perf(stt-server): mémoire long-terme hors chemin de réponse + résilience embed (#20)

Cause de la latence 30-45s : l'endpoint d'embeddings (gpu-01:1238) peut se
geler ; recall ET remember l'attendaient ~20s chacun (timeout → dégradation
silencieuse), s'ajoutant à la réponse. Refactor :

- store (ex-remember) en BackgroundTasks → APRÈS la réponse, hors latence perçue ;
  suppression de `?wait=true` (pas d'attente du flush Qdrant)
- recall renvoie aussi le vecteur de la requête → store le réutilise (1 embed/tour
  au lieu de 2, le 2ᵉ portait sur le même texte)
- timeout recall serré (4s, STT_MEMORY_RECALL_TIMEOUT) : un embed lent/mort dégrade
  vite (souvenirs vides) au lieu de bloquer ; store tolère 20s en arrière-plan
- clients httpx persistants (pooling/keep-alive) côté brain + longterm, fermés via
  lifespan (plus de handshake TCP par appel)
- log de timing par requête (recall/gen/total/mem) pour diagnostiquer
- bump serveur 0.1.0 → 0.2.0

Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
This commit is contained in:
ALI YESILKAYA 2026-06-19 15:27:59 +02:00 committed by GitHub
parent 7025d7ae70
commit 914942de73
No known key found for this signature in database
GPG key ID: B5690EEEBB952194
6 changed files with 165 additions and 78 deletions

View file

@ -27,21 +27,37 @@ class LongTermMemory:
self.embed_url = settings.embed_url
self.embed_model = settings.embed_model
self.top_k = settings.memory_top_k
self.recall_timeout = settings.memory_recall_timeout
self.store_timeout = settings.memory_store_timeout
self._ready = False
# Client persistant : pooling + keep-alive (évite un handshake TCP par appel).
self._http: httpx.AsyncClient | None = None
async def _embed(self, client: httpx.AsyncClient, text: str) -> list[float]:
r = await client.post(
def _client(self) -> httpx.AsyncClient:
if self._http is None or self._http.is_closed:
self._http = httpx.AsyncClient()
return self._http
async def aclose(self) -> None:
if self._http is not None and not self._http.is_closed:
await self._http.aclose()
async def _embed(self, text: str, timeout: float) -> list[float]:
r = await self._client().post(
self.embed_url,
json={"model": self.embed_model, "input": text},
timeout=30,
timeout=timeout,
)
r.raise_for_status()
return r.json()["data"][0]["embedding"]
async def _ensure_collection(self, client: httpx.AsyncClient, dim: int) -> None:
async def _ensure_collection(self, dim: int) -> None:
if self._ready:
return
r = await client.get(f"{self.qdrant}/collections/{self.collection}")
client = self._client()
r = await client.get(
f"{self.qdrant}/collections/{self.collection}", timeout=self.store_timeout
)
if r.status_code == 200:
# Collection existante : si la dimension a changé (modèle d'embedding
# différent, ex. Qwen3 4096 → nomic 768), on recrée — les anciens vecteurs
@ -57,30 +73,38 @@ class LongTermMemory:
await client.put(
f"{self.qdrant}/collections/{self.collection}",
json={"vectors": {"size": dim, "distance": "Cosine"}},
timeout=self.store_timeout,
)
self._ready = True
async def recall(self, text: str) -> list[str]:
"""Souvenirs pertinents (texte) ou [] si indisponible."""
async def recall(self, text: str) -> tuple[list[str], list[float] | None]:
"""Souvenirs pertinents + le vecteur de la requête (réutilisable pour `store`).
Sur le chemin de réponse timeout serré (`recall_timeout`) : si l'embed ou Qdrant
traîne, on dégrade vite en `([], None)` plutôt que de faire patienter le client.
Le vecteur renvoyé évite de -embedder le même texte au moment du `store`.
"""
try:
async with httpx.AsyncClient(timeout=20) as client:
vec = await self._embed(client, text)
r = await client.post(
f"{self.qdrant}/collections/{self.collection}/points/search",
json={"vector": vec, "limit": self.top_k, "with_payload": True},
)
if r.status_code == 404: # collection pas encore créée
return []
r.raise_for_status()
pts = r.json().get("result", [])
return [p["payload"]["text"] for p in pts if p.get("payload", {}).get("text")]
client = self._client()
vec = await self._embed(text, timeout=self.recall_timeout)
r = await client.post(
f"{self.qdrant}/collections/{self.collection}/points/search",
json={"vector": vec, "limit": self.top_k, "with_payload": True},
timeout=self.recall_timeout,
)
if r.status_code == 404: # collection pas encore créée → rien à rappeler
return [], vec
r.raise_for_status()
pts = r.json().get("result", [])
texts = [p["payload"]["text"] for p in pts if p.get("payload", {}).get("text")]
return texts, vec
except Exception: # noqa: BLE001 — dégrade silencieusement
return []
return [], None
async def health(self) -> dict:
"""Diagnostic actif : sonde embeddings + Qdrant + collection, sans rien avaler.
Contrairement à recall/remember (qui dégradent en silence), expose les erreurs
Contrairement à recall/store (qui dégradent en silence), expose les erreurs
pour pouvoir déboguer la mémoire long-terme sans `kubectl exec`.
"""
out: dict = {
@ -91,49 +115,60 @@ class LongTermMemory:
"embed": {"ok": False},
"qdrant": {"ok": False},
}
async with httpx.AsyncClient(timeout=20) as client:
# 1) embeddings
try:
vec = await self._embed(client, "ping mémoire")
out["embed"] = {"ok": True, "dim": len(vec)}
except Exception as e: # noqa: BLE001 — on veut l'erreur
out["embed"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
# 2) Qdrant + collection
try:
r = await client.get(f"{self.qdrant}/collections")
r.raise_for_status()
names = [c["name"] for c in r.json().get("result", {}).get("collections", [])]
exists = self.collection in names
qdrant: dict = {"ok": True, "collections": names, "collection_exists": exists}
if exists:
cr = await client.get(f"{self.qdrant}/collections/{self.collection}")
if cr.status_code == 200:
qdrant["points_count"] = cr.json().get("result", {}).get("points_count")
out["qdrant"] = qdrant
except Exception as e: # noqa: BLE001
out["qdrant"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
client = self._client()
# 1) embeddings
try:
vec = await self._embed("ping mémoire", timeout=self.store_timeout)
out["embed"] = {"ok": True, "dim": len(vec)}
except Exception as e: # noqa: BLE001 — on veut l'erreur
out["embed"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
# 2) Qdrant + collection
try:
r = await client.get(f"{self.qdrant}/collections", timeout=self.store_timeout)
r.raise_for_status()
names = [c["name"] for c in r.json().get("result", {}).get("collections", [])]
exists = self.collection in names
qdrant: dict = {"ok": True, "collections": names, "collection_exists": exists}
if exists:
cr = await client.get(
f"{self.qdrant}/collections/{self.collection}", timeout=self.store_timeout
)
if cr.status_code == 200:
qdrant["points_count"] = cr.json().get("result", {}).get("points_count")
out["qdrant"] = qdrant
except Exception as e: # noqa: BLE001
out["qdrant"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
return out
async def remember(self, session_id: str, text: str) -> None:
async def store(
self, session_id: str, text: str, vec: list[float] | None = None
) -> None:
"""Mémorise un tour. Pensé pour tourner **en tâche de fond** (hors chemin de réponse).
`vec` : si fourni (réutilisé depuis `recall`), on évite un 2 embed du même texte.
Pas de `?wait=true` : on n'attend pas le flush disque de Qdrant — le client a déjà
sa réponse, ce point peut être indexé en arrière-plan.
"""
try:
async with httpx.AsyncClient(timeout=20) as client:
vec = await self._embed(client, text)
await self._ensure_collection(client, len(vec))
await client.put(
f"{self.qdrant}/collections/{self.collection}/points?wait=true",
json={
"points": [
{
"id": str(uuid.uuid4()),
"vector": vec,
"payload": {
"text": text,
"session_id": session_id,
"ts": time.time(),
},
}
]
},
)
if vec is None:
vec = await self._embed(text, timeout=self.store_timeout)
await self._ensure_collection(len(vec))
await self._client().put(
f"{self.qdrant}/collections/{self.collection}/points",
json={
"points": [
{
"id": str(uuid.uuid4()),
"vector": vec,
"payload": {
"text": text,
"session_id": session_id,
"ts": time.time(),
},
}
]
},
timeout=self.store_timeout,
)
except Exception: # noqa: BLE001 — dégrade silencieusement
pass