mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-09 16:34:42 +02:00
ALI YESILKAYA
577d61ebaa
* feat(litellm): heartbeat anti-502 + request_timeout 20s
Cause racine du 502 « 1ʳᵉ demande après une pause » : la connexion keep-alive
LiteLLM↔llama-server devient inactive → llama-server la ferme → LiteLLM garde le
socket mort → la requête suivante part dans le vide → timeout → 502.
- llm-heartbeat : service systemd qui appelle hermes-default toutes les 15s
(max_tokens:1, /no_think → ~10ms GPU) → la connexion n'est jamais inactive,
jamais périmée. Logge les échecs → sert aussi de sonde (vraie génération).
- request_timeout 60→20s : un socket périmé échoue vite, dans la fenêtre où
num_retries:2 peut rejouer sur une connexion neuve (sinon le client abandonnait
avant le retry → 502 sec).
- Doc : admin/incidents-llm-gpu.md (fix racine) + README rôle.
⚠️ heartbeat appelle hermes-default en continu → si bascule sur Claude (facturé),
mettre llm_heartbeat_enabled: false. request_timeout global → remonter si Claude.
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
* feat(llama_server): watchdog auto-réparation du wedge ROCm
Service systemd local sur gpu-01 qui sonde une vraie génération sur :1234
(pas juste /health, qui ment quand le slot d'inférence est figé). Sur N
échecs consécutifs → systemctl restart llama-server en local (root, sans
SSH/sudo distant). Gère le 503 "Loading model" post-restart sans le compter
comme échec.
Complète le llm-heartbeat (rôle litellm) : le heartbeat empêche la péremption
par inactivité de la connexion ; le watchdog répare le figeage du serveur lui-même.
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
---------
Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
39 lines
1.6 KiB
YAML
39 lines
1.6 KiB
YAML
---
|
|
llama_server_port: 1234
|
|
llama_server_host: "0.0.0.0"
|
|
llama_amdgpu_targets: "gfx1030"
|
|
rocm_path: "/opt/rocm"
|
|
hsa_override_gfx_version: "10.3.0"
|
|
|
|
# Modèle à charger au démarrage
|
|
llama_model_path: ""
|
|
llama_model_alias: ""
|
|
llama_ctx_size: 32768
|
|
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"
|
|
|
|
# Watchdog — auto-réparation du llama-server figé (wedge ROCm gfx1031).
|
|
# Sonde une VRAIE génération sur :1234 (pas seulement /health, qui ment quand le
|
|
# slot d'inférence est bloqué — cf. admin/incidents-llm-gpu.md). Sur N échecs
|
|
# consécutifs → `systemctl restart llama-server` en local (tourne en root).
|
|
llama_watchdog_enabled: true
|
|
llama_watchdog_port: "{{ llama_server_port }}"
|
|
llama_watchdog_model: "{{ llama_model_alias }}"
|
|
llama_watchdog_service: "llama-server"
|
|
llama_watchdog_interval: 20 # s entre deux sondes
|
|
llama_watchdog_timeout: 15 # s max par sonde (génération triviale)
|
|
llama_watchdog_failures: 3 # échecs consécutifs avant restart
|