Funk-lab/admin/ops/etat-cluster.md

État réel du cluster Funk — snapshot vérifié

Relevé 2026-06-21 directement sur les machines (SSH s01/g01 + kubectl). Ce document reflète l'état observé, pas l'état souhaité de l'IaC — en cas d'écart, les écarts connus sont signalés (⚠️). Pour la procédure de relevé, voir la fin du fichier.

---

Machines

Machine	IP	OS / kernel	Uptime relevé	Rôle
storage-01	192.168.10.1 (LAN) / 192.168.1.200 (WAN)	AlmaLinux 9.8 (Olive Jaguar), 5.14.0-687.5.3.el9_8	20 j	Passerelle + bastion + données + IA hors-cluster
gpu-01	192.168.10.20	AlmaLinux 9.8, 5.14.0-687.5.3.el9_8	—	llama-server (RX 6700XT, ROCm 7.x) hors-cluster
compute-01	192.168.10.11	Talos v1.13 / k8s v1.33.1	40 j	k8s control-plane
compute-02	192.168.10.12	Talos v1.13 / k8s v1.33.1	40 j	k8s worker
compute-03	192.168.10.13	Talos v1.13 / k8s v1.33.1	40 j	k8s worker

⚠️ CLAUDE.md indiquait AlmaLinux 9.7 pour s01/g01 — la réalité est 9.8.

---

storage-01 — services actifs (systemd)

Service	Port(s) écoute	Rôle
litellm	0.0.0.0:4000	Proxy multi-modèles (Hermes + ask-agent + STT-server)
llm-heartbeat	—	Anti-502 : garde chaud le tuyau LiteLLM↔llama-server (rôle litellm)
hermes-agent	(pas de port WAN)	Agent Hermes — appli TUI, pas d'API HTTP (le « gateway :8080 » de la doc historique n'écoute pas)
hermes-auto-improve	0.0.0.0:9095	Trigger HTTP analyse doc quotidienne
hermes-exec	0.0.0.0:9096	Exécuteur d'actions vocales hermes -z --yolo (jeton Bearer) — assistant STT
qdrant	0.0.0.0:6333 / :6334	Base vectorielle (RAG funk-docs + mémoire STT stt-memory)
postgresql-16	192.168.10.1:5432	PostgreSQL 16 (8 bases, cf. plus bas)
dnsmasq	192.168.10.1:53	DNS + wildcard *.lab.local
nfs-* (mountd/idmapd/statd)	:2049 :111 :20048	Export NFS modèles + PVCs k8s
node_exporter	:9100	Métriques Prometheus
alertmanager-webhook	0.0.0.0:9093	Pont AlertManager → Hermes monitor
postfix	:25	Relais SMTP sortant (Gmail App Password)

Note : :9093 côté s01 = alertmanager-webhook (storage-01), à ne pas confondre avec l'Alertmanager k8s (alertmanager.lab.local, in-cluster).

---

gpu-01 — services llama-server (systemd)

Service	Port	État relevé	Rôle
llama-server	:1234	✅ actif	Chat principal qwen3-8b (GPU, ROCm)
llama-embed	:1238	✅ actif	Embeddings dédiés nomic-embed-text (CPU, dim 768, --ubatch-size 2048)
llama-embed-heartbeat	—	✅ actif	Garde chaud le slot embeddings :1238
llama-watchdog	—	✅ actif	Auto-réparation du llama-server figé (bug ROCm gfx1031)
llama-server CPU :1236	:1236	⚠️ éteint	Instance manuelle (profil Hermes system) — non gérée par IaC
llama-server CPU :1237	:1237	⚠️ éteint	Instance manuelle (profil Hermes monitor) — non gérée par IaC

⚠️ Au relevé, seuls :1234 et :1238 écoutent. Les instances CPU :1236/:1237 sont arrêtées → les profils Hermes system et monitor (qui pointent dessus) sont actuellement dégradés. Ce sont des services manuels (gap IaC connu, cf. ansible/roles/llama_server/README.md).

⚠️ GPU : rocminfo rapporte gfx1030 (et non gfx1031) — c'est l'effet attendu de HSA_OVERRIDE_GFX_VERSION=10.3.0, indispensable car la RX 6700XT (gfx1031) n'est pas officiellement supportée par ROCm.

---

LiteLLM — modèles exposés (:4000)

Alias	Backend
hermes-default	Alias consommé par Hermes (bascule via hermes-switch)
qwen3-8b	llama-server GPU gpu-01 :1234
claude-sonnet-4-6	API Anthropic (profil brain, facturé)
claude-opus-4-7	API Anthropic (facturé)

---

Cluster k8s — workloads

Nœuds : compute-01/02/03 tous Ready, k8s v1.33.1 (40 j d'uptime).

Namespaces & pods (tous Running au relevé) :

Namespace	Workloads
ai	ghostfolio, ghostfolio-redis, n8n, open-webui, stt-server
argocd	application-controller, applicationset, notifications, redis, repo-server, server
infra	traefik (LB 192.168.10.200), registry (registry Docker in-cluster)
monitoring	kube-prometheus-stack (Prometheus, Alertmanager, Grafana 13.0.1, kube-state-metrics, operator, node-exporters)
metallb-system	controller + speakers
nfs-provisioner	nfs-subdir-external-provisioner
kube-system	coredns, flannel, kube-proxy, control-plane statiques
sacrifice	sacrifice-web (sacrifice.lab.local) + CronJob sacrifice-assign-renfort

⚠️ Namespace sacrifice non documenté dans CLAUDE.md. C'est le projet de jeu FPS Sacrifice (monorepo séparé). Déployé hors du repo Funk-lab et hors ArgoCD (absent de la liste des Applications) — sa propre chaîne le pousse. Il possède aussi sa base PostgreSQL sacrifice sur storage-01.

ArgoCD Applications (toutes Synced / Healthy) : root · ghostfolio · n8n · open-webui · stt · monitoring · kube-prometheus-stack · nfs-provisioner · nfs-subdir-external-provisioner.

Exposition HTTP :

Type	Hôtes
Ingress standard	argocd.lab.local, grafana.lab.local, prometheus.lab.local, alertmanager.lab.local, sacrifice.lab.local
IngressRoute (CRD Traefik)	ai/open-webui, ai/n8n, ai/ghostfolio, ai/stt-server, infra/traefik-dashboard

Les services du namespace ai (openwebui, n8n, ghostfolio, stt) passent par des IngressRoute Traefik (CRD), pas par des Ingress standards.

---

PostgreSQL 16 (storage-01) — bases

hermes · litellm · n8n · openwebui · ghostfolio · grafana · sacrifice · postgres

⚠️ Bases non listées dans CLAUDE.md : grafana (Grafana k8s utilise un PG externe sur s01) et sacrifice (projet hors-repo).

---

RAG / Qdrant — état

Collection	Points	Statut	Dim / distance
funk-docs	436	🟢 green	768 / Cosine
stt-memory	—	🟢	768 / Cosine

✅ funk-docs reconstruite et complète (436 chunks, 0 erreur) — le warning « collection supprimée le 2026-06-17, re-ingest requis » de CLAUDE.md/README/admin/ia/rag.md est périmé. Embeddings via nomic-embed-text (:1238, dim 768), plus qwen3-8b.

🐛 Fix de ce lot — embeddings tronqués à 512 tokens : le relevé initial montrait 389 points avec ~46 chunks manquants (HTTP 500 input too large to process. increase the physical batch size (current: 512)). Cause : llama-embed (:1238) tournait avec l'ubatch llama.cpp par défaut (512), or en mode --embeddings+pooling toute l'entrée doit tenir dans un seul ubatch → tout chunk > 512 tokens échouait (CHUNK_MAX=2000 chars ≈ 700 tokens). Corrigé : --batch-size /--ubatch-size = 2048 (= ctx) → ré-ingestion 436/436, 0 erreur. Fix durable dans le rôle llama_server (llama_embed_ubatch_size) ; appliqué en live via drop-in systemd sur g01 (à réconcilier au prochain make apply-gpu). rag-ingest gagne aussi un retry sur 5xx transitoires.

⚠️ Drift IaC mineur (corrigé) : ansible/roles/rag/defaults/main.yml mentionnait encore embed_url: :1234 / embed_model: qwen3-8b (variables mortes — les scripts déployés hardcodent nomic :1238).

---

Comment régénérer ce snapshot

Depuis le poste perso (accès ssh storage-01 = user ansible ; g01 via root@192.168.10.20 ; kubeconfig /home/ansible/.kube/config sur s01) :

# Services + ports s01
ssh storage-01 'systemctl list-units --type=service --state=running | grep -iE "litellm|hermes|qdrant|postgres|nfs|dnsmasq|node_exporter|alertmanager|postfix"; ss -tlnp'
# gpu-01
ssh storage-01 'ssh root@192.168.10.20 "systemctl list-units llama* ; ss -tlnp | grep :12"'
# k8s
ssh storage-01 'KUBECONFIG=/home/ansible/.kube/config kubectl get nodes,pods,ingress,ingressroute -A'
ssh storage-01 'KUBECONFIG=/home/ansible/.kube/config kubectl get applications -n argocd'
# Bases PG + Qdrant + LiteLLM
ssh storage-01 'sudo -u postgres psql -tAc "SELECT datname FROM pg_database WHERE datistemplate=false"'
ssh storage-01 'curl -s localhost:6333/collections | python3 -m json.tool'
ssh storage-01 'curl -s localhost:4000/v1/models -H "Authorization: Bearer lm-studio" | python3 -m json.tool'