docs(stt): fix /no_think Qwen3 + instance embeddings :1238 (doc complète) (#14)

* feat(stt): mémoire long-terme sémantique via Qdrant (5b)

Serveur : longterm.py — collection Qdrant stt-memory (embeddings Qwen3 gpu-01, dim auto,
Cosine), recall top-k injecté au prompt, remember des tours user. Tout dégrade proprement
si Qdrant/embeddings injoignables (la mémoire court-terme tient). Env STT_MEMORY_LONGTERM,
STT_QDRANT_URL, STT_EMBED_URL, STT_MEMORY_TOPK.

Testé en process : dégradation OK (Qdrant down → mem=0, pas de crash, court-terme tient).
Qdrant réparé le 17/06 (5c). Recherche sémantique réelle à valider sur cluster.

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

* feat(stt): endpoint /v1/memory/health + upsert Qdrant synchrone

- /v1/memory/health sonde activement embeddings + Qdrant + collection et
  expose les erreurs (recall/remember dégradent en silence → indébogables).
  Permet de diagnostiquer la mémoire long-terme sans kubectl exec.
- remember() : upsert avec ?wait=true → le souvenir est immédiatement
  cherchable (sans wait, Qdrant met l'écriture en file → un recall
  cross-session immédiat pouvait le rater).

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

* docs(stt): 5b mémoire long-terme validée en prod + backlog nomic-embed-text

- Rappel cross-session confirmé (« Felix » retrouvé dans une nouvelle session),
  points_count vérifié via /v1/memory/health.
- Note du fix upsert ?wait=true et de l'endpoint de diagnostic.
- Roadmap : 5d (nomic-embed-text dim 768) en backlog qualité ; états haut/bas
  du doc mis à jour (déployé + validé sur cible).

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

* 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

* fix(stt): désactiver le mode thinking de Qwen3 (/no_think) — content vide / 502

Qwen3 est un modèle « thinking » : il dépensait tout le budget max_tokens en
reasoning_content → content vide, ou partait en raisonnement long → timeout (502
"upstream LiteLLM : " avec message vide). Diagnostic : appel direct LiteLLM en
0.87s mais content="" et tout dans reasoning_content.

- brain.py : ajoute le token de contrôle `/no_think` au system prompt
  (configurable STT_DISABLE_THINKING, défaut true ; inoffensif pour non-Qwen).
- brain.py : filet de sécurité — si content vide, récupère reasoning_content
  au lieu de renvoyer "".

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

* docs(stt): documenter le fix /no_think Qwen3 + instance embeddings :1238

- admin/ia/stt.md : caveat « thinking » Qwen3 (content vide / timeout 502) +
  fix /no_think + fallback reasoning_content ; roadmap 5e ; bannière.
- stt/server/README.md : env STT_DISABLE_THINKING + section caveat Qwen3.
- admin/ia/llama_server.md : 4e instance llama-embed :1238 (nomic, dim 768),
  double source d'embeddings (1234 Qwen3 / 1238 nomic), caveat thinking,
  correction dim Qwen3 (3584 → 4096).
- admin/ia/litellm.md : cross-ref caveat thinking (concerne tous les
  consommateurs de hermes-default/qwen3).
- ci : exclure **/*.md du trigger build-stt-server (doc-only ne rebuild plus).

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

---------

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

.github/workflows/build-stt-server.yml

@@ -7,6 +7,7 @@ on:
     branches: ["main", "claude/**"]
     paths:
       - "stt/server/**"
+      - "!stt/server/**/*.md"   # les changements doc-only ne rebuildent pas l'image
       - ".github/workflows/build-stt-server.yml"
   workflow_dispatch:
 

admin/ia/litellm.md

@@ -48,6 +48,11 @@ sudo journalctl -u litellm -n 50
 > `qwen3-1.7b-system` et `qwen3-1.7b-monitor` sont utilisés par `ask-agent system` et
 > `ask-agent monitor` — voir [hermes.md](hermes.md).
 
+> ⚠️ **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
+> dépasser le timeout (réflexion longue). Ajouter **`/no_think`** au prompt système pour le
+> désactiver (STT le fait via `STT_DISABLE_THINKING`). Voir `admin/ia/llama_server.md`.
+
 ---
 
 ## Switch rapide avec hermes-switch

admin/ia/llama_server.md

@@ -1,21 +1,27 @@
 # llama-server — Inférence LLM (gpu-01)
 
-llama-server (llama.cpp compilé with ROCm 7.x) tourne en **trois instances systemd** sur **gpu-01** (`192.168.10.20`).
+llama-server (llama.cpp compilé with ROCm 7.x) tourne en **quatre instances systemd** sur **gpu-01** (`192.168.10.20`).
 API 100% compatible OpenAI — remplace LM Studio pour l'inférence.
 
 ---
 
-## Trois instances
+## Quatre 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) |
 
 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).
+
 ---
 
 ## Service systemd
@@ -35,6 +41,11 @@ sudo journalctl -u llama-server-system -f
 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)
+sudo systemctl status llama-embed
+sudo systemctl restart llama-embed
+sudo journalctl -u llama-embed -f
 ```
 
 ---
@@ -67,12 +78,29 @@ llama-server expose `/v1/embeddings` avec `--embeddings --pooling mean`.
 Le flag `--pooling mean` est obligatoire pour les LLM causaux (sinon : erreur 400
 `Pooling type 'none' is not OAI compatible`).
 
+**Deux sources d'embeddings :**
+
+| Endpoint | Modèle | Dim | Usage |
+|---|---|---|---|
+| `:1234/v1/embeddings` | Qwen3-8B (chat réutilisé) | 4096 | RAG (`funk-docs`) — peu discriminant |
+| `:1238/v1/embeddings` | nomic-embed-text (dédié) | 768 | Mémoire STT (`stt-memory`) — précis |
+
+> Qwen3-8B n'est **pas** un modèle d'embedding dédié (cosinus uniformément hauts → recherche
+> peu discriminante). L'instance `llama-embed` (`:1238`) sert `nomic-embed-text`, spécialisé.
+> Le RAG pourra y basculer quand il sera réparé (voir `admin/ia/rag.md`).
+
 ```bash
-# Test embeddings depuis storage-01
+# Test embeddings dédiés nomic (:1238) — depuis le LAN cluster
+curl -s -X POST http://192.168.10.20:1238/v1/embeddings \
+  -H "Content-Type: application/json" \
+  -d '{"model":"nomic-embed-text","input":["test"]}' | jq '.data[0].embedding | length'
+# → 768 (dimension nomic-embed-text-v1.5)
+
+# Test embeddings Qwen3 (:1234) — RAG
 curl -s -X POST http://192.168.10.20:1234/v1/embeddings \
   -H "Content-Type: application/json" \
   -d '{"model":"qwen3-8b","input":["test"]}' | jq '.data[0].embedding | length'
-# → 3584 (dimension Qwen3-8B)
+# → 4096 (dimension Qwen3-8B)
 ```
 
 ---
@@ -197,6 +225,7 @@ Conséquence : un `make apply-gpu` complet sur un hôte vierge ne déploierait P
 | --metrics obligatoire | Sans ce flag, `/metrics` retourne `501 Not Implemented` — Prometheus ne scrappe rien |
 | parallel=1 obligatoire | `--parallel 4` divise le ctx en slots → contexte insuffisant pour Hermes |
 | 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 |

admin/ia/stt.md

@@ -10,8 +10,9 @@ Objectif ultérieur : « agir sur le homelab » via les outils de Hermes (phase
 > technique (FRIDAY, etc.) — c'est juste un identifiant de répertoire/commande.
 
 > ✅ **2026-06-17** — déployé in-cluster (ArgoCD), mémoire court-terme (5a) + long-terme (5b)
-> **validées sur cible** (rappel cross-session OK via `/v1/memory/health`). Reste : test audio
+> **validées sur cible**, embeddings dédiés nomic `:1238` (5d) + fix thinking Qwen3 `/no_think`
-> bout-en-bout sur le poste (phase 1), HUD avancé (4), auto-start (6), outils Hermes (7).
+> (5e). Reste : test audio bout-en-bout sur le poste (phase 1), HUD avancé (4), auto-start (6),
+> outils Hermes (7).
 
 ---
 
@@ -82,6 +83,14 @@ switch global type `hermes-switch` (pas de restart, chaque client choisit le sie
 `GET /v1/models` liste le défaut + les alias autorisés. Noms courts client : `hermes`
 (=hermes-default), `qwen`, `claude` (=claude-sonnet-4-6), `opus`.
 
+**Caveat Qwen3 — mode « thinking » (corrigé)** : Qwen3 est un modèle de raisonnement. Sans
+précaution, il dépense tout le budget `max_tokens` (200) dans `reasoning_content` → `content`
+**vide**, ou réfléchit trop longtemps → **timeout 502** (`upstream LiteLLM : ` au message vide —
+signature d'un timeout httpx). Diagnostiqué via appel direct LiteLLM : réponse en 0.87s mais
+`content=""` et tout dans `reasoning_content`. **Fix** : `brain.py` ajoute le token `/no_think`
+au prompt système (`STT_DISABLE_THINKING`, défaut `true` ; inoffensif hors Qwen) et récupère
+`reasoning_content` en filet de sécurité si `content` est vide. Caveat partagé : `admin/ia/llama_server.md`.
+
 ### La mémoire — côté serveur
 
 - **Court-terme (5a, fait)** : le serveur garde l'historique par `session_id` (en mémoire,
@@ -155,9 +164,10 @@ Côté client, pilotable depuis `stt/client/config/` + l'écran de réglages du
 | **3 — Déploiement cluster** | image ghcr + manifests k8s + ArgoCD (LiteLLM en IP directe) | ✅ déployé |
 | **4 — HUD avancé** | visualiseur arc-reactor + thèmes + écran réglages | ⏳ |
 | **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) |
+| **5b — Mémoire long-terme** | Qdrant `stt-memory` + embeddings (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) sur gpu-01 `:1238` → recherche plus précise | ✅ (rôle llama_server + migration auto collection) |
+| **5e — Fix thinking Qwen3** | `/no_think` (content vide / timeout 502) + fallback reasoning_content | ✅ (17/06) |
 | **6 — Auto-start client** | `install-service.sh` (systemd --user) + kiosk | ⏳ |
 | **7 — Outils Hermes** | « agir sur Funk » via gateway `:8080` (API à spécifier) | ⏳ |
 

stt/server/README.md

@@ -31,12 +31,22 @@ la cohérence de la mémoire process. Mémoire long-terme Qdrant = phase 5b.)
 | `STT_ALLOWED_MODELS` | `hermes-default,qwen3-8b,claude-sonnet-4-6,claude-opus-4-7` | alias autorisés (demandables par le client) |
 | `STT_SYSTEM_PROMPT` | prompt vocal FR concis | persona |
 | `STT_MAX_TOKENS` / `STT_TEMPERATURE` | `200` / `0.7` | génération |
+| `STT_DISABLE_THINKING` | `true` | ajoute `/no_think` au prompt (désactive le raisonnement Qwen3) |
 | `STT_MEMORY_LONGTERM` | `true` | mémoire long-terme Qdrant (dégrade si injoignable) |
 | `STT_QDRANT_URL` | `http://192.168.10.1:6333` | Qdrant (s01) |
 | `STT_EMBED_URL` | `http://192.168.10.20:1238/v1/embeddings` | embeddings nomic-embed-text (gpu-01 `:1238`, dim 768) |
 | `STT_EMBED_MODEL` | `nomic-embed-text` | alias du modèle d'embedding |
 | `STT_MEMORY_TOPK` | `3` | nombre de souvenirs injectés |
 
+## Caveat Qwen3 — mode « thinking »
+
+Qwen3 est un modèle de raisonnement : par défaut il « réfléchit » avant de répondre. Avec un
+`max_tokens` faible (200), il dépense tout le budget dans `reasoning_content` → `content` **vide** ;
+sur certaines questions il réfléchit longtemps → **timeout** (502 `upstream LiteLLM : `). `brain.py`
+ajoute donc le token de contrôle **`/no_think`** au prompt système (`STT_DISABLE_THINKING=true`,
+inoffensif pour les modèles non-Qwen) et, par sécurité, récupère `reasoning_content` si `content`
+est vide. Voir le caveat partagé dans `admin/ia/llama_server.md`.
+
 ## Dev local
 
 ```bash