feat(stt): embeddings dédiés nomic-embed-text sur gpu-01 (:1238) + migration auto

Remplace Qwen3 (chat réutilisé, dim 4096, peu discriminant) par un modèle
d'embedding spécialisé nomic-embed-text (dim 768) pour la mémoire long-terme.

Ansible (rôle llama_server) :
- nouvelle instance optionnelle `llama-embed` (llama_embed_enabled) servant un
  modèle d'embedding dédié sur :1238, GPU ; télécharge le GGUF si absent.
- activée sur gpu-01 (host_vars) : nomic-embed-text-v1.5 f16.

STT-server :
- STT_EMBED_URL → :1238, STT_EMBED_MODEL → nomic-embed-text (deployment + config).
- _ensure_collection détecte le changement de dimension (4096→768) et recrée
  automatiquement la collection stt-memory (anciens vecteurs incomparables) —
  pas de drop manuel.

Docs : llama_server README, rag.md, stt.md (5d ✅), CLAUDE.md.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013FmcxGsyXZXogiAHQLjnZT

admin/ia/rag.md

@@ -67,16 +67,22 @@ Pour une recherche sémantique précise, utiliser un modèle d'embedding dédié
 | `nomic-embed-text-v1.5` | ~274 MB | 768 | Rapide, bon équilibre qualité/taille |
 | `bge-m3` | ~1.2 GB | 1024 | Multilingue (français natif) — meilleur choix pour ce repo |
 
-Déploiement si besoin :
-```bash
-# Sur gpu-01 — télécharger le modèle
-ssh gpu-01 "lms get nomic-ai/nomic-embed-text-v1.5-GGUF"
+Déploiement — **déjà fait pour STT** (instance `nomic-embed-text` sur `:1238`, dim 768) :
+le rôle `llama_server` gère désormais une instance dédiée embeddings sur gpu-01 (GPU),
+activée par `llama_embed_enabled` (voir `ansible/roles/llama_server/README.md`). STT pointe
+dessus (`STT_EMBED_URL=http://192.168.10.20:1238/v1/embeddings`).
 
-# Ajouter une instance llama-server sur port 1238 (CPU, embedding only)
+```bash
+# (re)déployer l'instance embeddings sur gpu-01
+ansible-playbook -i inventory.yml playbooks/gpu-01.yml --tags llama_server
+```
+
+Pour basculer **le RAG** sur cette même instance (quand il sera réparé) :
+```bash
 # Modifier ansible/roles/rag/defaults/main.yml :
 #   embed_url: "http://192.168.10.20:1238/v1/embeddings"
-#   embed_model: "nomic-embed-text-v1.5"
-# Puis re-indexer : rag-ingest /srv/data/rag/docs/
+#   embed_model: "nomic-embed-text"
+# Puis re-indexer (la dimension passe à 768 → collection recréée) : rag-ingest /srv/data/rag/docs/
 ```
 
 ---

admin/ia/stt.md

@@ -98,10 +98,13 @@ switch global type `hermes-switch` (pas de restart, chaque client choisit le sie
     cherchable (sans `wait`, l'écriture est mise en file → un rappel cross-session immédiat pouvait la rater).
   - **`GET /v1/memory/health`** : sonde active embed + Qdrant + collection, **expose les erreurs**
     (recall/remember dégradent en silence → indébogables sans cet endpoint). Sert au diagnostic.
-  - Caveat qualité : Qwen3 n'est pas un modèle d'embedding dédié (cosinus uniformément hauts) →
-    recherche peu discriminante quand la mémoire grossit. Amélioration backlog : `nomic-embed-text`
-    (modèle spécialisé embeddings, dim 768) — voir « À venir » + `admin/ia/rag.md`. Pas urgent
-    tant que le volume de souvenirs est faible.
+- **Embeddings dédiés (5d, fait)** : passage de Qwen3 (chat réutilisé, dim 4096, cosinus
+  uniformément hauts → peu discriminant) à **`nomic-embed-text`** (modèle spécialisé, dim 768),
+  servi par une instance llama-server dédiée sur gpu-01 `:1238` (GPU), gérée par le rôle
+  `llama_server` (`llama_embed_enabled`). STT : `STT_EMBED_URL=…:1238`, `STT_EMBED_MODEL=nomic-embed-text`.
+  - **Migration auto de la collection** : `_ensure_collection` détecte le changement de dimension
+    (4096 → 768) et **recrée** `stt-memory` (les anciens vecteurs sont incomparables dans le nouvel
+    espace). Aucun drop manuel — la collection est reconstruite à la première requête après bascule.
 - **Réparation Qdrant (5c, fait)** : crash-loop depuis 05/06 (segment `funk-docs` corrompu).
   Réparé le 17/06 sur s01 : `systemctl stop qdrant && rm -rf /srv/data/qdrant/storage/collections/funk-docs && systemctl start qdrant`.
 
@@ -154,7 +157,7 @@ Côté client, pilotable depuis `stt/client/config/` + l'écran de réglages du
 | **5a — Mémoire court-terme** | historique de session côté serveur | ✅ |
 | **5b — Mémoire long-terme** | Qdrant `stt-memory` + embeddings Qwen3 (dégrade si down) | ✅ validé 17/06 (rappel cross-session OK) |
 | **5c — Réparation Qdrant** | drop `funk-docs` corrompu + restart (s01) | ✅ (17/06) |
-| **5d — Embeddings dédiés** | `nomic-embed-text` (dim 768) à la place de Qwen3 → recherche plus précise | ⏳ backlog (qualité) |
+| **5d — Embeddings dédiés** | `nomic-embed-text` (dim 768) sur gpu-01 `:1238` → recherche plus précise | ✅ (rôle llama_server + migration auto collection) |
 | **6 — Auto-start client** | `install-service.sh` (systemd --user) + kiosk | ⏳ |
 | **7 — Outils Hermes** | « agir sur Funk » via gateway `:8080` (API à spécifier) | ⏳ |