gpu-llamacpp: Compose auf P2000 per device_ids, Rolle und Playbook (Task 6.1)

- Build-Pin wie im Benchmark (b6000 = 4762ad7, CUDA 12.4, sm_52;61), Host-Netz, Log-Rotation, /slots und Web-Oberfläche aus, Qwen3 ohne Denkphase. - Exporter aus dem Compose entfernt (laufen nativ, Rolle gpu-exporters). - Rolle gpu-llamacpp: Karten-UUID über den Namen, Modelle mit Prüfsumme, ufw-Regeln nur vorgemerkt. Inventargruppe gpu_llamacpp (ohne gpu-pve52). Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-12 21:28:33 +02:00
parent d8797a9433
commit 5c790cc8d4
6 changed files with 233 additions and 39 deletions
@@ -28,6 +28,12 @@ all:
        ansible_user: knaster
        ansible_become: true
        ansible_python_interpreter: /usr/bin/python3
+    # llama.cpp-Profile je GPU-VM (Task 6.1, Rolle gpu-llamacpp). Liefert auch die Prometheus-Ziele (file_sd).
+    gpu_llamacpp:
+      hosts:
+        gpu-pve44: {llamacpp_profiles: [embed]}
+        gpu-pve46: {llamacpp_profiles: [embed]}
+        gpu-pve48: {llamacpp_profiles: [chat]}
    infra:
      hosts:
        infra: {}
@@ -0,0 +1,8 @@
+# llama.cpp-Rollen (Task 6.1): Embedding + Rerank in gpu-pve44 und gpu-pve46, Chat (verifier-small,
+# signature-extractor) in gpu-pve48. Zuordnung: Inventar, Gruppe gpu_llamacpp (gpu-pve52 gehört nicht dazu).
+# Aufruf auf ops (Verzeichnis platform/proxmox/ansible), vorher Zugang auffrischen (refresh-vm-access.sh):
+#   ansible-playbook playbooks/gpu-llamacpp.yml
+#   ansible-playbook playbooks/monitoring-targets.yml   # Prometheus-Ziele (file_sd) nachziehen
+- name: llama.cpp-Server in den GPU-VMs
+  hosts: gpu_llamacpp
+  roles: [gpu-llamacpp]
@@ -0,0 +1,50 @@
+# llama.cpp-Rollen in den GPU-VMs (Task 6.1): Compose aus deploy/compose/gpu-llamacpp.
+# Profile je VM kommen aus dem Inventar (Gruppe gpu_llamacpp, Variable llamacpp_profiles).
+llamacpp_dir: /opt/knaster/gpu-llamacpp
+llamacpp_models_dir: /srv/models
+llamacpp_profiles: []
+
+# Karte je Dienst, gewählt über den Namen aus `nvidia-smi` (ADR-0006: alles auf die P2000, M4000 bleibt frei).
+# Passt Rerank nicht neben Embedding auf die P2000, hier "Quadro M4000" eintragen.
+llamacpp_cards:
+  EMBED_GPU: Quadro P2000
+  RERANK_GPU: Quadro P2000
+  CHAT_GPU: Quadro P2000
+
+# Dienste und Ports je Profil (feste Ports im Compose, Host-Netz)
+llamacpp_services:
+  embed:
+    - {name: llamacpp-embed, port: 8081}
+    - {name: llamacpp-rerank, port: 8082}
+  chat:
+    - {name: llamacpp-chat, port: 8080}
+
+# ufw: nur Regeln vormerken (Kommentar knaster-llamacpp), ufw nie ein- oder ausschalten (Firewall: Task 4.4)
+llamacpp_allow_from: 192.168.100.0/24
+
+# Werte für .env (keine Geheimnisse); Build-Stand wie im Benchmark (ADR-0006)
+llamacpp_env:
+  LLAMACPP_REF: b6000
+  LLAMACPP_COMMIT: 4762ad7316dcdec20016ab5985fb46a27902204d
+  CUDA_VERSION: 12.4.0
+  CUDA_DOCKER_ARCH: "52;61"
+  MODELS_DIR: "{{ llamacpp_models_dir }}"
+  EMBED_GGUF: Qwen3-Embedding-0.6B-Q8_0.gguf
+  EMBED_POOLING: last
+  RERANK_GGUF: bge-reranker-v2-m3-Q8_0.gguf
+  CHAT_GGUF: Qwen3-4B-Q4_K_M.gguf
+
+# Modelle je Profil mit fester Revision und Prüfsumme (sha256 = LFS-OID laut Hugging Face, ADR-0006)
+_hf: https://huggingface.co
+llamacpp_models:
+  embed:
+    - dest: Qwen3-Embedding-0.6B-Q8_0.gguf
+      url: "{{ _hf }}/Qwen/Qwen3-Embedding-0.6B-GGUF/resolve/370f27d7550e0def9b39c1f16d3fbaa13aa67728/Qwen3-Embedding-0.6B-Q8_0.gguf"
+      checksum: sha256:06507c7b42688469c4e7298b0a1e16deff06caf291cf0a5b278c308249c3e439
+    - dest: bge-reranker-v2-m3-Q8_0.gguf
+      url: "{{ _hf }}/gpustack/bge-reranker-v2-m3-GGUF/resolve/3093af03b1a635e67b084b1d8c03c5f5e020fd05/bge-reranker-v2-m3-Q8_0.gguf"
+      checksum: sha256:a43c7c9b11a4c1517e5bf95151960e1621d1b72f7a493364b01e386cf1aaa1d3
+  chat:
+    - dest: Qwen3-4B-Q4_K_M.gguf
+      url: "{{ _hf }}/Qwen/Qwen3-4B-GGUF/resolve/bc640142c66e1fdd12af0bd68f40445458f3869b/Qwen3-4B-Q4_K_M.gguf"
+      checksum: sha256:7485fe6f11af29433bc51cab58009521f205840f5b4ae3a32fa7f92e8534fdf5
@@ -0,0 +1,111 @@
+# llama.cpp-Server je Profil (Task 6.1). Idempotent: Modelle per Prüfsumme, Image nur bauen, wenn es fehlt
+# (Image-Tag enthält Stand und CUDA-Version), compose ändert nur, was sich geändert hat.
+- name: Profile prüfen
+  ansible.builtin.assert:
+    that:
+      - llamacpp_profiles | length > 0
+      - llamacpp_profiles | difference(llamacpp_services.keys() | list) | length == 0
+    fail_msg: "llamacpp_profiles muss aus {{ llamacpp_services.keys() | list }} bestehen (Inventar, Gruppe gpu_llamacpp)"
+
+# Compose baut nur mit buildx (BuildKit, auch für den Git-Kontext mit Commit-Pin)
+- name: docker-buildx installieren
+  ansible.builtin.apt:
+    name: docker-buildx
+    state: present
+
+# --- Kartenwahl: UUID statt Index, geprüft über den Kartennamen ---
+- name: Karten in der VM lesen
+  ansible.builtin.command: nvidia-smi --query-gpu=index,uuid,name --format=csv,noheader
+  register: llamacpp_smi
+  changed_when: false
+
+- name: UUID je Dienst aus dem Kartennamen bestimmen
+  ansible.builtin.set_fact:
+    llamacpp_gpu_env: >-
+      {{ llamacpp_gpu_env | default({}) | combine({item.key: (llamacpp_smi.stdout_lines
+         | map('split', ', ') | selectattr(2, 'equalto', item.value) | map(attribute=1) | first | default(''))}) }}
+  loop: "{{ llamacpp_cards | dict2items }}"
+
+- name: Jede gewünschte Karte ist vorhanden
+  ansible.builtin.assert:
+    that: llamacpp_gpu_env[item.key] is match('GPU-')
+    fail_msg: "{{ item.value }} für {{ item.key }} nicht gefunden: {{ llamacpp_smi.stdout_lines }}"
+  loop: "{{ llamacpp_cards | dict2items }}"
+
+# --- Modelle ---
+- name: Modelle laden (Prüfsumme gegen Hugging Face)
+  ansible.builtin.get_url:
+    url: "{{ item.url }}"
+    dest: "{{ llamacpp_models_dir }}/{{ item.dest }}"
+    checksum: "{{ item.checksum }}"
+    mode: "0644"
+    timeout: 120
+  loop: "{{ llamacpp_profiles | map('extract', llamacpp_models) | flatten }}"
+  loop_control:
+    label: "{{ item.dest }}"
+
+# --- Compose-Projekt ---
+- name: Projektverzeichnis
+  ansible.builtin.file:
+    path: "{{ llamacpp_dir }}"
+    state: directory
+    mode: "0755"
+
+- name: Compose-Datei kopieren
+  ansible.builtin.copy:
+    src: "{{ playbook_dir }}/../../../../deploy/compose/gpu-llamacpp/docker-compose.yml"
+    dest: "{{ llamacpp_dir }}/docker-compose.yml"
+    mode: "0644"
+
+- name: .env schreiben (keine Geheimnisse)
+  ansible.builtin.copy:
+    dest: "{{ llamacpp_dir }}/.env"
+    mode: "0644"
+    content: |
+      # Verwaltet von Ansible (Rolle gpu-llamacpp)
+      COMPOSE_PROFILES={{ llamacpp_profiles | join(',') }}
+      {% for k, v in (llamacpp_env | combine(llamacpp_gpu_env)).items() %}
+      {{ k }}={{ v }}
+      {% endfor %}
+
+# ufw-Regeln wirken auch bei inaktivem ufw (werden vorgemerkt). Fremde Regeln bleiben unberührt.
+- name: Ist ufw vorhanden?
+  ansible.builtin.stat:
+    path: /usr/sbin/ufw
+  register: llamacpp_ufw
+
+- name: ufw – llama.cpp-Ports aus dem LAN vormerken
+  community.general.ufw:
+    rule: allow
+    src: "{{ llamacpp_allow_from }}"
+    port: "{{ item.port | string }}"
+    proto: tcp
+    comment: knaster-llamacpp
+  loop: "{{ llamacpp_profiles | map('extract', llamacpp_services) | flatten }}"
+  loop_control:
+    label: "{{ item.name }}:{{ item.port }}"
+  when: llamacpp_ufw.stat.exists
+
+# Der erste Build dauert lange (llama.cpp mit CUDA, sm_52/61, alle CPU-Varianten auf 4 vCPU)
+- name: Image bauen (falls es fehlt) und Dienste starten
+  community.docker.docker_compose_v2:
+    project_src: "{{ llamacpp_dir }}"
+    profiles: "{{ llamacpp_profiles }}"
+    build: policy
+    state: present
+    remove_orphans: true
+    wait: false
+  async: 7200
+  poll: 30
+
+- name: Warten, bis alle Dienste gesund sind
+  ansible.builtin.uri:
+    url: "http://127.0.0.1:{{ item.port }}/health"
+    status_code: 200
+  register: llamacpp_health
+  until: llamacpp_health.status == 200
+  retries: 60
+  delay: 10
+  loop: "{{ llamacpp_profiles | map('extract', llamacpp_services) | flatten }}"
+  loop_control:
+    label: "{{ item.name }}:{{ item.port }}"