mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-10 23:04:42 +02:00
ALI YESILKAYA
1b85d4ee65
Le grounding RAG du STT ratait par intermittence (docs=0 → réponses génériques) parce que l'instance d'embedding :1238 partait à froid après une pause : la 1ʳᵉ requête mettait 5-8 s et dépassait le timeout 4 s du STT-server (recall + RAG doc). llama-embed-heartbeat : service systemd local sur gpu-01 qui envoie un petit embed à :1238 toutes les 20 s → le slot reste résident/chaud → la 1ʳᵉ vraie requête est rapide → docs>0 fiable. Pendant du llm-heartbeat (slot chat :1234), pour le slot embed. Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
83 lines
4.3 KiB
Markdown
83 lines
4.3 KiB
Markdown
# llama_server
|
|
|
|
Compile llama.cpp (backend HIP/ROCm) et déploie le service **llama-server GPU** (`:1234`) sur gpu-01. Sert aussi les embeddings du RAG.
|
|
|
|
## Ce que fait le rôle
|
|
|
|
- Clone + build llama.cpp (cmake HIP, `gfx1030`) — build seulement si le binaire est absent
|
|
- Service systemd `llama-server` : modèle GGUF depuis `/mnt/models` (NFS), `:1234`
|
|
- Embeddings activés (`--embeddings`, pooling mean)
|
|
- Ouvre le port dans le firewall, désactive l'ancien service lm-studio
|
|
- **Instance dédiée embeddings** (optionnelle, `llama_embed_enabled`) : service systemd
|
|
`llama-embed` servant un modèle d'embedding spécialisé (ex. `nomic-embed-text`) sur
|
|
`:1238`, GPU. Télécharge le GGUF depuis `llama_embed_model_url` si absent. Partage le
|
|
binaire et le GPU avec `:1234` (modèle ~300 Mo VRAM).
|
|
- **Heartbeat embed** (optionnel, `llama_embed_heartbeat_enabled`, défaut `true`) : service
|
|
systemd `llama-embed-heartbeat` qui envoie un petit embed à `:1238` toutes les
|
|
`llama_embed_heartbeat_interval` s → garde le **slot d'embedding chaud**. Sans ça, la 1ʳᵉ
|
|
requête après une pause part à froid (5-8 s) et dépasse le timeout du STT-server (4 s) →
|
|
recall mémoire vide **et** RAG documentaire raté (`docs=0`, cf. `admin/ia/stt.md`). Pendant
|
|
du `llm-heartbeat` (rôle `litellm`) côté chat. Logs : `journalctl -u llama-embed-heartbeat`.
|
|
|
|
## Heartbeat embed — variables
|
|
|
|
| Variable | Défaut |
|
|
|---|---|
|
|
| `llama_embed_heartbeat_enabled` | `true` (si `llama_embed_enabled`) |
|
|
| `llama_embed_heartbeat_interval` | `20` (s entre deux pings) |
|
|
| `llama_embed_heartbeat_timeout` | `15` (s max par ping) |
|
|
- **Watchdog** (optionnel, `llama_watchdog_enabled`, défaut `true`) : service systemd
|
|
`llama-watchdog` qui sonde une **vraie génération** sur `:1234` toutes les
|
|
`llama_watchdog_interval` s. Sur `llama_watchdog_failures` échecs consécutifs →
|
|
`systemctl restart llama-server` **en local** (tourne en root, pas de SSH). Répare
|
|
automatiquement le wedge ROCm où `/health` reste vert mais l'inférence est morte
|
|
(cf. `admin/incidents-llm-gpu.md`). Logs : `journalctl -u llama-watchdog`.
|
|
|
|
## Watchdog — variables
|
|
|
|
| Variable | Défaut |
|
|
|---|---|
|
|
| `llama_watchdog_enabled` | `true` |
|
|
| `llama_watchdog_port` | `{{ llama_server_port }}` (1234) |
|
|
| `llama_watchdog_model` | `{{ llama_model_alias }}` (`qwen3-8b`) |
|
|
| `llama_watchdog_interval` | `20` (s entre deux sondes) |
|
|
| `llama_watchdog_timeout` | `15` (s max par sonde) |
|
|
| `llama_watchdog_failures` | `3` (échecs consécutifs avant restart) |
|
|
|
|
> Complémentaire au `llm-heartbeat` du rôle `litellm` : le heartbeat empêche la
|
|
> *péremption par inactivité* de la connexion LiteLLM↔llama-server ; le watchdog répare le
|
|
> *figeage* du llama-server lui-même. Le watchdog gère le `503 "Loading model"` post-restart
|
|
> (rechargement VRAM) sans le compter comme échec.
|
|
|
|
## Variables principales
|
|
|
|
| Variable | Défaut | Surcharge gpu-01 |
|
|
|---|---|---|
|
|
| `llama_server_port` | 1234 | — |
|
|
| `llama_model_path` | `""` | `/mnt/models/bartowski/Qwen3-8B-GGUF/Qwen3-8B-Q4_K_M.gguf` |
|
|
| `llama_model_alias` | `""` | `qwen3-8b` |
|
|
| `llama_ctx_size` | 32768 | 32768 |
|
|
| `llama_n_gpu_layers` | 99 | — |
|
|
| `hsa_override_gfx_version` | `10.3.0` | — |
|
|
| `llama_embed_enabled` | `false` | `true` |
|
|
| `llama_embed_port` | 1238 | — |
|
|
| `llama_embed_model_path` | `""` | `/mnt/models/nomic-ai/nomic-embed-text-v1.5.f16.gguf` |
|
|
| `llama_embed_model_url` | `""` | URL HuggingFace du GGUF nomic |
|
|
| `llama_embed_model_alias` | `nomic-embed-text` | — |
|
|
|
|
## ⚠️ Gap IaC — instances CPU hors Ansible
|
|
|
|
Le rôle ne gère que l'instance **GPU** (`llama-server.service`). Les services suivants existent sur gpu-01 mais ont été créés **à la main** (non reproductibles par `make apply-gpu`) :
|
|
|
|
| Service | Port | Modèle | Usage |
|
|
|---|---|---|---|
|
|
| `llama-server-system.service` | 1236 | Qwen3-1.7B CPU | profil `system` |
|
|
| `llama-server-monitor.service` | 1237 | Qwen3-1.7B CPU | profil `monitor` |
|
|
| `llama-server-dev.service` | — | (non documenté, présent dans /etc/systemd/system) | ? |
|
|
|
|
**À faire** : templatiser ces instances dans le rôle (liste d'instances avec port/modèle/threads) pour qu'une réinstallation de gpu-01 restaure les 3 serveurs.
|
|
|
|
## Caveats
|
|
|
|
- Rebuild forcé : supprimer le binaire (`/opt/llama.cpp/build/bin/llama-server`) puis relancer le rôle
|
|
- Le modèle vient du NFS — voir caveat du rôle `nfs_client`
|