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

ansible/roles/llama_server/defaults/main.yml

@@ -13,3 +13,15 @@ llama_n_gpu_layers: 99
 llama_parallel: 1
 llama_embeddings: true
 llama_pooling: "mean"
+
+# Instance dédiée embeddings (modèle spécialisé, ex. nomic-embed-text) — séparée du
+# serveur de chat :1234. Désactivée par défaut ; activée via host_vars (gpu-01).
+# Partage le même binaire /opt/llama.cpp et le même GPU (modèle minuscule, ~300 Mo VRAM).
+llama_embed_enabled: false
+llama_embed_port: 1238
+llama_embed_model_path: ""          # chemin GGUF sur /mnt/models (NFS)
+llama_embed_model_url: ""           # URL de téléchargement (HuggingFace) — get_url si absent
+llama_embed_model_alias: "nomic-embed-text"
+llama_embed_ctx_size: 2048
+llama_embed_n_gpu_layers: 99
+llama_embed_pooling: "mean"