feat(stt): embeddings dédiés nomic-embed-text sur gpu-01 (:1238) + migration auto (#12)

* 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

---------

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

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

@@ -9,8 +9,9 @@ Objectif ultérieur : « agir sur le homelab » via les outils de Hermes (phase
 > chaîne voix → cerveau → voix + interface + mémoire. Renommable plus tard sans impact
 > technique (FRIDAY, etc.) — c'est juste un identifiant de répertoire/commande.
 
-> ⚠️ **2026-06-17** — client (phase 1) + serveur (phase 2) + manifests cluster (phase 3) écrits.
-> Reste : build image (CI), déploiement ArgoCD (après merge sur `main`), test audio sur poste.
+> ✅ **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
+> bout-en-bout sur le poste (phase 1), HUD avancé (4), auto-start (6), outils Hermes (7).
 
 ---
 
@@ -86,11 +87,24 @@ switch global type `hermes-switch` (pas de restart, chaque client choisit le sie
 - **Court-terme (5a, fait)** : le serveur garde l'historique par `session_id` (en mémoire,
   borné `max_turns` + TTL) et l'injecte dans l'appel LLM. `/v1/ask {session_id}` + `/v1/reset`.
   Le client génère un `session_id` par run. Deployment en **1 worker** (cohérence mémoire process).
-- **Long-terme (5b, fait)** : collection Qdrant dédiée `stt-memory` (indépendante du
+- **Long-terme (5b, ✅ validé 17/06)** : collection Qdrant dédiée `stt-memory` (indépendante du
   `funk-docs` du RAG), embeddings via Qwen3 `:1234` (dim 4096, Cosine), souvenirs pertinents
   (top-k) injectés au prompt. Qdrant en IP directe `192.168.10.1:6333`. **Dégrade proprement**
-  si Qdrant/embeddings injoignables (la mémoire court-terme tient). Caveat qualité : embeddings
-  Qwen3 médiocres → recherche approximative (piste `nomic-embed-text`, voir `admin/ia/rag.md`).
+  si Qdrant/embeddings injoignables (la mémoire court-terme tient).
+  - **Validé bout-en-bout** : « mon chat s'appelle Felix » (session A) rappelé dans une
+    nouvelle session B (« comment s'appelle mon chat ? » → « Felix »). `points_count` confirmé via
+    `/v1/memory/health`.
+  - **`upsert ?wait=true`** : l'écriture Qdrant est synchrone, donc un souvenir est *immédiatement*
+    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.
+- **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`.
 
@@ -141,16 +155,18 @@ 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) | ✅ |
+| **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) 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) | ⏳ |
 
-### État (testé hors-LAN)
+### État (validé sur cible)
 
-`py_compile` OK (client + serveur) ; client : `stt --help`, config, `ServerClient` vérifiés ;
-serveur : import/compile OK. Reste à valider sur cible : build image (CI), déploiement ArgoCD
-après merge, et test audio bout-en-bout sur le poste.
+Serveur déployé in-cluster via ArgoCD (image `sha-<commit>` gérée par CI). Mémoire **5a + 5b
+validées en prod** : court-terme (historique de session) et long-terme (rappel cross-session
+« Felix », `points_count` confirmé via `/v1/memory/health`). Reste côté poste : test audio
+bout-en-bout (micro → STT → serveur → TTS) et HUD avancé.
 
 ---