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>

ansible/host_vars/gpu-01/vars.yml

@@ -6,6 +6,13 @@ llama_model_path: "/mnt/models/bartowski/Qwen3-8B-GGUF/Qwen3-8B-Q4_K_M.gguf"
 llama_model_alias: "qwen3-8b"
 llama_ctx_size: 32768
 
+# Instance dédiée embeddings — nomic-embed-text (recherche sémantique précise, dim 768).
+# Sert la mémoire long-terme de STT. Sur GPU, port :1238 (modèle ~300 Mo VRAM).
+llama_embed_enabled: true
+llama_embed_model_path: "/mnt/models/nomic-ai/nomic-embed-text-v1.5.f16.gguf"
+llama_embed_model_url: "https://huggingface.co/nomic-ai/nomic-embed-text-v1.5-GGUF/resolve/main/nomic-embed-text-v1.5.f16.gguf"
+llama_embed_model_alias: "nomic-embed-text"
+
 # ROCm scraper — métriques GPU dans Prometheus
 rocm_exporter_enabled: true
 

ansible/roles/llama_server/README.md

@@ -8,6 +8,10 @@ Compile llama.cpp (backend HIP/ROCm) et déploie le service **llama-server GPU**
 - Service systemd `llama-server` : modèle GGUF depuis `/mnt/models` (NFS), `:1234`
 - Embeddings activés (`--embeddings`, pooling mean)
 - Ouvre le port dans le firewall, désactive l'ancien service lm-studio
+- **Instance dédiée embeddings** (optionnelle, `llama_embed_enabled`) : service systemd
+  `llama-embed` servant un modèle d'embedding spécialisé (ex. `nomic-embed-text`) sur
+  `:1238`, GPU. Télécharge le GGUF depuis `llama_embed_model_url` si absent. Partage le
+  binaire et le GPU avec `:1234` (modèle ~300 Mo VRAM).
 
 ## Variables principales
 
@@ -19,6 +23,11 @@ Compile llama.cpp (backend HIP/ROCm) et déploie le service **llama-server GPU**
 | `llama_ctx_size` | 32768 | 32768 |
 | `llama_n_gpu_layers` | 99 | — |
 | `hsa_override_gfx_version` | `10.3.0` | — |
+| `llama_embed_enabled` | `false` | `true` |
+| `llama_embed_port` | 1238 | — |
+| `llama_embed_model_path` | `""` | `/mnt/models/nomic-ai/nomic-embed-text-v1.5.f16.gguf` |
+| `llama_embed_model_url` | `""` | URL HuggingFace du GGUF nomic |
+| `llama_embed_model_alias` | `nomic-embed-text` | — |
 
 ## ⚠️ Gap IaC — instances CPU hors Ansible
 

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"

ansible/roles/llama_server/handlers/main.yml

@@ -7,3 +7,8 @@
   ansible.builtin.systemd:
     name: llama-server
     state: restarted
+
+- name: Restart llama-embed
+  ansible.builtin.systemd:
+    name: llama-embed
+    state: restarted

ansible/roles/llama_server/tasks/main.yml

@@ -77,3 +77,49 @@
     enabled: false
     state: stopped
   ignore_errors: true
+
+# --- Instance dédiée embeddings (nomic-embed-text) — optionnelle ---------------
+
+- name: Ensure embedding model directory exists
+  ansible.builtin.file:
+    path: "{{ llama_embed_model_path | dirname }}"
+    state: directory
+    mode: '0755'
+  when: llama_embed_enabled and llama_embed_model_path | length > 0
+
+- name: Download embedding model (GGUF) if absent
+  ansible.builtin.get_url:
+    url: "{{ llama_embed_model_url }}"
+    dest: "{{ llama_embed_model_path }}"
+    mode: '0644'
+    timeout: 120
+  when:
+    - llama_embed_enabled
+    - llama_embed_model_url | length > 0
+    - llama_embed_model_path | length > 0
+
+- name: Deploy embedding llama-server service
+  ansible.builtin.template:
+    src: llama-embed.service.j2
+    dest: /etc/systemd/system/llama-embed.service
+    mode: '0644'
+  notify:
+    - Reload systemd
+    - Restart llama-embed
+  when: llama_embed_enabled
+
+- name: Enable embedding llama-server service
+  ansible.builtin.systemd:
+    name: llama-embed
+    enabled: true
+    daemon_reload: true
+    state: started
+  when: llama_embed_enabled
+
+- name: Open embedding port in firewall
+  ansible.posix.firewalld:
+    port: "{{ llama_embed_port }}/tcp"
+    permanent: true
+    state: enabled
+    immediate: true
+  when: llama_embed_enabled

ansible/roles/llama_server/templates/llama-embed.service.j2

@@ -0,0 +1,26 @@
+[Unit]
+Description=llama-server embeddings ({{ llama_embed_model_alias }})
+After=network-online.target
+Wants=network-online.target
+
+[Service]
+Type=simple
+User=root
+Environment=HSA_OVERRIDE_GFX_VERSION={{ hsa_override_gfx_version }}
+Environment=LD_LIBRARY_PATH={{ rocm_path }}/lib
+ExecStart=/opt/llama.cpp/build/bin/llama-server \
+    --model {{ llama_embed_model_path }} \
+    --host {{ llama_server_host }} \
+    --port {{ llama_embed_port }} \
+    --ctx-size {{ llama_embed_ctx_size }} \
+    --n-gpu-layers {{ llama_embed_n_gpu_layers }} \
+    --alias {{ llama_embed_model_alias }} \
+    --embeddings \
+    --pooling {{ llama_embed_pooling }} \
+    --metrics \
+    --log-disable
+Restart=on-failure
+RestartSec=10
+
+[Install]
+WantedBy=multi-user.target