feat(llama_server): watchdog auto-réparation du wedge ROCm

Service systemd local sur gpu-01 qui sonde une vraie génération sur :1234
(pas juste /health, qui ment quand le slot d'inférence est figé). Sur N
échecs consécutifs → systemctl restart llama-server en local (root, sans
SSH/sudo distant). Gère le 503 "Loading model" post-restart sans le compter
comme échec.

Complète le llm-heartbeat (rôle litellm) : le heartbeat empêche la péremption
par inactivité de la connexion ; le watchdog répare le figeage du serveur lui-même.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

admin/incidents-llm-gpu.md

@@ -144,9 +144,27 @@ systemctl status llm-heartbeat ; journalctl -u llm-heartbeat -f             # v
 ⚠️ Le heartbeat appelle `hermes-default` en continu → si on bascule cet alias sur **Claude**
 (API facturée), mettre `llm_heartbeat_enabled: false`.
 
-### Reste à faire (durci, mais pas zéro-risque)
+### Fix racine #2 — watchdog gpu-01 (déployé)
 
-Le heartbeat empêche la *péremption par inactivité*. Si `llama-server` **se fige** carrément
-(wedge ROCm), le heartbeat le **détecte** (échecs loggués) mais ne le **répare pas** encore.
-Évolution possible : sur N échecs consécutifs du heartbeat → restart auto de `llama-server`
-**et** `litellm` (watchdog actif). Pour l'instant : détection + alerte manuelle.
+Le heartbeat empêche la *péremption par inactivité*, mais si `llama-server` **se fige**
+carrément (wedge ROCm), il le **détecte** sans le **réparer**. C'est désormais couvert par le
+`llama-watchdog` (rôle `llama_server`) : un service systemd **local sur gpu-01** qui sonde une
+**vraie génération** sur `:1234` toutes les `llama_watchdog_interval` s (défaut 20 s,
+`max_tokens:1`, `/no_think`). Sur `llama_watchdog_failures` échecs consécutifs (défaut 3) →
+`systemctl restart llama-server` **en local** (tourne en root, ni SSH ni sudo distant), puis
+cooldown jusqu'à ce que la génération remarche (gère le `503 "Loading model"` du rechargement
+VRAM sans le compter comme échec).
+
+```bash
+ansible-playbook -i inventory.yml playbooks/gpu-01.yml --tags llama_server   # déploie le watchdog
+systemctl status llama-watchdog ; journalctl -u llama-watchdog -f            # vérifier
+```
+
+Pourquoi sur gpu-01 (et pas piloté depuis storage-01 via le heartbeat) : le restart est
+**local** → pas de SSH/sudo inter-hôtes, répare même si LiteLLM ou le réseau cluster est en
+vrac, et sonde au plus près du serveur figé.
+
+**Défense en profondeur (3 couches)** :
+1. `llm-heartbeat` (storage-01, rôle `litellm`) — garde la connexion chaude (anti-péremption).
+2. `request_timeout: 20` + `num_retries: 2` (LiteLLM) + retry STT-server — bornent le blip.
+3. `llama-watchdog` (gpu-01, rôle `llama_server`) — répare le wedge ROCm à la source.