mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 22:34:41 +02:00
ALI YESILKAYA
1faf50a9be
Asa n'est plus bloqué sur le seul contexte « doc cluster grounding-strict ». Le client choisit un contexte par requête ; le serveur change le system prompt ET injecte les données live du domaine, puis renvoie le contexte assemblé pour le visualiseur du HUD. - contexts.py : profils funk / ghostfolio / grafana / alerting / cluster (system prompt + sources) + assemble() (prompt final + structure de visualisation). - sources.py : fetchers live best-effort (Ghostfolio auth+details, Alertmanager alerts hors Watchdog, Prometheus cluster/metrics), env-config, dégradation propre. - brain.py : ask() reçoit le system prompt déjà assemblé (assemblage remonté). - app.py : /v1/ask accepte `context`, renvoie context_id + le contexte assemblé ; nouveau GET /v1/contexts ; RAG doc conditionné au profil. - config.py : URLs sources + STT_GHOSTFOLIO_TOKEN + STT_DEFAULT_CONTEXT. - deployment : env in-cluster (Prometheus/Alertmanager monitoring, Ghostfolio ai), jeton via secret optionnel stt-server-secrets/ghostfolio-token. - bump 0.3.1 → 0.4.0. Validé en local : assemblage (blocs+RAG+mémoire), parsing des sources (mock), endpoints /v1/contexts et /v1/ask (LLM mocké) — context_id, visualiseur, fallback contexte inconnu → funk. Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
85 lines
3.3 KiB
Python
85 lines
3.3 KiB
Python
"""Orchestration AI : route les requêtes des clients vers LiteLLM (s01).
|
||
|
||
LiteLLM (:4000) est OpenAI-compatible et route lui-même vers Qwen3 (g01) ou Claude
|
||
selon l'alias `hermes-default` / `hermes-switch`. L'intégration des outils Hermes
|
||
(« agir sur Funk » via le gateway :8080) est une étape ultérieure.
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import httpx
|
||
|
||
from stt_server.config import settings
|
||
|
||
# Client persistant (pooling + keep-alive) : évite un handshake TCP vers LiteLLM à chaque tour.
|
||
_client: httpx.AsyncClient | None = None
|
||
|
||
|
||
def _get_client() -> httpx.AsyncClient:
|
||
global _client
|
||
if _client is None or _client.is_closed:
|
||
_client = httpx.AsyncClient(timeout=settings.request_timeout)
|
||
return _client
|
||
|
||
|
||
async def aclose() -> None:
|
||
global _client
|
||
if _client is not None and not _client.is_closed:
|
||
await _client.aclose()
|
||
_client = None
|
||
|
||
|
||
async def ask(
|
||
text: str,
|
||
system: str,
|
||
model: str | None = None,
|
||
history: list[dict] | None = None,
|
||
) -> str:
|
||
"""Interroge le LLM avec un system prompt **déjà assemblé** (voir contexts.assemble).
|
||
|
||
Le choix du contexte, l'injection des sources live et du RAG sont faits en amont
|
||
(app.v1_ask + contexts) ; ici on ne fait que le réglage thinking + l'appel LLM.
|
||
"""
|
||
if settings.disable_thinking:
|
||
# Qwen3 est un modèle « thinking » : sans ça il dépense tout le budget max_tokens
|
||
# en raisonnement (`reasoning_content`) → `content` vide, ou part en réflexion longue
|
||
# → timeout (502). Le token de contrôle `/no_think` désactive le mode raisonnement.
|
||
# Inoffensif pour les modèles non-Qwen (simple texte ignoré).
|
||
system += "\n/no_think"
|
||
messages = [{"role": "system", "content": system}]
|
||
if history:
|
||
messages += history
|
||
messages.append({"role": "user", "content": text})
|
||
payload = {
|
||
"model": model or settings.model,
|
||
"messages": messages,
|
||
"max_tokens": settings.max_tokens,
|
||
"temperature": settings.temperature,
|
||
}
|
||
headers = {"Authorization": f"Bearer {settings.litellm_key}"}
|
||
# Résilience : la chaîne LiteLLM→llama-server (ROCm) se fige par à-coups. Une 2ᵉ tentative
|
||
# récupère un blip transitoire (ex. connexion keep-alive périmée) au lieu de renvoyer 502.
|
||
# Timeout PAR tentative (`request_timeout`) → on ne dépasse pas ~2× ce budget au pire.
|
||
last_exc: Exception | None = None
|
||
for attempt in range(2):
|
||
try:
|
||
r = await _get_client().post(
|
||
settings.litellm_url,
|
||
json=payload,
|
||
headers=headers,
|
||
timeout=settings.request_timeout,
|
||
)
|
||
r.raise_for_status()
|
||
break
|
||
except httpx.HTTPError as e:
|
||
last_exc = e
|
||
await aclose() # repart sur une connexion neuve (pool potentiellement vicié)
|
||
else:
|
||
raise last_exc # type: ignore[misc]
|
||
msg = r.json()["choices"][0]["message"]
|
||
# Filet de sécurité : si un modèle « thinking » renvoie un content vide (tout parti
|
||
# en reasoning_content), on récupère le raisonnement plutôt que de renvoyer "".
|
||
content = (msg.get("content") or "").strip()
|
||
if not content:
|
||
content = (msg.get("reasoning_content") or "").strip()
|
||
return content
|