# llama_server

Compile llama.cpp (backend HIP/ROCm) et déploie le service **llama-server GPU** (`:1234`) sur gpu-01. Sert aussi les embeddings du RAG.

## Ce que fait le rôle

- Clone + build llama.cpp (cmake HIP, `gfx1030`) — build seulement si le binaire est absent
- 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`. Télécharge le GGUF depuis `llama_embed_model_url` si absent. **Tourne en CPU**
  (`llama_embed_n_gpu_layers: 0`) : nomic est minuscule (137M) → ~100 ms déterministe, et
  ne **partage pas** la RX 6700XT avec le chat `:1234`. Mettre sur GPU (`99`) provoquait
  une latence bimodale (16 ms / 9-12 s) par contention → `docs=0` du STT (cf.
  `admin/incidents-llm-gpu.md`).
- **Heartbeat embed** (optionnel, `llama_embed_heartbeat_enabled`, défaut `true`) : service
  systemd `llama-embed-heartbeat` qui envoie un petit embed à `:1238` toutes les
  `llama_embed_heartbeat_interval` s → garde le **slot d'embedding chaud**. Sans ça, la 1ʳᵉ
  requête après une pause part à froid (5-8 s) et dépasse le timeout du STT-server (4 s) →
  recall mémoire vide **et** RAG documentaire raté (`docs=0`, cf. `admin/ia/stt.md`). Pendant
  du `llm-heartbeat` (rôle `litellm`) côté chat. Logs : `journalctl -u llama-embed-heartbeat`.

## Heartbeat embed — variables

| Variable | Défaut |
|---|---|
| `llama_embed_heartbeat_enabled` | `true` (si `llama_embed_enabled`) |
| `llama_embed_heartbeat_interval` | `20` (s entre deux pings) |
| `llama_embed_heartbeat_timeout` | `15` (s max par ping) |
- **Watchdog** (optionnel, `llama_watchdog_enabled`, défaut `true`) : service systemd
  `llama-watchdog` qui sonde une **vraie génération** sur `:1234` toutes les
  `llama_watchdog_interval` s. Sur `llama_watchdog_failures` échecs consécutifs →
  `systemctl restart llama-server` **en local** (tourne en root, pas de SSH). Répare
  automatiquement le wedge ROCm où `/health` reste vert mais l'inférence est morte
  (cf. `admin/incidents-llm-gpu.md`). Logs : `journalctl -u llama-watchdog`.

## Watchdog — variables

| Variable | Défaut |
|---|---|
| `llama_watchdog_enabled` | `true` |
| `llama_watchdog_port` | `{{ llama_server_port }}` (1234) |
| `llama_watchdog_model` | `{{ llama_model_alias }}` (`qwen3-8b`) |
| `llama_watchdog_interval` | `20` (s entre deux sondes) |
| `llama_watchdog_timeout` | `15` (s max par sonde) |
| `llama_watchdog_failures` | `3` (échecs consécutifs avant restart) |

> Complémentaire au `llm-heartbeat` du rôle `litellm` : le heartbeat empêche la
> *péremption par inactivité* de la connexion LiteLLM↔llama-server ; le watchdog répare le
> *figeage* du llama-server lui-même. Le watchdog gère le `503 "Loading model"` post-restart
> (rechargement VRAM) sans le compter comme échec.

## Variables principales

| Variable | Défaut | Surcharge gpu-01 |
|---|---|---|
| `llama_server_port` | 1234 | — |
| `llama_model_path` | `""` | `/mnt/models/bartowski/Qwen3-8B-GGUF/Qwen3-8B-Q4_K_M.gguf` |
| `llama_model_alias` | `""` | `qwen3-8b` |
| `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` | — |
| `llama_embed_n_gpu_layers` | `0` (CPU — évite la contention GPU avec `:1234`) | — |

## Instances CPU retirées (2026-06-20)

Trois serveurs llama CPU **manuels** (hors Ansible) tournaient sur gpu-01 et ont été
**supprimés** (stop + disable + `rm` des units + ports firewall fermés) car inutilisés —
ils n'étaient même plus routés par LiteLLM (alias absents de `/etc/litellm/config.yaml`) :

| Service (supprimé) | Port | Modèle | Ex-usage |
|---|---|---|---|
| `llama-server-system.service` | 1236 | Qwen3-1.7B CPU | profil `system` |
| `llama-server-monitor.service` | 1237 | Qwen3-1.7B CPU | profil `monitor` |
| `llama-server-dev.service` | 1235 | Qwen3-4B CPU | profil `dev` |

> Le rôle ne gère désormais **que** l'instance GPU (`llama-server.service`, `:1234`) et
> l'embed CPU (`llama-embed.service`, `:1238`). Les profils Hermès `system`/`monitor`
> n'ont plus de backend dédié — repointer leurs alias LiteLLM sur `qwen3-8b` (GPU) si on
> veut les réactiver.

## Caveats

- Rebuild forcé : supprimer le binaire (`/opt/llama.cpp/build/bin/llama-server`) puis relancer le rôle
- Le modèle vient du NFS — voir caveat du rôle `nfs_client`