#!/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), `vision` = die Augen (Qwen3-VL-8B, ttl 0 seit
# 03.07. — gehört zum UI-Versprechen „Immer-bereit-Set"), `embed` = das Embedding-Modell
# (Qwen3-Embedding-0.6B, für Mem0/Gedächtnis). Alle in der brains-Gruppe (persistent), werden
# aber NICHT automatisch zusammen geladen — jedes Modell 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 vision}"
EMBEDS="${MC_WARMUP_EMBED:-embed}"

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