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>

stt/server/README.md

@@ -33,7 +33,8 @@ la cohérence de la mémoire process. Mémoire long-terme Qdrant = phase 5b.)
 | `STT_MAX_TOKENS` / `STT_TEMPERATURE` | `200` / `0.7` | génération |
 | `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://192.168.10.20:1234/v1/embeddings` | embeddings Qwen3 (gpu-01) |
+| `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 |
 
 ## Dev local
@@ -57,11 +58,12 @@ curl -s localhost:8000/v1/ask -H 'content-type: application/json' -d '{"text":"b
 
 - **Court-terme** (`memory.py`) : historique par `session_id` (en mémoire, borné + TTL).
 - **Long-terme** (`longterm.py`) : collection Qdrant `stt-memory` (vecteurs des tours user,
-  embeddings Qwen3), souvenirs pertinents injectés au prompt. Dégrade si Qdrant/embeddings down.
+  embeddings `nomic-embed-text` dim 768 via gpu-01 `:1238`), souvenirs pertinents injectés au
+  prompt. Dégrade si Qdrant/embeddings down. Migration auto de la collection si la dimension
+  d'embedding change (`_ensure_collection` détecte et recrée).
 
 ## À venir
 
 - Intégration des **outils Hermes** (« agir sur Funk ») via le gateway `:8080` — nécessite
   de spécifier son API. Aujourd'hui : inférence/chat seulement (via LiteLLM).
-- Embedding dédié (`nomic-embed-text`) pour une recherche sémantique de meilleure qualité.
 - Mémoire **distillée** versionnée (faits/préférences) dans `server/memory/`.

stt/server/stt_server/config.py

@@ -36,9 +36,9 @@ class Settings:
     memory_longterm: bool = os.getenv("STT_MEMORY_LONGTERM", "true").lower() == "true"
     qdrant_url: str = os.getenv("STT_QDRANT_URL", "http://192.168.10.1:6333")
     qdrant_collection: str = os.getenv("STT_QDRANT_COLLECTION", "stt-memory")
-    # Embeddings : Qwen3 sur llama-server gpu-01 (comme le RAG). dim 4096.
-    embed_url: str = os.getenv("STT_EMBED_URL", "http://192.168.10.20:1234/v1/embeddings")
-    embed_model: str = os.getenv("STT_EMBED_MODEL", "qwen3-8b")
+    # Embeddings : instance dédiée nomic-embed-text sur llama-server gpu-01 (:1238, dim 768).
+    embed_url: str = os.getenv("STT_EMBED_URL", "http://192.168.10.20:1238/v1/embeddings")
+    embed_model: str = os.getenv("STT_EMBED_MODEL", "nomic-embed-text")
     memory_top_k: int = int(os.getenv("STT_MEMORY_TOPK", "3"))
 
 

stt/server/stt_server/longterm.py

@@ -1,13 +1,13 @@
 """Mémoire long-terme sémantique (Qdrant).
 
 Stocke les tours utilisateur comme vecteurs dans la collection `stt-memory` et retrouve
-les souvenirs pertinents pour les injecter dans le prompt. Embeddings via Qwen3 (llama-server
-gpu-01), comme le RAG. **Tout dégrade proprement** : si Qdrant ou l'endpoint d'embedding
-est injoignable, `recall` renvoie [] et `remember` ne fait rien (la mémoire court-terme
-de session continue de fonctionner).
+les souvenirs pertinents pour les injecter dans le prompt. Embeddings via une instance
+llama-server dédiée (`nomic-embed-text`, gpu-01 `:1238`, dim 768). **Tout dégrade proprement** :
+si Qdrant ou l'endpoint d'embedding est injoignable, `recall` renvoie [] et `remember` ne
+fait rien (la mémoire court-terme de session continue de fonctionner).
 
-> Caveat qualité : Qwen3 n'est pas un modèle d'embedding dédié (cosinus uniformément hauts) ;
-> la recherche est approximative. Voir admin/ia/rag.md pour la piste nomic-embed-text.
+> Le modèle d'embedding est configurable (`STT_EMBED_URL`/`STT_EMBED_MODEL`). Si la dimension
+> change, `_ensure_collection` recrée automatiquement la collection. Voir admin/ia/rag.md.
 """
 
 from __future__ import annotations
@@ -42,11 +42,22 @@ class LongTermMemory:
         if self._ready:
             return
         r = await client.get(f"{self.qdrant}/collections/{self.collection}")
-        if r.status_code == 404:
-            await client.put(
-                f"{self.qdrant}/collections/{self.collection}",
-                json={"vectors": {"size": dim, "distance": "Cosine"}},
+        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
+            # sont incomparables dans le nouvel espace.
+            vectors = (
+                r.json().get("result", {}).get("config", {}).get("params", {}).get("vectors", {})
             )
+            size = vectors.get("size") if isinstance(vectors, dict) else None
+            if size == dim:
+                self._ready = True
+                return
+            await client.delete(f"{self.qdrant}/collections/{self.collection}")
+        await client.put(
+            f"{self.qdrant}/collections/{self.collection}",
+            json={"vectors": {"size": dim, "distance": "Cosine"}},
+        )
         self._ready = True
 
     async def recall(self, text: str) -> list[str]: