Hitonabi
f88ed4e5df
User-Entscheid 07.07.: 'Gehirn + Embedding reichen komplett aus' — die Augen (VL-30B, ~19 GB) werden nur gebraucht, wenn Lucy auf dem Desktop an ist oder die IDE-Lane sie ruft. Warm-Set = nur noch Qwen3.6 + embed; damit passt der 60-GB-Chef-Gutachter (gpt-oss) wieder neben das Hirn. - llama-swap.config.yaml: VL-30B aus brains raus, ttl 0 -> 900 (15 min Nachlauf); Kommentare entstaubt. AUSSERDEM Template<->Live-Drift beendet: Template hatte coder-lite wiederbelebt (live seit 05.07. entfernt) und KV q4_k (lief NIE live) — beides auf Live-Wahrheit (q8_0, kein coder-lite) zurueckgesetzt; Qualitaet vor ein paar GB, RAM-Engpass ist mit der Diaet weg. - warmup.sh: Default 'fast vision' -> 'fast' (Root-Kopie unter /usr/local/bin braucht spaeter einmal sudo cp — bis dahin waermt ein llama-swap-Restart vision einmalig, ttl 900 raeumt es wieder ab) - warmer.py: Docstring auf neues Warm-Set angepasst - Lucy-Seite (eigenes Repo): App waermt die Augen beim Start + alle 10 min, solange sie laeuft — Augen-Lebenszyklus == Lucy-Lebenszyklus Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
59 lines
2.7 KiB
Bash
59 lines
2.7 KiB
Bash
#!/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="${MC_WARMUP_EMBED:-embed}"
|
|
|
|
if [ "${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\":\"$m\",\"input\":\"ping\"}" \
|
|
>/dev/null 2>&1 || true
|
|
done
|
|
|
|
# Agenten-Prompt vorkauen: Hermes' Systemprompt (~70 KB, 33 Tool-Schemas) kostet nach
|
|
# jedem Modell-(Neu-)Laden sonst 30-40 s Prefill BEIM ERSTEN USER-CALL (gemessen 03.07.:
|
|
# kalt 37 s, mit gefülltem Prompt-Cache ~6 s). Ein Wegwerf-Turn füllt den -cram-Cache.
|
|
AGENT_KEY="$(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
|