mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 23:44:41 +02:00
Sans contexte, le modèle (qwen3-8b) hallucinait sur le homelab (« stockage décentralisé », « worker nodes »…) car il ignore tout du cluster réel. Le cerveau interroge désormais la collection funk-docs (la doc admin/ indexée) et injecte les passages pertinents au prompt → il répond à partir de la vraie doc. Coût ~nul : funk-docs et stt-memory partagent le même embedder nomic (:1238, 768 dim) → le vecteur de requête calculé pour le recall mémoire est réutilisé pour la recherche doc (une embed, deux recherches). Dégrade en silence si Qdrant/embed down (réponse sans doc plutôt qu'échec). Module knowledge.py (STT_DOCS_RAG, TOPK=6, MIN_SCORE=0.45). Log /v1/ask expose docs=<n>. Serveur 0.2.1 → 0.3.0. Validé : « c'est quoi le nom des nœuds ? » → avant « worker/master nodes » (inventé) ; après « Kubernetes ; nœuds storage-01, compute-01, compute-02 » (tiré de la doc). Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
136 lines
4.4 KiB
Python
136 lines
4.4 KiB
Python
"""STT-server — API FastAPI pour les clients STT.
|
|
|
|
Endpoints :
|
|
GET /healthz → état du service
|
|
POST /v1/ask {text} → {reply} (requête AI, orchestrée vers LiteLLM)
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import logging
|
|
import time
|
|
from contextlib import asynccontextmanager
|
|
|
|
import httpx
|
|
from fastapi import BackgroundTasks, FastAPI, HTTPException
|
|
from pydantic import BaseModel
|
|
|
|
from stt_server import __version__
|
|
from stt_server import brain
|
|
from stt_server.brain import ask as brain_ask
|
|
from stt_server.config import settings
|
|
from stt_server.knowledge import Knowledge
|
|
from stt_server.longterm import LongTermMemory
|
|
from stt_server.memory import SessionStore
|
|
|
|
log = logging.getLogger("stt_server")
|
|
# uvicorn ne configure que ses propres loggers : on attache notre handler en INFO
|
|
# pour que les lignes de timing (`ask … recall/gen/total`) sortent dans les logs du pod.
|
|
if not log.handlers:
|
|
log.setLevel(logging.INFO)
|
|
_h = logging.StreamHandler()
|
|
_h.setFormatter(logging.Formatter("%(levelname)s: %(name)s: %(message)s"))
|
|
log.addHandler(_h)
|
|
log.propagate = False
|
|
|
|
sessions = SessionStore()
|
|
longterm = LongTermMemory() if settings.memory_longterm else None
|
|
knowledge = Knowledge() if settings.docs_rag else None
|
|
|
|
|
|
@asynccontextmanager
|
|
async def lifespan(app: FastAPI):
|
|
yield
|
|
# Fermeture propre des clients HTTP persistants (pooling).
|
|
await brain.aclose()
|
|
if longterm:
|
|
await longterm.aclose()
|
|
if knowledge:
|
|
await knowledge.aclose()
|
|
|
|
|
|
app = FastAPI(title="STT-server", version=__version__, lifespan=lifespan)
|
|
|
|
|
|
class AskRequest(BaseModel):
|
|
text: str
|
|
model: str | None = None # alias LiteLLM ; défaut serveur si absent
|
|
session_id: str | None = None # mémoire court-terme : fil de conversation
|
|
|
|
|
|
class AskReply(BaseModel):
|
|
reply: str
|
|
model: str
|
|
|
|
|
|
@app.get("/healthz")
|
|
async def healthz() -> dict:
|
|
return {"status": "ok", "version": __version__}
|
|
|
|
|
|
@app.get("/v1/models")
|
|
async def v1_models() -> dict:
|
|
return {"default": settings.model, "available": settings.allowed_models}
|
|
|
|
|
|
@app.get("/v1/memory/health")
|
|
async def v1_memory_health() -> dict:
|
|
"""État de la mémoire long-terme (embeddings + Qdrant + collection), erreurs exposées."""
|
|
if not longterm:
|
|
return {"enabled": False}
|
|
return await longterm.health()
|
|
|
|
|
|
@app.post("/v1/reset")
|
|
async def v1_reset(req: AskRequest) -> dict:
|
|
if req.session_id:
|
|
sessions.reset(req.session_id)
|
|
return {"status": "reset"}
|
|
|
|
|
|
@app.post("/v1/ask", response_model=AskReply)
|
|
async def v1_ask(req: AskRequest, background: BackgroundTasks) -> AskReply:
|
|
text = req.text.strip()
|
|
if not text:
|
|
raise HTTPException(status_code=400, detail="text vide")
|
|
model = req.model or settings.model
|
|
if model not in settings.allowed_models:
|
|
raise HTTPException(
|
|
status_code=400,
|
|
detail=f"modèle '{model}' non autorisé ; dispo : {settings.allowed_models}",
|
|
)
|
|
t0 = time.perf_counter()
|
|
history = sessions.history(req.session_id) if req.session_id else None
|
|
# recall : timeout serré, dégrade vite ; renvoie aussi le vecteur (réutilisé ci-dessous)
|
|
memories, qvec = await longterm.recall(text) if longterm else ([], None)
|
|
# RAG doc : on réutilise qvec (même embedder nomic) → ancre la réponse dans funk-docs
|
|
docs = await knowledge.search(text, qvec) if knowledge else []
|
|
t_recall = time.perf_counter()
|
|
try:
|
|
reply = await brain_ask(text, model, history, memories, docs)
|
|
except httpx.HTTPError as e:
|
|
raise HTTPException(status_code=502, detail=f"upstream LiteLLM : {e}") from e
|
|
t_gen = time.perf_counter()
|
|
if req.session_id:
|
|
sessions.add(req.session_id, "user", text)
|
|
sessions.add(req.session_id, "assistant", reply)
|
|
# store : APRÈS la réponse (BackgroundTasks) → hors latence perçue, et on réutilise qvec
|
|
if longterm:
|
|
background.add_task(longterm.store, req.session_id or "anon", text, qvec)
|
|
log.info(
|
|
"ask model=%s recall=%.0fms gen=%.0fms total=%.0fms mem=%d docs=%d",
|
|
model,
|
|
(t_recall - t0) * 1000,
|
|
(t_gen - t_recall) * 1000,
|
|
(t_gen - t0) * 1000,
|
|
len(memories),
|
|
len(docs),
|
|
)
|
|
return AskReply(reply=reply, model=model)
|
|
|
|
|
|
def run() -> None:
|
|
"""Entrypoint `stt-server` (dev local). En prod : uvicorn via le conteneur."""
|
|
import uvicorn
|
|
|
|
uvicorn.run(app, host="0.0.0.0", port=8000) # noqa: S104 — service interne au cluster
|