mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 09:54:43 +02:00
ALI YESILKAYA
af98b47018
* fix(rag): ubatch=2048 pour llama-embed + retry rag-ingest + nettoie defaults rag L'instance llama-embed (:1238) tournait avec l'ubatch llama.cpp par défaut (512). En mode --embeddings + pooling, toute l'entrée doit tenir dans un seul ubatch → tout chunk > 512 tokens échouait en HTTP 500 « input too large to process. increase the physical batch size ». ~46 chunks du RAG (CHUNK_MAX=2000 chars ≈ 700 tokens) n'étaient pas indexés. - llama_server : ajoute llama_embed_ubatch_size (2048 = ctx) + flags --batch-size/--ubatch-size dans le template llama-embed.service. - rag-ingest : retry (5×, backoff) sur erreurs transitoires 5xx/réseau de l'embed. - rag/defaults : aligne embed_url/embed_model sur nomic :1238 (étaient des vars mortes pointant encore qwen3-8b :1234 — trompeuses). Résultat : ré-ingestion 436/436 chunks, 0 erreur. Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com> * docs(cluster): aligne la doc sur l'état réel (relevé 2026-06-21) + snapshot Passe de vérification terrain (SSH s01/g01 + kubectl) pour corriger les écarts doc↔réalité, et ajout d'un document de référence vérifié. - admin/ops/etat-cluster.md (nouveau) : snapshot daté — machines, services+ports par hôte, workloads k8s, namespaces, IngressRoute, bases PG, modèles LiteLLM, RAG/Qdrant, + procédure pour régénérer le relevé. - OS AlmaLinux 9.7 → 9.8 (s01/g01) ; précise k8s v1.33.1 (CLAUDE/README/install/talos). - RAG funk-docs : retire le warning périmé « supprimée 2026-06-17 / à re-ingérer » → reconstruite (436 chunks, nomic-embed-text :1238 dim 768, CPU). Maj rag.md, incidents.md, stt.md. - Namespace sacrifice (hors-repo, hors ArgoCD) + bases PG grafana/sacrifice + services ai via IngressRoute + registry in-cluster (CLAUDE.md, k9s.md). - Services de résilience (llm-heartbeat, llama-watchdog/embed) et instances CPU manuelles :1236/:1237 (souvent éteintes) documentés. - Journal progress/2026-06-21.md : section relevé + RAG. Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com> --------- Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
56 lines
2.9 KiB
YAML
56 lines
2.9 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
|
|
# Batch physique (ubatch) = contexte : en mode --embeddings avec pooling, toute l'entrée doit
|
|
# tenir dans UN seul ubatch. Le défaut llama.cpp (512) fait échouer en HTTP 500 tout chunk
|
|
# > 512 tokens (« input too large to process. increase the physical batch size ») — c'est ce
|
|
# qui faisait rater ~46 chunks du RAG (CHUNK_MAX=2000 chars ≈ 700 tokens). Aligné sur ctx-size.
|
|
llama_embed_ubatch_size: 2048
|
|
# CPU par défaut (0 couche GPU). nomic-embed-text est minuscule (137M) → ~100 ms en CPU,
|
|
# DÉTERMINISTE. Sur GPU (99) il partage la RX 6700XT avec le chat qwen3-8b (:1234) et tombe
|
|
# dans la file derrière une génération → latence BIMODALE (16 ms ou 9-12 s, voire timeout) →
|
|
# dépasse le budget recall 4 s du STT-server → docs=0 intermittent. Le CPU découple
|
|
# totalement l'embed du slot chat. Cf. admin/incidents-llm-gpu.md.
|
|
llama_embed_n_gpu_layers: 0
|
|
llama_embed_pooling: "mean"
|
|
|
|
# Heartbeat embed — sonde de vivacité du slot :1238 (petit embed périodique). Depuis le
|
|
# passage en CPU (llama_embed_n_gpu_layers: 0), le slot ne refroidit plus et ne subit plus
|
|
# la contention GPU → le heartbeat sert surtout de probe (logge les KO). Cf. admin/ia/stt.md.
|
|
llama_embed_heartbeat_enabled: true
|
|
llama_embed_heartbeat_interval: 20 # s entre deux pings (< idle avant refroidissement)
|
|
llama_embed_heartbeat_timeout: 15 # s max par ping
|
|
|
|
# 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
|