[memory]
context_injection = true
default_backend = "sqlite"

[agent]
context_from_memory = true

[tools.storage]
default_backend = "sqlite"

Note

context_injection ใต้ [memory] หรือ [tools.storage] จะถูกย้ายไปยัง agent.context_from_memory โดยอัตโนมัติตอนโหลด

Learning: หมวดย่อยแบบซ้อน¶

รูปแบบเดิมรูปแบบใหม่

[learning]
default_policy = "heuristic"
intelligence_policy = "sft"
agent_policy = "agent_advisor"
tools_policy = "icl_updater"
reward_weights = "accuracy=0.6,latency=0.2,cost=0.1,efficiency=0.1"
update_interval = 100

[learning]
enabled = true
update_interval = 100

[learning.routing]
policy = "heuristic"

[learning.intelligence]
policy = "sft"

[learning.agent]
policy = "agent_advisor"

[learning.metrics]
accuracy_weight = 0.6
latency_weight = 0.2
cost_weight = 0.1
efficiency_weight = 0.1

Note

ชื่อฟิลด์แบบเรียบเดิม default_policy, intelligence_policy, agent_policy และ reward_weights ยังคงใช้งานได้ในฐานะ property ที่เข้ากันได้ย้อนหลัง ฟิลด์ tools_policy ถูกลบออกแล้ว ใช้ learning.agent.policy = "icl_updater" แทน

Configuration แบบเชิงโปรแกรม¶

คุณสามารถตั้งค่า OpenJarvis ทั้งหมดจาก Python ได้โดยไม่ต้องใช้ไฟล์ TOML:

from openjarvis import Jarvis
from openjarvis.core.config import (
    AgentConfig,
    EngineConfig,
    IntelligenceConfig,
    JarvisConfig,
    LearningConfig,
    OllamaEngineConfig,
    StorageConfig,
    ToolsConfig,
)

config = JarvisConfig(
    engine=EngineConfig(
        default="ollama",
        ollama=OllamaEngineConfig(host="http://my-server:11434"),
    ),
    intelligence=IntelligenceConfig(
        default_model="qwen3:8b",
        temperature=0.7,
        max_tokens=2048,
    ),
    agent=AgentConfig(
        default_agent="orchestrator",
        max_turns=15,
        context_from_memory=True,
    ),
    tools=ToolsConfig(
        storage=StorageConfig(
            default_backend="sqlite",
            context_top_k=10,
        ),
    ),
)

j = Jarvis(config=config)
response = j.ask("Hello")
j.close()

หรือโหลดจาก path ที่กำหนดเอง:

j = Jarvis(config_path="/path/to/my-config.toml")

Environment Variables¶

OpenJarvis จะอ่าน environment variable ต่อไปนี้:

ตัวแปร	คำอธิบาย
`OPENAI_API_KEY`	API key สำหรับการอนุมานผ่าน cloud ของ OpenAI จำเป็นสำหรับ engine `cloud` กับโมเดล OpenAI
`ANTHROPIC_API_KEY`	API key สำหรับการอนุมานผ่าน cloud ของ Anthropic จำเป็นสำหรับ engine `cloud` กับโมเดล Claude
`GOOGLE_API_KEY`	API key สำหรับการอนุมานของ Google Gemini จำเป็นสำหรับ engine `google`
`MINIMAX_API_KEY`	API key สำหรับการอนุมานผ่าน cloud ของ MiniMax จำเป็นสำหรับ engine `cloud` กับโมเดล MiniMax (MiniMax-M2.7, MiniMax-M2.7-highspeed, MiniMax-M2.5, MiniMax-M2.5-highspeed)
`TAVILY_API_KEY`	API key สำหรับ tool ค้นหาเว็บของ Tavily จำเป็นสำหรับ tool `web_search`

ขั้นตอนถัดไป¶

Quick Start — รันคำถามแรกของคุณ
CLI Reference — เอกสารอ้างอิงฉบับเต็มสำหรับคำสั่ง CLI ทั้งหมด
Architecture Overview — ทำความเข้าใจว่าแต่ละส่วนประกอบกันอย่างไร
Intelligence Primitive — ตัวตนของโมเดลและค่าเริ่มต้นการ generate
Learning & Traces — นโยบาย router และ feedback loop ที่ขับเคลื่อนด้วย trace

Learning & Spec Search¶

LLM-guided spec search ใช้โมเดล frontier เพื่อปรับปรุงการตั้งค่าเอเจนต์ในเครื่องของคุณโดยอัตโนมัติ ดู คู่มือผู้ใช้ สำหรับคำอธิบายแบบครบถ้วน

`[learning.spec_search]`¶

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	bool	`true`	เปิด/ปิดระบบย่อย spec-search ทั้งหมด
`autonomy_mode`	string	`"tiered"`	`auto`, `tiered` หรือ `manual`
`teacher_model`	string	`"claude-opus-4-6"`	โมเดล frontier สำหรับการวินิจฉัยและวางแผน
`max_cost_per_session_usd`	float	`5.0`	งบประมาณ teacher API ต่อ session
`max_tool_calls_per_diagnosis`	int	`30`	จำนวนการเรียก tool ของ teacher สูงสุดในขั้นตอนวินิจฉัย

`[learning.spec_search.triggers]`¶

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`scheduled_enabled`	bool	`true`	เปิดใช้งาน session ตามตารางเวลารายวัน
`scheduled_cron`	string	`"0 3 * * *"`	นิพจน์ cron สำหรับ trigger ตามตารางเวลา
`scheduled_min_new_traces`	int	`20`	จำนวน trace ใหม่ขั้นต่ำที่จะ trigger
`cluster_enabled`	bool	`true`	เปิดใช้งาน trigger จากกลุ่มความล้มเหลว (failure cluster)
`cluster_check_interval_minutes`	int	`60`	ความถี่ในการตรวจสอบหากลุ่ม
`cluster_min_size`	int	`5`	จำนวน trace ขั้นต่ำในหนึ่งกลุ่ม
`cluster_failure_threshold`	float	`0.3`	Feedback ที่ <= ค่านี้ นับเป็นความล้มเหลว

`[learning.spec_search.gate]`¶

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`min_improvement`	float	`0.0`	คะแนนที่ดีขึ้นขั้นต่ำโดยรวมที่จะยอมรับ
`max_regression`	float	`0.05`	คะแนนที่แย่ลงสูงสุดต่อกลุ่ม ก่อนจะถูกปฏิเสธ
`benchmark_subsample_size`	int	`50`	จำนวนงานต่อการรัน gate หนึ่งครั้ง
`full_benchmark`	bool	`false`	ปิดการ subsampling (ช้ากว่า แต่แม่นยำกว่า)

`[learning.spec_search.benchmark]`¶

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`synthesis_feedback_threshold`	float	`0.7`	Feedback ขั้นต่ำสำหรับ trace ที่จะใช้ทำ benchmark
`max_benchmark_size`	int	`200`	จำนวนงานสูงสุดใน benchmark
`auto_refresh`	bool	`true`	ขุดหา trace ที่มี feedback สูงใหม่ๆ โดยอัตโนมัติ
`max_synthesis_cost_usd_per_refresh`	float	`2.0`	เพดานต้นทุนต่อการ refresh benchmark หนึ่งครั้ง

`[learning.spec_search.tier_overrides]`¶

Override ระดับความเสี่ยงเริ่มต้นสำหรับ operation ใดๆ คีย์คือชื่อ operation ค่าคือสตริงระดับ (auto, review, manual)

[learning.spec_search.tier_overrides]
# patch_system_prompt = "auto"     # promote to auto after trust
# replace_system_prompt = "auto"

Configuration¶

ตำแหน่งไฟล์ Config¶

การย้ายไดเรกทอรีของ OpenJarvis¶

การสร้าง Configuration¶

การตั้งค่าครั้งแรก¶

การสร้าง Configuration ใหม่¶

หมวดหมู่ของ Configuration¶

[engine] — Inference Engine¶

[intelligence] — ตัวตนของโมเดลและค่าเริ่มต้นการ Generate¶

ลำดับความสำคัญในการเลือก Engine¶

[agent] — พฤติกรรมของเอเจนต์¶

[learning] — นโยบายการเรียนรู้¶

[tools.storage] — Storage Backend¶

[tools.mcp] — MCP (Model Context Protocol)¶

[server] — เซิร์ฟเวอร์ API¶

[telemetry] — การเก็บ Telemetry¶

[traces] — การบันทึก Trace¶

[skills] — ระบบ Skills¶

[[skills.sources]] — แหล่งนำเข้า Skill¶

[learning.skills] — Learning Loop ของ Skills¶

[channel] — Channel Messaging¶

[security] — Security Guardrails¶

การตรวจจับฮาร์ดแวร์อัตโนมัติ¶

การตรวจจับ GPU¶

การตรวจจับ CPU และ RAM¶

Dataclass ของฮาร์ดแวร์ที่ตรวจจับได้¶

ตรรกะการแนะนำ Engine¶

ตัวอย่าง Configuration¶

Mac ที่ใช้ Apple Silicon¶

GPU ระดับ Datacenter ของ NVIDIA (หลาย GPU)¶

ใช้ CPU เท่านั้น (ไม่มี GPU)¶

เปิดใช้งาน Trace-Driven Learning¶

คู่มือการย้ายเวอร์ชัน (Migration Guide)¶

Engine: หมวดย่อยแบบซ้อน¶

Intelligence: พารามิเตอร์การ Generate¶

Agent: ฟิลด์ที่เปลี่ยนชื่อและเพิ่มใหม่¶

Memory: การแทรกบริบทย้ายที่แล้ว¶

Learning: หมวดย่อยแบบซ้อน¶

Configuration แบบเชิงโปรแกรม¶

Environment Variables¶

ขั้นตอนถัดไป¶

Learning & Spec Search¶

[learning.spec_search]¶

[learning.spec_search.triggers]¶

[learning.spec_search.gate]¶

[learning.spec_search.benchmark]¶

[learning.spec_search.tier_overrides]¶

`[engine]` — Inference Engine¶

`[intelligence]` — ตัวตนของโมเดลและค่าเริ่มต้นการ Generate¶

`[agent]` — พฤติกรรมของเอเจนต์¶

`[learning]` — นโยบายการเรียนรู้¶

`[tools.storage]` — Storage Backend¶

`[tools.mcp]` — MCP (Model Context Protocol)¶

`[server]` — เซิร์ฟเวอร์ API¶

`[telemetry]` — การเก็บ Telemetry¶

`[traces]` — การบันทึก Trace¶

`[skills]` — ระบบ Skills¶

`[[skills.sources]]` — แหล่งนำเข้า Skill¶

`[learning.skills]` — Learning Loop ของ Skills¶

`[channel]` — Channel Messaging¶

`[security]` — Security Guardrails¶

`[learning.spec_search]`¶

`[learning.spec_search.triggers]`¶

`[learning.spec_search.gate]`¶

`[learning.spec_search.benchmark]`¶

`[learning.spec_search.tier_overrides]`¶