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/`.