#!/usr/bin/env bash
# Lädt das warme "brains"-Set nach einem llama-swap-(Re)Start vor, damit die ERSTE
# Anfrage nicht kalt ist (llama-swap lädt sonst lazy bei Bedarf).
# Eingehängt als  ExecStartPost=-/usr/local/bin/llama-swap-warmup.sh  in llama-swap.
#
# `fast` = das Agent-Hirn (Qwen3.6-35B-A3B), `embed` = das Embedding-Modell
# (Qwen3-Embedding-0.6B, für Mem0/Gedächtnis). Die Augen (vision/VL-30B) sind seit 07.07.
# ON-DEMAND (User-Entscheid) und gehören NICHT mehr ins Warm-Set — die Lucy-App wärmt sie
# beim Start selbst an. Modelle werden NICHT automatisch zusammen geladen — jedes einzeln
# anstoßen, sonst bleibt es kalt.
# Embedding läuft im --embedding-Modus → anderer Endpunkt (/v1/embeddings, nicht chat).
# Selbst-detachend: blockiert den Service-Start nicht.
# NACH ÄNDERUNG: sudo cp deploy/warmup.sh /usr/local/bin/llama-swap-warmup.sh (root-Kopie!)
set -u
URL="${MC_LLAMA_SWAP_URL:-http://127.0.0.1:8080}"
BRAINS="${MC_WARMUP_MODELS:-fast}"
EMBEDS="${MC_WARMUP_EMBED:-embed}"
# Reranker laufen im --reranking-Modus und antworten NUR auf /v1/rerank — weder Chat noch
# Embeddings wecken sie. Solange das hier fehlte, galt der Reranker dem Waechter dauerhaft
# als "fehlend": er rief warmup.sh alle 90 s auf, ohne dass sich je etwas aendern konnte
# (600 vergebliche Laeufe in 24 h, aelteste Meldung 15.07.2026).
RERANKS="${MC_WARMUP_RERANK:-reranker}"

if [ "${1:-}" != "--inner" ]; then
  setsid "$0" --inner >/dev/null 2>&1 &
  exit 0
fi

# --- ab hier im entkoppelten Hintergrundprozess ---
for _ in $(seq 1 60); do                       # auf llama-swap warten (max ~120s)
  curl -sf "$URL/v1/models" >/dev/null 2>&1 && break
  sleep 2
done

for m in $BRAINS; do                           # Chat-Hirne über /v1/chat/completions
  curl -s -m 180 -X POST "$URL/v1/chat/completions" \
    -H 'Content-Type: application/json' \
    -d "{\"model\":\"$m\",\"max_tokens\":1,\"messages\":[{\"role\":\"user\",\"content\":\"ping\"}]}" \
    >/dev/null 2>&1 || true
done

for m in $EMBEDS; do                           # Embedding-Modelle über /v1/embeddings
  curl -s -m 120 -X POST "$URL/v1/embeddings" \
    -H 'Content-Type: application/json' \
    -d "{\"model\":\"$m\",\"input\":\"ping\"}" \
    >/dev/null 2>&1 || true
done

for m in $RERANKS; do                          # Reranker über /v1/rerank (eigener Endpunkt!)
  curl -s -m 120 -X POST "$URL/v1/rerank" \
    -H 'Content-Type: application/json' \
    -d "{\"model\":\"$m\",\"query\":\"ping\",\"documents\":[\"ping\"]}" \
    >/dev/null 2>&1 || true
done

# Agenten-Prompt vorkauen: Hermes' Systemprompt (~70 KB, 33 Tool-Schemas) kostet nach
# jedem Modell-(Neu-)Laden sonst 30-40 s Prefill BEIM ERSTEN USER-CALL (gemessen 03.07.:
# kalt 37 s, mit gefülltem Prompt-Cache ~6 s). Ein Wegwerf-Turn füllt den -cram-Cache.
AGENT_KEY="$(grep -E '^API_SERVER_KEY=' "$HOME/.hermes/.env" 2>/dev/null | cut -d= -f2- | tr -d '"' | tr -d "'")"
if [ -n "$AGENT_KEY" ]; then
  for _ in $(seq 1 45); do                     # auf hermes-gateway warten (Boot-Reihenfolge)
    curl -sf -m 2 "http://127.0.0.1:8642/health" >/dev/null 2>&1 && break
    sleep 2
  done
  curl -s -m 120 -X POST "http://127.0.0.1:8642/v1/chat/completions" \
    -H "Authorization: Bearer $AGENT_KEY" -H 'Content-Type: application/json' \
    -H 'X-Hermes-Session-Id: warmup-prefill' \
    -d '{"model":"hermes","stream":false,"messages":[{"role":"user","content":"Sag nur OK."}]}' \
    >/dev/null 2>&1 || true
fi