feat(llama_server): heartbeat embed — garde chaud le slot nomic :1238 (#28)

Le grounding RAG du STT ratait par intermittence (docs=0 → réponses génériques)
parce que l'instance d'embedding :1238 partait à froid après une pause : la 1ʳᵉ
requête mettait 5-8 s et dépassait le timeout 4 s du STT-server (recall + RAG doc).

llama-embed-heartbeat : service systemd local sur gpu-01 qui envoie un petit embed
à :1238 toutes les 20 s → le slot reste résident/chaud → la 1ʳᵉ vraie requête est
rapide → docs>0 fiable. Pendant du llm-heartbeat (slot chat :1234), pour le slot embed.

Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>

ansible/roles/llama_server/defaults/main.yml

@@ -26,6 +26,14 @@ llama_embed_ctx_size: 2048
 llama_embed_n_gpu_layers: 99
 llama_embed_pooling: "mean"
 
+# Heartbeat embed — garde CHAUD le slot d'embedding (:1238). Sans ça, la 1ʳᵉ requête
+# après une pause part à froid (slot GPU inactif) → latence qui dépassait le timeout 4 s
+# du STT-server → recall mémoire vide ET RAG doc raté (docs=0). Petit embed périodique
+# (modèle minuscule, ~10-50 ms GPU) → le slot reste résident. Cf. admin/ia/stt.md.
+llama_embed_heartbeat_enabled: true
+llama_embed_heartbeat_interval: 20  # s entre deux pings (< idle avant refroidissement)
+llama_embed_heartbeat_timeout: 15   # s max par ping
+
 # Watchdog — auto-réparation du llama-server figé (wedge ROCm gfx1031).
 # Sonde une VRAIE génération sur :1234 (pas seulement /health, qui ment quand le
 # slot d'inférence est bloqué — cf. admin/incidents-llm-gpu.md). Sur N échecs