Funk-lab/stt/server/stt_server/longterm.py
ALI YESILKAYA 9fef555cc3
feat(stt): embeddings dédiés nomic-embed-text sur gpu-01 (:1238) + migration auto (#12)
* feat(stt): mémoire long-terme sémantique via Qdrant (5b)

Serveur : longterm.py — collection Qdrant stt-memory (embeddings Qwen3 gpu-01, dim auto,
Cosine), recall top-k injecté au prompt, remember des tours user. Tout dégrade proprement
si Qdrant/embeddings injoignables (la mémoire court-terme tient). Env STT_MEMORY_LONGTERM,
STT_QDRANT_URL, STT_EMBED_URL, STT_MEMORY_TOPK.

Testé en process : dégradation OK (Qdrant down → mem=0, pas de crash, court-terme tient).
Qdrant réparé le 17/06 (5c). Recherche sémantique réelle à valider sur cluster.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013FmcxGsyXZXogiAHQLjnZT

* feat(stt): endpoint /v1/memory/health + upsert Qdrant synchrone

- /v1/memory/health sonde activement embeddings + Qdrant + collection et
  expose les erreurs (recall/remember dégradent en silence → indébogables).
  Permet de diagnostiquer la mémoire long-terme sans kubectl exec.
- remember() : upsert avec ?wait=true → le souvenir est immédiatement
  cherchable (sans wait, Qdrant met l'écriture en file → un recall
  cross-session immédiat pouvait le rater).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013FmcxGsyXZXogiAHQLjnZT

* docs(stt): 5b mémoire long-terme validée en prod + backlog nomic-embed-text

- Rappel cross-session confirmé (« Felix » retrouvé dans une nouvelle session),
  points_count vérifié via /v1/memory/health.
- Note du fix upsert ?wait=true et de l'endpoint de diagnostic.
- Roadmap : 5d (nomic-embed-text dim 768) en backlog qualité ; états haut/bas
  du doc mis à jour (déployé + validé sur cible).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013FmcxGsyXZXogiAHQLjnZT

* feat(stt): embeddings dédiés nomic-embed-text sur gpu-01 (:1238) + migration auto

Remplace Qwen3 (chat réutilisé, dim 4096, peu discriminant) par un modèle
d'embedding spécialisé nomic-embed-text (dim 768) pour la mémoire long-terme.

Ansible (rôle llama_server) :
- nouvelle instance optionnelle `llama-embed` (llama_embed_enabled) servant un
  modèle d'embedding dédié sur :1238, GPU ; télécharge le GGUF si absent.
- activée sur gpu-01 (host_vars) : nomic-embed-text-v1.5 f16.

STT-server :
- STT_EMBED_URL → :1238, STT_EMBED_MODEL → nomic-embed-text (deployment + config).
- _ensure_collection détecte le changement de dimension (4096→768) et recrée
  automatiquement la collection stt-memory (anciens vecteurs incomparables) —
  pas de drop manuel.

Docs : llama_server README, rag.md, stt.md (5d ), CLAUDE.md.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013FmcxGsyXZXogiAHQLjnZT

---------

Co-authored-by: Claude <noreply@anthropic.com>
2026-06-17 21:54:41 +02:00

139 lines
6 KiB
Python

"""Mémoire long-terme sémantique (Qdrant).
Stocke les tours utilisateur comme vecteurs dans la collection `stt-memory` et retrouve
les souvenirs pertinents pour les injecter dans le prompt. Embeddings via une instance
llama-server dédiée (`nomic-embed-text`, gpu-01 `:1238`, dim 768). **Tout dégrade proprement** :
si Qdrant ou l'endpoint d'embedding est injoignable, `recall` renvoie [] et `remember` ne
fait rien (la mémoire court-terme de session continue de fonctionner).
> Le modèle d'embedding est configurable (`STT_EMBED_URL`/`STT_EMBED_MODEL`). Si la dimension
> change, `_ensure_collection` recrée automatiquement la collection. Voir admin/ia/rag.md.
"""
from __future__ import annotations
import time
import uuid
import httpx
from stt_server.config import settings
class LongTermMemory:
def __init__(self) -> None:
self.qdrant = settings.qdrant_url.rstrip("/")
self.collection = settings.qdrant_collection
self.embed_url = settings.embed_url
self.embed_model = settings.embed_model
self.top_k = settings.memory_top_k
self._ready = False
async def _embed(self, client: httpx.AsyncClient, text: str) -> list[float]:
r = await client.post(
self.embed_url,
json={"model": self.embed_model, "input": text},
timeout=30,
)
r.raise_for_status()
return r.json()["data"][0]["embedding"]
async def _ensure_collection(self, client: httpx.AsyncClient, dim: int) -> None:
if self._ready:
return
r = await client.get(f"{self.qdrant}/collections/{self.collection}")
if r.status_code == 200:
# Collection existante : si la dimension a changé (modèle d'embedding
# différent, ex. Qwen3 4096 → nomic 768), on recrée — les anciens vecteurs
# sont incomparables dans le nouvel espace.
vectors = (
r.json().get("result", {}).get("config", {}).get("params", {}).get("vectors", {})
)
size = vectors.get("size") if isinstance(vectors, dict) else None
if size == dim:
self._ready = True
return
await client.delete(f"{self.qdrant}/collections/{self.collection}")
await client.put(
f"{self.qdrant}/collections/{self.collection}",
json={"vectors": {"size": dim, "distance": "Cosine"}},
)
self._ready = True
async def recall(self, text: str) -> list[str]:
"""Souvenirs pertinents (texte) ou [] si indisponible."""
try:
async with httpx.AsyncClient(timeout=20) as client:
vec = await self._embed(client, text)
r = await client.post(
f"{self.qdrant}/collections/{self.collection}/points/search",
json={"vector": vec, "limit": self.top_k, "with_payload": True},
)
if r.status_code == 404: # collection pas encore créée
return []
r.raise_for_status()
pts = r.json().get("result", [])
return [p["payload"]["text"] for p in pts if p.get("payload", {}).get("text")]
except Exception: # noqa: BLE001 — dégrade silencieusement
return []
async def health(self) -> dict:
"""Diagnostic actif : sonde embeddings + Qdrant + collection, sans rien avaler.
Contrairement à recall/remember (qui dégradent en silence), expose les erreurs
pour pouvoir déboguer la mémoire long-terme sans `kubectl exec`.
"""
out: dict = {
"enabled": True,
"qdrant_url": self.qdrant,
"embed_url": self.embed_url,
"collection": self.collection,
"embed": {"ok": False},
"qdrant": {"ok": False},
}
async with httpx.AsyncClient(timeout=20) as client:
# 1) embeddings
try:
vec = await self._embed(client, "ping mémoire")
out["embed"] = {"ok": True, "dim": len(vec)}
except Exception as e: # noqa: BLE001 — on veut l'erreur
out["embed"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
# 2) Qdrant + collection
try:
r = await client.get(f"{self.qdrant}/collections")
r.raise_for_status()
names = [c["name"] for c in r.json().get("result", {}).get("collections", [])]
exists = self.collection in names
qdrant: dict = {"ok": True, "collections": names, "collection_exists": exists}
if exists:
cr = await client.get(f"{self.qdrant}/collections/{self.collection}")
if cr.status_code == 200:
qdrant["points_count"] = cr.json().get("result", {}).get("points_count")
out["qdrant"] = qdrant
except Exception as e: # noqa: BLE001
out["qdrant"] = {"ok": False, "error": f"{type(e).__name__}: {e}"}
return out
async def remember(self, session_id: str, text: str) -> None:
try:
async with httpx.AsyncClient(timeout=20) as client:
vec = await self._embed(client, text)
await self._ensure_collection(client, len(vec))
await client.put(
f"{self.qdrant}/collections/{self.collection}/points?wait=true",
json={
"points": [
{
"id": str(uuid.uuid4()),
"vector": vec,
"payload": {
"text": text,
"session_id": session_id,
"ts": time.time(),
},
}
]
},
)
except Exception: # noqa: BLE001 — dégrade silencieusement
pass