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/templates/llama-embed-heartbeat.service.j2

@@ -0,0 +1,15 @@
+[Unit]
+Description=llama-embed-heartbeat (garde chaud le slot d'embedding nomic :1238)
+After=llama-embed.service
+Wants=llama-embed.service
+
+[Service]
+Type=simple
+User=root
+ExecStart=/usr/local/bin/llama-embed-heartbeat
+Restart=always
+RestartSec=10
+SyslogIdentifier=llama-embed-heartbeat
+
+[Install]
+WantedBy=multi-user.target

ansible/roles/llama_server/templates/llama-embed-heartbeat.sh.j2

@@ -0,0 +1,31 @@
+#!/usr/bin/env bash
+# llama-embed-heartbeat — garde chaud le slot d'embedding nomic (:1238).
+#
+# Le piège (cf. admin/ia/stt.md) : l'instance d'embedding part à froid après une pause
+# (slot GPU inactif) → la 1ʳᵉ requête est lente (5-8 s) et dépasse le timeout du STT-server
+# (4 s) → recall mémoire vide ET RAG documentaire raté (`docs=0`) → réponses non ancrées.
+#
+# Un petit embed périodique (modèle minuscule, ~10-50 ms GPU) garde le slot résident → la
+# 1ʳᵉ vraie requête tombe sur un slot chaud. Pendant logique au `llm-heartbeat` (rôle litellm)
+# qui garde chaud le slot de CHAT. Logge les échecs → sert aussi de sonde de l'instance embed.
+set -u
+
+URL="http://127.0.0.1:{{ llama_embed_port }}/v1/embeddings"
+MODEL="{{ llama_embed_model_alias }}"
+INTERVAL="{{ llama_embed_heartbeat_interval }}"
+TIMEOUT="{{ llama_embed_heartbeat_timeout }}"
+
+payload="{\"model\":\"${MODEL}\",\"input\":\"ping\"}"
+
+fails=0
+while true; do
+  code=$(curl -s -m "$TIMEOUT" -o /dev/null -w '%{http_code}' \
+    "$URL" -H 'Content-Type: application/json' -d "$payload" 2>/dev/null || echo "000")
+  if [ "$code" = "200" ]; then
+    fails=0
+  else
+    fails=$((fails + 1))
+    echo "embed-heartbeat: KO (HTTP ${code}) — ${fails} échec(s) consécutif(s)"
+  fi
+  sleep "$INTERVAL"
+done