GPU-Inference-Control-Plane für mRock — Scheduler vor TTS/STT/LLM/Image-Gen mit globalem GPU-Lock + LRU-Eviction + einheitlicher /v1-Fassade. Konsumenten: mVoice, whisper-server, Ollama, ComfyUI/FLUX, später Furbotto. Go.

Full design: docs/design.md — Bestandsaufnahme, 10-Alternativen-Survey, Eviction-Algorithmus, Migrationspfad.

Was es macht

Auf mrock:8770 sitzt ein Go-Daemon, der:

/v1/tts, /v1/stt, /v1/llm, /v1/image als einheitliche Konsumenten-Fassade exponiert,
jede Anfrage durch einen globalen GPU-Scheduler schleust (seriell, Queue),
bei VRAM-Druck LRU-Eviction über die deklarierten Coexistenz-Gruppen aus config/consumers.yaml fährt,
in /v1/status Live-GPU-Belegung + Consumer-Health + Scheduler-Statistiken zeigt,
niemals stille Fallbacks zurückgibt — Fehler kommen als strukturiertes {error,message,consumer,retryable}.

Konsumenten-Registry

config/consumers.yaml deklariert pro Consumer:

url, health.{method,path} für Liveness-Probing
paths.<kind>.{method,path} — wie der Broker zu seinem TTS/STT/LLM/Image-Endpoint kommt
vram_resident_mib — für die Scheduler-Mathe (Schritt 5)
unload.{method,path,body} und optional load.{method,path} — wie der Broker den Consumer aus dem VRAM räumt / wieder hochfährt
can_coexist_with: [..] — wer parallel resident sein darf
priority (0=low, 4=urgent), max_concurrency

Build + Deploy

make build       # ./bin/mgpumanager
make test        # go test ./...
make run         # lokal gegen ./config/consumers.yaml
make deploy HOST=mrock  # rsync + systemd reload + restart

Auf mRock läuft der Daemon als System-Unit (/etc/systemd/system/mgpumanager.service).

Endpoints

Verb	Pfad	Verhalten
POST	`/v1/tts`	Proxy zu `routing.tts`-Consumer (default: mvoice `/api/synthesize`)
POST	`/v1/stt`	Proxy zu `routing.stt`-Consumer (default: mvoice `/api/transcribe`)
POST	`/v1/llm`	Proxy zu `routing.llm`-Consumer (default: ollama `/api/generate`)
POST	`/v1/image`	Proxy zu `routing.image`-Consumer (default: comfyui `/prompt`)
GET	`/audio/*`	Proxy zu `audio_proxy`-Consumer (wa.sh fetcht generiertes Audio so)
GET	`/v1/status`	Live-Snapshot: GPU + Consumer-Health + Scheduler-Stats
GET	`/healthz`	Broker-Liveness (200 OK)

Fehler-Schema

Jeder Broker-eigene Fehler hat die Form:

{
  "error": "consumer_unreachable",
  "message": "upstream mvoice last probe failed: connection refused",
  "consumer": "mvoice",
  "retryable": true
}

Codes: consumer_unreachable, no_consumer, scheduler_error, bad_consumer_url, bad_request. Pass-through-4xx/5xx vom Consumer landet unverändert beim Client.

Phase 1 Status (Issue #1)

✅ Schritt 0 — ComfyUI persistent (systemd: comfyui.service)
✅ Schritt 1 — mvoice /api/admin/{load,unload} (mai/knuth/admin-load-unload @ mVoice)
✅ Schritt 2 — Routing-Façade + /v1/status
✅ Schritt 3 — wa.sh auf Broker umgestellt (m/mAi mai/knuth/wa-tts-broker)
✅ Schritt 4 — Queue + globaler GPU-Lock
✅ Schritt 5 — Coexistenz-Gruppen + LRU-Eviction