feat(stt-server): grounding RAG — le cerveau répond depuis la doc Funk (#27)

Sans contexte, le modèle (qwen3-8b) hallucinait sur le homelab (« stockage
décentralisé », « worker nodes »…) car il ignore tout du cluster réel. Le
cerveau interroge désormais la collection funk-docs (la doc admin/ indexée) et
injecte les passages pertinents au prompt → il répond à partir de la vraie doc.

Coût ~nul : funk-docs et stt-memory partagent le même embedder nomic (:1238,
768 dim) → le vecteur de requête calculé pour le recall mémoire est réutilisé
pour la recherche doc (une embed, deux recherches). Dégrade en silence si
Qdrant/embed down (réponse sans doc plutôt qu'échec).

Module knowledge.py (STT_DOCS_RAG, TOPK=6, MIN_SCORE=0.45). Log /v1/ask
expose docs=<n>. Serveur 0.2.1 → 0.3.0.

Validé : « c'est quoi le nom des nœuds ? » → avant « worker/master nodes »
(inventé) ; après « Kubernetes ; nœuds storage-01, compute-01, compute-02 »
(tiré de la doc).

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

stt/server/stt_server/config.py

@@ -26,7 +26,10 @@ class Settings:
         "STT_SYSTEM_PROMPT",
         "Tu es Hermes, l'assistant vocal du homelab Funk. "
         "Réponds toujours en français, de façon concise (2-3 phrases maximum), "
-        "sans markdown ni listes.",
+        "sans markdown ni listes. "
+        "Pour toute question sur Funk (cluster, machines, services, configuration), appuie-toi "
+        "EXCLUSIVEMENT sur la documentation fournie ci-dessous ; si l'information ne s'y "
+        "trouve pas, dis-le franchement plutôt que d'inventer.",
     )
     max_tokens: int = int(os.getenv("STT_MAX_TOKENS", "200"))
     temperature: float = float(os.getenv("STT_TEMPERATURE", "0.7"))
@@ -51,5 +54,16 @@ class Settings:
     memory_recall_timeout: float = float(os.getenv("STT_MEMORY_RECALL_TIMEOUT", "4"))
     memory_store_timeout: float = float(os.getenv("STT_MEMORY_STORE_TIMEOUT", "20"))
 
+    # RAG documentaire : ancre les réponses dans la doc Funk (collection `funk-docs`,
+    # même embedder nomic :1238 que la mémoire → le vecteur de requête est réutilisé).
+    # Sans ça, le modèle répond de connaissances générales (hallucine sur le homelab).
+    docs_rag: bool = os.getenv("STT_DOCS_RAG", "true").lower() == "true"
+    docs_collection: str = os.getenv("STT_DOCS_COLLECTION", "funk-docs")
+    docs_top_k: int = int(os.getenv("STT_DOCS_TOPK", "6"))
+    # nomic étale les scores plus bas → seuil permissif (aligné sur rag-query).
+    docs_min_score: float = float(os.getenv("STT_DOCS_MIN_SCORE", "0.45"))
+    # Sur le chemin de réponse (1 recherche Qdrant, vecteur déjà calculé) → timeout serré.
+    docs_timeout: float = float(os.getenv("STT_DOCS_TIMEOUT", "4"))
+
 
 settings = Settings()