# Local AI Inference Node (Ryzen 7 260 / Radeon 780M)

Un nodo di inferenza LLM/SLM self-hosted ad alte prestazioni, progettato per architetture AMD APU (Phoenix/Hawk Point) su Ubuntu 24.04 LTS. Il sistema è ottimizzato per fornire API ad alta velocità destinate a pipeline RAG (Retrieval-Augmented Generation), popolamento di Graph DB e integrazione fluida con piattaforme di automazione come n8n.

## 📐 Specifiche Tecniche (Spec-Driven)

* **Hardware Host:** AMD Ryzen 7 260 (8C/16T), 64GB RAM Condivisa, Radeon 780M iGPU.
* **Sistema Operativo:** Ubuntu 24.04 LTS (Kernel 6.8+).
* **Accelerazione:** ROCm con spoofing architetturale (`gfx1100`).
* **Motori di Inferenza:** * `vLLM` (compilato da sorgente) per throughput massimizzato su modelli generativi (es. Qwen 3.5 0.8B, Gemma 3 27B).
  * `Ollama` per la gestione flessibile degli SLM di embedding (`embeddinggemma`).
* **Memoria:** Allocazione GTT statica a livello di kernel (56GB riservati alla iGPU, 8GB al sistema operativo).

## 🏛️ Filosofia Architetturale

Il progetto segue tre principi fondamentali per garantire stabilità in un ambiente non-Enterprise:

1. **Safety First:** Ambienti containerizzati strettamente isolati (`ipc: host`), filesystem in sola lettura per i pesi dei modelli, pre-allocazione conservativa della VRAM (`gpu-memory-utilization`) per prevenire l'intervento dell'OOM Killer.
2. **Little Often:** Suddivisione dei servizi. Modelli di embedding leggeri su un engine, modelli generativi pesanti su un altro. Build frammentate per isolare i problemi di compilazione dei kernel C++/HIP.
3. **Double Check:** Testing rigoroso (TDD) ad ogni stadio dell'implementazione. Verifica continua dell'allocazione GTT (`rocm-smi`) e del corretto spoofing dell'architettura AMD.

---

## 🛠️ Prerequisiti e Configurazione Host

Prima di avviare l'infrastruttura, l'host Linux deve essere preparato per l'accelerazione hardware.

### 1. Impostazioni BIOS
* `UMA Frame Buffer Size`: Impostato su **Auto** (lasciare la gestione dinamica al driver `amdgpu`).

### 2. Configurazione Kernel (GRUB)
Aggiungere i seguenti parametri in `/etc/default/grub` per stabilizzare l'iGPU ed espandere la Graphics Translation Table a 56GB:

```bash
GRUB_CMDLINE_LINUX_DEFAULT="quiet splash iommu=pt amdgpu.dc=1 amdgpu.bad_page_threshold=0 pcie_aspm=off amdgpu.gttsize=57344"
```
Applicare con: `sudo update-grub && sudo update-initramfs -u -k all`.

### 3. Permessi Utente
L'utente che esegue i container deve appartenere ai gruppi hardware:
```bash
sudo usermod -aG render $USER
sudo usermod -aG video $USER
```

---

## 🚀 Struttura del Progetto

```text
/opt/
├── models/                             # Directory condivisa in sola lettura
│   ├── Qwen3.5-0.8B-UD-Q8_K_XL.gguf
│   └── ...
└── vllm-qwen3.5-0.8b/                  # Stack di esecuzione vLLM
    ├── docker-compose.yml
    ├── Dockerfile
    ├── test_api.py
    └── CHANGELOG.md
```

## 📦 Deployment

### 1. Build del Container vLLM (Custom ROCm)
L'immagine vLLM ufficiale non supporta nativamente la 780M. La compilazione dai sorgenti (`v0.6.3`) per `gfx1100` è gestita automaticamente dal Dockerfile.

Posizionarsi nella directory operativa e lanciare la build:
```bash
cd /opt/vllm-qwen3.5-0.8b
sudo docker compose up --build -d
```
*Nota: La compilazione dei kernel PagedAttention richiederà 15-30 minuti impegnando intensamente la CPU.*

### 2. Monitoraggio
Verificare che l'avvio e la profilazione della memoria vadano a buon fine:
```bash
sudo docker compose logs -f
```

---

## 🧪 Validazione e Test (TDD)

Per confermare che l'API sia operativa e conforme allo standard OpenAI, eseguire lo script di test integrato:

```bash
python3 /opt/vllm-qwen3.5-0.8b/test_api.py
```
Un output corretto indica che il modello è stato caricato nella VRAM pre-allocata ed è in grado di eseguire inferenza accelerata.

---

## 🔗 Integrazione n8n

Il server vLLM espone un endpoint standard OpenAI sulla porta `8000`. 
In n8n, utilizzare il nodo **HTTP Request** con le seguenti specifiche:

* **Method:** `POST`
* **URL:** `http://<IP_LOCALE>:8000/v1/chat/completions`
* **Headers:** `Content-Type: application/json`
* **Body:**
```json
{
  "model": "/app/models/Qwen3.5-0.8B-UD-Q8_K_XL.gguf",
  "messages": [
    {"role": "system", "content": "Sei un estrattore di entità per Graph DB."},
    {"role": "user", "content": "{{$json.chunk_testo}}"}
  ],
  "temperature": 0.1
}
```