chore(gpu-01): retire les serveurs llama CPU system/monitor/dev (inutilisés) (#31)

Trois instances llama-server CPU manuelles (hors Ansible) tournaient sur gpu-01 sans servir : déjà orphelines de LiteLLM (alias absents de config.yaml, d'où le bruit "Invalid model name"). Suppression complète : gpu-01 (opérationnel, déjà fait) : - systemctl disable --now + rm des units llama-server-{system,monitor,dev} - ports firewall 1235/1236/1237 fermés Repo : - monitoring : scrape jobs (values.yaml) + alertes LlamaServer{System,Monitor}Down (alerts-ai.yaml) retirés → plus de "target down"/alertes fantômes ; panneaux de statut dashboard-infrastructure recyclés (system→llama-embed, monitor supprimé). - docs admin/ + hermes-skills (souls funk-ai/brain, SKILL agent-delegation) mises à jour : inventaire modèles, profils Hermès system/monitor sans backend (à repointer sur qwen3-8b), litellm, ops, monitoring. Les profils Hermès system/monitor existent toujours mais sans backend dédié. Dashboards Grafana dashboard-ai (panneaux graphiques CPU) laissés tels quels (cosmétique, séries vides, aucune alerte). Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
2026-07-08 22:14:43 +02:00 · 2026-06-20 13:25:50 +02:00 · 2026-06-20 13:25:50 +02:00 · 470c69881c
commit 470c69881c
parent ef15ba25e0
17 changed files with 90 additions and 147 deletions
--- a/admin/ia/alertmanager-webhook.md
+++ b/admin/ia/alertmanager-webhook.md
@ -23,15 +23,19 @@ ask-agent monitor "Alertes Prometheus reçues à HH:MM:SS : ..."
  │  POST http://127.0.0.1:4000/v1/chat/completions
  ▼
 LiteLLM Proxy (:4000)
-  │  modèle : qwen3-1.7b-monitor
+  │  modèle : qwen3-1.7b-monitor  ⚠️ backend retiré le 2026-06-20
  ▼
-llama-server-monitor (gpu-01:1237, CPU 14 threads)
+(ex-llama-server-monitor gpu-01:1237 — SUPPRIMÉ)
  │  Répond dans les logs du service
  ▼
 journalctl -u alertmanager-webhook
  "ask-agent response: SERVICE SAIN — aucune action requise"
 ```

+> ⚠️ **2026-06-20** : le serveur CPU `monitor` (:1237) a été supprimé. Le résumé d'alerte par
+> `ask-agent monitor` ne fonctionne donc plus tel quel — pour le réactiver, ajouter dans LiteLLM
+> un alias `qwen3-1.7b-monitor` (ou changer l'agent du webhook) pointant sur `qwen3-8b` (GPU).
+
 **Point clé** : le webhook répond HTTP 200 immédiatement, avant d'appeler `ask-agent`.
 `ask-agent` tourne en arrière-plan (~20-60s) — AlertManager ne reste pas bloqué en attente.

--- a/admin/ia/hermes-souls.md
+++ b/admin/ia/hermes-souls.md
@ -23,8 +23,8 @@ Déployés sur storage-01 :
 | Profil | Modèle | Vitesse | Coût | Rôle |
 |---|---|---|---|---|
 | `funk-ai` | Qwen3-8B GPU (:1234) | ~35 tok/s | gratuit | Agent principal — orchestration, réponses générales, délégation |
-| `monitor` | Qwen3-1.7B CPU (:1237) | ~21 tok/s | gratuit | Surveillance — logs, métriques, alertes Prometheus |
-| `system` | Qwen3-1.7B CPU (:1236) | ~21 tok/s | gratuit | Utilitaire — résumés, commandes, calculs, formatage |
+| `monitor` | ⚠️ backend retiré 2026-06-20 (ex-CPU :1237) | — | gratuit | Surveillance — logs, métriques, alertes Prometheus (repointer sur qwen3-8b) |
+| `system` | ⚠️ backend retiré 2026-06-20 (ex-CPU :1236) | — | gratuit | Utilitaire — résumés, commandes, calculs, formatage (repointer sur qwen3-8b) |
 | `brain` | Claude Sonnet 4.6 (API) | ~60 tok/s | **facturé** | Analyse avancée — architecture, incidents critiques, trade-offs |

 ---
@ -74,7 +74,7 @@ Concis, technique, actif. Montre les commandes avant les résultats. En françai

 ## monitor — Agent de surveillance

-**Modèle** : Qwen3-1.7B Q4_K_M — CPU 14 threads — port 1237
+**Modèle** : ⚠️ backend retiré le 2026-06-20 (ex-Qwen3-1.7B CPU port 1237) — repointer l'alias LiteLLM sur `qwen3-8b` pour réactiver

 ### Identité

@ -113,7 +113,7 @@ Pas de commandes shell. Pas d'architecture. Analyse uniquement le texte fourni.

 ## system — Agent utilitaire

-**Modèle** : Qwen3-1.7B Q4_K_M — CPU 14 threads — port 1236
+**Modèle** : ⚠️ backend retiré le 2026-06-20 (ex-Qwen3-1.7B CPU port 1236) — repointer l'alias LiteLLM sur `qwen3-8b` pour réactiver

 ### Identité

--- a/admin/ia/hermes.md
+++ b/admin/ia/hermes.md
@ -14,10 +14,9 @@ Les données persistantes sont dans `/srv/data/hermes` (NVMe bind-mount depuis 2
 ```
 Profils Hermes  →  LiteLLM Proxy (:4000)  →  llama-server / API Anthropic
                   ├── qwen3-8b            →  gpu-01:1234  (GPU RX 6700XT)
-                   ├── qwen3-1.7b-system   →  gpu-01:1236  (CPU 14 threads)
-                   ├── qwen3-1.7b-monitor  →  gpu-01:1237  (CPU 14 threads)
                   ├── claude-sonnet-4-6   →  api.anthropic.com
                   └── claude-opus-4-7     →  api.anthropic.com
+                   # qwen3-1.7b-system/-monitor (CPU :1236/:1237) RETIRÉS le 2026-06-20

 Depuis Hermes (TUI ou ask-agent) :
  funk-ai (principal)  ──┐
@ -34,11 +33,15 @@ Depuis Hermes (TUI ou ask-agent) :
 |---|---|---|---|
 | `funk-ai` ◆ | `funk-ai` | qwen3-8b (GPU, ~35 tok/s) | Principal — par défaut |
 | `brain` | `brain` | claude-sonnet-4-6 (API) | Analyse complexe — facturé |
-| `system` | `system` | qwen3-1.7b-system (CPU, ~21 tok/s) | Traitement texte rapide |
-| `monitor` | `monitor` | qwen3-1.7b-monitor (CPU, ~21 tok/s) | Évaluation état services |
+| `system` | `system` | ⚠️ backend retiré (ex-qwen3-1.7b CPU) | Traitement texte rapide — à repointer sur qwen3-8b |
+| `monitor` | `monitor` | ⚠️ backend retiré (ex-qwen3-1.7b CPU) | Évaluation état services — à repointer sur qwen3-8b |

 `◆` = profil actif par défaut

+> **2026-06-20** : les serveurs CPU `system` (:1236), `monitor` (:1237) et `dev` (:1235) ont été
+> supprimés (inutilisés). Les profils existent toujours mais leur alias LiteLLM n'a plus de
+> backend → repointer sur `qwen3-8b` (GPU) pour les réactiver. Cf. `admin/ia/llama_server.md`.
+
 ```bash
 # Lancer un profil (nouvelle session TUI)
 funk-ai          # Qwen3-8B GPU
@ -263,20 +266,19 @@ ask-agent (/usr/local/bin/ask-agent)
    │  POST http://127.0.0.1:4000/v1/chat/completions
    ▼
 LiteLLM Proxy (:4000)
-    ├── ask-agent system  →  qwen3-1.7b-system  (CPU :1236)
-    ├── ask-agent monitor →  qwen3-1.7b-monitor (CPU :1237)
    ├── ask-agent brain   →  claude-sonnet-4-6  (API Anthropic)
    └── ask-agent funk-ai →  qwen3-8b           (GPU :1234)
+    # ask-agent system/monitor : backend CPU retiré le 2026-06-20 (repointer sur qwen3-8b)
 ```

 ### Agents disponibles

 | Agent | Modèle | Usage idéal |
 |---|---|---|
-| `system` | Qwen3-1.7B CPU (:1236) | Traitement texte : résumés, formatage, parsing, calculs Linux |
-| `monitor` | Qwen3-1.7B CPU (:1237) | Évaluation santé : logs systemd, métriques, état des services |
 | `brain` | Claude Sonnet 4.6 (API) | Raisonnement complexe, architecture — facturé |
 | `funk-ai` | Qwen3-8B GPU (:1234) | Tâches générales (agent principal lui-même) |
+| `system` ⚠️ | backend retiré 2026-06-20 | Ex-Qwen3-1.7B CPU — repointer l'alias sur qwen3-8b pour réactiver |
+| `monitor` ⚠️ | backend retiré 2026-06-20 | Ex-Qwen3-1.7B CPU — repointer l'alias sur qwen3-8b pour réactiver |

 ### system vs monitor

@ -383,7 +385,7 @@ sudo systemctl restart hermes-dashboard

 Modèle GGUF potentiellement corrompu (signe d'erreur disque).
 ```bash
-ssh g01 "sudo systemctl status llama-server-system"
+ssh g01 "sudo systemctl status llama-server"
 ssh g01 "md5sum /mnt/models/<chemin-gguf>"
 ```

@ -392,7 +394,7 @@ ssh g01 "md5sum /mnt/models/<chemin-gguf>"
 LiteLLM ou llama-server ne répond pas.
 ```bash
 ssh s01 "curl -s http://localhost:4000/health -H 'Authorization: Bearer lm-studio'"
-ssh g01 "systemctl status llama-server-system llama-server-monitor"
+ssh g01 "systemctl status llama-server llama-embed"
 ```

 ### Le skill n'est pas chargé
--- a/admin/ia/litellm.md
+++ b/admin/ia/litellm.md
@ -14,8 +14,6 @@ Hermes / ask-agent / Open WebUI / n8n
   LiteLLM Proxy
        ├── hermes-default       →  qwen3-8b            →  llama-server gpu-01 :1234  (GPU)
        ├── qwen3-8b             →  llama-server gpu-01 :1234  (GPU, gratuit)
-        ├── qwen3-1.7b-system    →  llama-server gpu-01 :1236  (CPU 14 threads, gratuit)
-        ├── qwen3-1.7b-monitor   →  llama-server gpu-01 :1237  (CPU 14 threads, gratuit)
        ├── claude-sonnet-4-6    →  api.anthropic.com           (cloud, payant)
        └── claude-opus-4-7      →  api.anthropic.com           (cloud, payant)
 ```
@ -40,13 +38,13 @@ sudo journalctl -u litellm -n 50
 |---|---|---|
 | `hermes-default` | qwen3-8b sur gpu-01 :1234 (GPU) | Gratuit |
 | `qwen3-8b` | llama-server gpu-01 :1234 (ROCm 7.x) | Gratuit |
-| `qwen3-1.7b-system` | llama-server gpu-01 :1236 (CPU, 14 threads) | Gratuit |
-| `qwen3-1.7b-monitor` | llama-server gpu-01 :1237 (CPU, 14 threads) | Gratuit |
 | `claude-sonnet-4-6` | Anthropic API | ~$3/$15 par million tokens in/out |
 | `claude-opus-4-7` | Anthropic API | Plus cher, meilleur raisonnement |

-> `qwen3-1.7b-system` et `qwen3-1.7b-monitor` sont utilisés par `ask-agent system` et
-> `ask-agent monitor` — voir [hermes.md](hermes.md).
+> **Alias CPU retirés (2026-06-20)** : `qwen3-1.7b-system` et `qwen3-1.7b-monitor` (serveurs CPU
+> gpu-01 :1236/:1237) ont été supprimés avec leurs serveurs. Ils étaient déjà absents de
+> `/etc/litellm/config.yaml` (d'où le bruit `Invalid model name` historique). `ask-agent system`
+> et `ask-agent monitor` n'ont donc plus de backend — repointer sur `qwen3-8b` pour les réactiver.

 > ⚠️ **Qwen3 = modèle « thinking »** : il raisonne avant de répondre. Avec un `max_tokens`
 > faible, il peut renvoyer un `content` **vide** (budget épuisé en `reasoning_content`) ou
@ -111,19 +109,15 @@ elle vient du vault Ansible (`vault_anthropic_api_key`). Jamais en clair dans co

 ---

-## ⚠️ Gap IaC — modèles CPU absents du template Ansible
+## Modèles servis (2026-06-20)

-`ansible/roles/litellm/templates/config.yaml.j2` n'inclut que 4 modèles :
-`hermes-default`, `qwen3-8b`, `claude-sonnet-4-6`, `claude-opus-4-7`.
+`ansible/roles/litellm/templates/config.yaml.j2` et `/etc/litellm/config.yaml` exposent
+4 modèles : `hermes-default`, `qwen3-8b`, `claude-sonnet-4-6`, `claude-opus-4-7`.

-Les entrées `qwen3-1.7b-system` (:1236) et `qwen3-1.7b-monitor` (:1237) ont été ajoutées
-**manuellement** dans `/etc/litellm/config.yaml` sur storage-01.
-
-Un `make apply-storage` sur un hôte vierge ne déploierait PAS les routes CPU nécessaires
-à `ask-agent system` et `ask-agent monitor`.
-
-**Axe d'amélioration** : ajouter les 2 entrées CPU dans `config.yaml.j2` avec des variables
-dans `defaults/main.yml` (`litellm_cpu_system_url`, `litellm_cpu_monitor_url`).
+Les anciennes entrées CPU `qwen3-1.7b-system` (:1236) et `qwen3-1.7b-monitor` (:1237) ont été
+**retirées** avec leurs serveurs (cf. `admin/ia/llama_server.md`). Elles étaient déjà absentes
+du fichier live → `ask-agent system`/`monitor` n'avaient déjà plus de route. Pour les réactiver,
+ajouter un alias pointant sur `qwen3-8b` (GPU) plutôt que de recréer des serveurs CPU.

 ---

--- a/admin/ia/llama_server.md
+++ b/admin/ia/llama_server.md
@ -1,26 +1,28 @@
 # llama-server — Inférence LLM (gpu-01)

-llama-server (llama.cpp compilé with ROCm 7.x) tourne en **quatre instances systemd** sur **gpu-01** (`192.168.10.20`).
+llama-server (llama.cpp compilé with ROCm 7.x) tourne en **deux instances systemd** sur **gpu-01** (`192.168.10.20`).
 API 100% compatible OpenAI — remplace LM Studio pour l'inférence.

 ---

-## Quatre instances
+## Deux instances

 | Service systemd | Port | Modèle | Backend | Usage |
 |---|---|---|---|---|
 | `llama-server` | 1234 | Qwen3-8B Q4_K_M | GPU (RX 6700XT) | Inférence principale — Hermes + LiteLLM |
-| `llama-server-system` | 1236 | Qwen3-1.7B Q4_K_M | CPU | Profil Hermes `system` (tâches légères) |
-| `llama-server-monitor` | 1237 | Qwen3-1.7B Q4_K_M | CPU | Profil Hermes `monitor` (supervision) |
-| `llama-embed` | 1238 | nomic-embed-text-v1.5 f16 | GPU | Embeddings dédiés (mémoire STT, dim 768) |
+| `llama-embed` | 1238 | nomic-embed-text-v1.5 f16 | CPU | Embeddings dédiés (mémoire STT + RAG funk-docs, dim 768) |

-Les instances CPU (`system`, `monitor`) partagent le même binaire mais des configs distinctes.
 Les modèles sont sur NFS monté depuis storage-01 (`/mnt/models`).

-> `llama-embed` (`:1238`) est **géré par Ansible** (rôle `llama_server`, `llama_embed_enabled`) —
-> contrairement aux instances CPU (gap IaC, voir plus bas). Sert un modèle d'embedding **dédié**
-> (`nomic-embed-text`, dim 768), bien plus discriminant que Qwen3-8B réutilisé. Partage le GPU
-> avec `:1234` (~300 Mo VRAM).
+> **Instances CPU retirées (2026-06-20)** : `llama-server-system` (:1236), `llama-server-monitor`
+> (:1237) et `llama-server-dev` (:1235) — services **manuels** inutilisés (déjà orphelins de
+> LiteLLM) — ont été supprimés. Les profils Hermès `system`/`monitor` n'ont plus de backend dédié.
+
+> `llama-embed` (`:1238`) est **géré par Ansible** (rôle `llama_server`, `llama_embed_enabled`).
+> Sert un modèle d'embedding **dédié** (`nomic-embed-text`, dim 768), bien plus discriminant que
+> Qwen3-8B réutilisé. Tourne en **CPU** (`--n-gpu-layers 0`) pour ne pas entrer en contention GPU
+> avec `:1234` (la contention causait une latence bimodale 16 ms/9-12 s → `docs=0` du STT, cf.
+> `admin/incidents-llm-gpu.md`).

 ---

@ -32,17 +34,9 @@ sudo systemctl status llama-server
 sudo systemctl restart llama-server
 sudo journalctl -u llama-server -f

-# Instance CPU — profil system
-sudo systemctl status llama-server-system
-sudo systemctl restart llama-server-system
-sudo journalctl -u llama-server-system -f
+# (instances CPU system/monitor/dev retirées le 2026-06-20)

-# Instance CPU — profil monitor
-sudo systemctl status llama-server-monitor
-sudo systemctl restart llama-server-monitor
-sudo journalctl -u llama-server-monitor -f
-
-# Instance GPU — embeddings dédiés (nomic-embed-text :1238)
+# Instance CPU — embeddings dédiés (nomic-embed-text :1238)
 sudo systemctl status llama-embed
 sudo systemctl restart llama-embed
 sudo journalctl -u llama-embed -f
@ -131,9 +125,8 @@ curl http://192.168.10.20:1234/v1/chat/completions \
    "max_tokens": 50
  }'

-# Test instances CPU
-curl -s http://192.168.10.20:1236/v1/models | jq '.data[].id'
-curl -s http://192.168.10.20:1237/v1/models | jq '.data[].id'
+# Test instance embed (CPU)
+curl -s http://192.168.10.20:1238/v1/models | jq '.data[].id'
 ```

 ---
@ -162,7 +155,7 @@ curl -s http://192.168.10.20:1234/metrics | grep -E \
 | `llamacpp:kv_cache_usage_ratio` | Occupation KV cache (0–1) |
 | `llamacpp:kv_cache_tokens` | Tokens actuellement en KV cache |

-Ces métriques sont scrapées par Prometheus via les jobs `llama-server-gpu`, `llama-server-system`, `llama-server-monitor` définis dans `k8s/infra/monitoring/values.yaml`.
+Ces métriques sont scrapées par Prometheus via le job `llama-server-gpu` défini dans `k8s/infra/monitoring/values.yaml` (jobs `llama-server-system`/`-monitor` retirés le 2026-06-20).

 ---

@ -205,12 +198,11 @@ sudo systemctl restart llama-server

 ---

-## ⚠️ Gap IaC — instances CPU non couvertes par Ansible
+## Instances CPU retirées (2026-06-20)

 Le rôle `ansible/roles/llama_server/` déploie l'instance **GPU** (`llama-server.service` :1234) et l'instance **embeddings** (`llama-embed` :1238, activée par `llama_embed_enabled`).
-Les instances CPU (`llama-server-system` :1236 et `llama-server-monitor` :1237) ont été créées **manuellement** et ne sont pas encore dans le code Ansible.

-Conséquence : un `make apply-gpu` complet sur un hôte vierge ne déploierait PAS les instances CPU.
+Les anciennes instances CPU **manuelles** `llama-server-system` (:1236), `llama-server-monitor` (:1237) et `llama-server-dev` (:1235) ont été **supprimées** : inutilisées et déjà orphelines de LiteLLM (aucun alias dans `/etc/litellm/config.yaml`). Suppression = `systemctl disable --now` + `rm` des units + ports firewall 1235/1236/1237 fermés + scrape/alertes Prometheus retirés. Pour réactiver un profil `system`/`monitor`, repointer son alias LiteLLM sur `qwen3-8b` (GPU).

 **Axe d'amélioration** : étendre le rôle `llama_server` pour déployer aussi les 2 instances CPU via une boucle (`with_items` ou `loop` Ansible), avec des variables dédiées dans `host_vars/gpu-01/vars.yml`.

@ -227,6 +219,6 @@ Conséquence : un `make apply-gpu` complet sur un hôte vierge ne déploierait P
 | pooling mean obligatoire | Sans `--pooling mean`, l'endpoint `/v1/embeddings` retourne erreur 400 |
 | Qwen3 = modèle « thinking » | Par défaut Qwen3 raisonne avant de répondre → consomme le budget `max_tokens` en `reasoning_content` (`content` vide) ou réfléchit longtemps (timeout). Ajouter **`/no_think`** au prompt système pour le désactiver. STT le fait (`STT_DISABLE_THINKING`) ; à considérer pour tout consommateur de Qwen3 à `max_tokens` faible (ask-agent, profils Hermes). |
 | Gemma 4 interdit | Crash ROCm sur prompts >800 tokens |
-| Modèles sur NFS | `/mnt/models` monté depuis storage-01 (NFS) — si NFS down, les 3 services échouent au démarrage |
-| 3 services indépendants | Chaque instance a son propre service systemd — redémarrer l'un n'affecte pas les autres |
-| Instances CPU hors Ansible | llama-server-system et llama-server-monitor créés manuellement — voir section Gap IaC ci-dessus |
+| Modèles sur NFS | `/mnt/models` monté depuis storage-01 (NFS) — si NFS down, les services échouent au démarrage |
+| 2 services indépendants | `llama-server` (:1234 GPU) et `llama-embed` (:1238 CPU) ont chacun leur service systemd |
+| Instances CPU retirées | llama-server-system/-monitor/-dev supprimés le 2026-06-20 (inutilisés) — voir section dédiée ci-dessus |
--- a/admin/index_knowledge.py
+++ b/admin/index_knowledge.py
@ -37,7 +37,7 @@ KNOWLEDGE = [
    {
        "category": "litellm",
        "tags": ["litellm", "config", "modèles", "anthropic"],
-        "text": "LiteLLM config /etc/litellm/config.yaml expose: hermes-default (alias switchable), qwen3-8b (gpu-01:1234 GPU), qwen3-1.7b-system (gpu-01:1236 CPU), qwen3-1.7b-monitor (gpu-01:1237 CPU), claude-sonnet-4-6 (API Anthropic), claude-opus-4-7 (API Anthropic). ANTHROPIC_API_KEY dans l'environnement systemd via vault Ansible.",
+        "text": "LiteLLM config /etc/litellm/config.yaml expose: hermes-default (alias switchable), qwen3-8b (gpu-01:1234 GPU), claude-sonnet-4-6 (API Anthropic), claude-opus-4-7 (API Anthropic). Les alias CPU qwen3-1.7b-system/-monitor ont été retirés le 2026-06-20 avec leurs serveurs. ANTHROPIC_API_KEY dans l'environnement systemd via vault Ansible.",
    },
    {
        "category": "hermes",
@ -77,7 +77,7 @@ KNOWLEDGE = [
    {
        "category": "gpu",
        "tags": ["modèles", "qwen", "gemma", "performance"],
-        "text": "Modèle actif gpu-01: Qwen3-8B Q4_K_M (~60 tok/s génération, ~300 tok/s prefill, ROCm 7.x natif). Contexte 32768 tokens (VRAM: ~5GB modèle + ~4GB KV cache = ~9GB sur 12GB). Alias API: qwen3-8b. Instances CPU: qwen3-1.7b-system sur :1236 et qwen3-1.7b-monitor sur :1237 (~21 tok/s CPU). Ne pas utiliser Gemma 4: crash ROCm >800 tokens. Dimension embeddings: 3584.",
+        "text": "Modèle actif gpu-01: Qwen3-8B Q4_K_M (~60 tok/s génération, ~300 tok/s prefill, ROCm 7.x natif). Contexte 32768 tokens (VRAM: ~5GB modèle + ~4GB KV cache = ~9GB sur 12GB). Alias API: qwen3-8b. Instance embed: nomic-embed-text sur :1238 (CPU, dim 768) pour mémoire STT + RAG funk-docs. Les anciennes instances CPU qwen3-1.7b-system (:1236), qwen3-1.7b-monitor (:1237) et dev (:1235) ont été RETIRÉES le 2026-06-20 (inutilisées). Ne pas utiliser Gemma 4: crash ROCm >800 tokens.",
    },
    {
        "category": "postgresql",
--- a/admin/k8s/monitoring.md
+++ b/admin/k8s/monitoring.md
@ -31,9 +31,8 @@ Prometheus (k8s, namespace monitoring)
  ├── scrape storage-01:9100      → métriques système storage-01 (job=storage-01)
  ├── scrape gpu-01:9100          → métriques système + ROCm gpu-01 (job=gpu-01-node)
  │     └── textfile_collector    → rocm_gpu_temperature/utilization/vram (rocm_scraper.timer)
-  ├── scrape gpu-01:1234          → llama-server GPU Qwen3-8B (job=llama-server-gpu)
-  ├── scrape gpu-01:1236          → llama-server CPU system (job=llama-server-system)
-  └── scrape gpu-01:1237          → llama-server CPU monitor (job=llama-server-monitor)
+  └── scrape gpu-01:1234          → llama-server GPU Qwen3-8B (job=llama-server-gpu)
+        # scrape :1236/:1237 (CPU system/monitor) retirés le 2026-06-20 (serveurs supprimés)
        ↓
 AlertManager
  ├── receiver "null"             → alerte Watchdog (heartbeat interne — silencé)
@ -117,8 +116,6 @@ Déclenchent AlertManager → webhook storage-01:9093 → profil `monitor` Herme
 | Alerte | Seuil | Sévérité |
 |---|---|---|
 | `LlamaServerGPUDown` | `up{job="llama-server-gpu"} == 0` pendant 2 min | critical |
-| `LlamaServerSystemDown` | `up{job="llama-server-system"} == 0` pendant 2 min | warning |
-| `LlamaServerMonitorDown` | `up{job="llama-server-monitor"} == 0` pendant 2 min | warning |
 | `GPUTemperatureHigh` | Temp GPU > 80°C pendant 5 min | warning |
 | `GPUTemperatureCritical` | Temp GPU > 90°C pendant 2 min | critical |
 | `GPUVRAMAlmostFull` | VRAM > 95% pendant 5 min | warning |
@ -221,11 +218,9 @@ llama.cpp expose ses métriques sur `/metrics` — activé via `--metrics` dans
 # Métriques GPU (Qwen3-8B)
 curl -s http://192.168.10.20:1234/metrics | grep llamacpp

-# Métriques CPU system
-curl -s http://192.168.10.20:1236/metrics | grep llamacpp
-
-# Métriques CPU monitor
-curl -s http://192.168.10.20:1237/metrics | grep llamacpp
+# Métriques embed (nomic, CPU)
+curl -s http://192.168.10.20:1238/metrics | grep llamacpp
+# (serveurs CPU :1236/:1237 retirés le 2026-06-20)
 ```

 ---
--- a/admin/ops/ansible.md
+++ b/admin/ops/ansible.md
@ -38,7 +38,7 @@ Chaque rôle a un `README.md` détaillé dans `ansible/roles/<nom>/` (variables,
 | `common` | `common` | Paquets de base, sécurité, NTP |
 | `rocm` | `rocm` | Stack GPU AMD (ROCm 7.x, `HSA_OVERRIDE_GFX_VERSION=10.3.0`) |
 | `nfs_client` | `nfs_client` | Montage `/mnt/models` depuis storage-01 |
-| `llama_server` | `llama_server` | llama-server **GPU `:1234` uniquement** — ⚠️ les instances CPU `:1236`/`:1237` (system/monitor) sont des services créés à la main sur gpu-01, hors IaC |
+| `llama_server` | `llama_server` | llama-server **GPU `:1234`** + embed **CPU `:1238`** (nomic). Les ex-instances CPU `:1235`/`:1236`/`:1237` (dev/system/monitor) ont été supprimées le 2026-06-20 |
 | `node_exporter` | `node_exporter` | Métriques Prometheus (+ rocm power) |

 > ⚠️ Le rôle `lm_studio` existe encore dans `ansible/roles/` mais n'est référencé par **aucun** playbook (remplacé par `llama_server` en mai 2026). Candidat à la suppression.
--- a/admin/ops/cluster.md
+++ b/admin/ops/cluster.md
@ -74,7 +74,7 @@ Ordre de démarrage : storage-01 déjà up → gpu-01 (WOL) → compute-01/02/03
 Vérifie dans l'ordre :
 - Services storage-01 : postgresql-16, qdrant, litellm, hermes-agent
 - Santé : PostgreSQL (connexion réelle), Qdrant (collections), LiteLLM (modèles), Hermes, NFS export
- gpu-01 : ping, NFS /mnt/models, llama-server GPU (:1234), embeddings, llama-server CPU (:1236/:1237)
+- gpu-01 : ping, NFS /mnt/models, llama-server GPU (:1234), embed nomic CPU (:1238)
 - Cluster k8s : ping compute-01/02/03, kubectl get nodes Ready

 ### `funk-start [--k8s]`
--- a/admin/ops/systeme.md
+++ b/admin/ops/systeme.md
@ -36,8 +36,8 @@ sudo systemctl list-units --type=service --state=running
 | gpu-01 | `chronyd` | NTP |
 | gpu-01 | `sshd` | SSH |
 | gpu-01 | `llama-server` | Inférence GPU — Qwen3-8B via ROCm 7.x (port 1234) |
-| gpu-01 | `llama-server-system` | Inférence CPU — Qwen3-1.7B (port 1236, 14 threads) |
-| gpu-01 | `llama-server-monitor` | Inférence CPU — Qwen3-1.7B (port 1237, 14 threads) |
+| gpu-01 | `llama-embed` | Embeddings nomic-embed-text CPU (port 1238, dim 768) |
+| gpu-01 | `llama-embed-heartbeat` | Sonde de vivacité du slot embed :1238 |

 ---