mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 14:24:42 +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>
38 lines
1.5 KiB
Django/Jinja
38 lines
1.5 KiB
Django/Jinja
#!/usr/bin/env bash
|
|
# llm-heartbeat — garde « chaud » le tuyau LiteLLM ↔ llama-server.
|
|
#
|
|
# Pourquoi : llama-server ferme les connexions keep-alive inactives, mais LiteLLM
|
|
# garde le socket mort dans son pool → la 1ʳᵉ requête après une pause part dans le
|
|
# vide → timeout → 502 (cf. admin/incidents-llm-gpu.md). Un petit appel régulier
|
|
# maintient la connexion vivante (et la re-crée AVANT la vraie demande si elle est morte).
|
|
#
|
|
# Double rôle (watchdog d'observation) : logge un échec → visible dans
|
|
# `journalctl -u llm-heartbeat`. Déployé/géré par le rôle Ansible `litellm`.
|
|
set -u
|
|
|
|
URL="http://127.0.0.1:{{ litellm_port }}/v1/chat/completions"
|
|
KEY="{{ litellm_master_key }}"
|
|
MODEL="{{ llm_heartbeat_model }}"
|
|
TIMEOUT="{{ llm_heartbeat_timeout }}"
|
|
INTERVAL="{{ llm_heartbeat_interval }}"
|
|
|
|
# `/no_think` + max_tokens:1 → génération quasi instantanée (~10 ms GPU), coût négligeable.
|
|
payload="{\"model\":\"${MODEL}\",\"messages\":[{\"role\":\"user\",\"content\":\"ping /no_think\"}],\"max_tokens\":1}"
|
|
|
|
fails=0
|
|
while true; do
|
|
code=$(curl -s -m "$TIMEOUT" -o /dev/null -w '%{http_code}' \
|
|
"$URL" \
|
|
-H "Authorization: Bearer ${KEY}" \
|
|
-H "Content-Type: application/json" \
|
|
-d "$payload" 2>/dev/null) || code="000"
|
|
|
|
if [ "$code" = "200" ]; then
|
|
fails=0
|
|
else
|
|
fails=$((fails + 1))
|
|
echo "heartbeat KO: HTTP ${code} (${MODEL}) — chaîne LLM non réactive (${fails} échec(s) consécutif(s))"
|
|
fi
|
|
|
|
sleep "$INTERVAL"
|
|
done
|