verschlanken aus Sicht WP11

app/services/llm_service.py

@@ -1,6 +1,6 @@
 """
 app/services/llm_service.py — LLM Client (Ollama)
-Version: 0.5.1 (Full: Retry Strategy + Chat Support + JSON Mode)
+Version: 0.5.2 (Fix: Removed strict limits, increased Context)
 """
 
 import httpx
@@ -15,7 +15,7 @@ logger = logging.getLogger(__name__)
 
 class Settings:
     OLLAMA_URL = os.getenv("MINDNET_OLLAMA_URL", "http://127.0.0.1:11434")
-    # Timeout für den einzelnen Request (nicht für den gesamten Retry-Zyklus)
+    # Timeout für die Generierung (lang)
     LLM_TIMEOUT = float(os.getenv("MINDNET_LLM_TIMEOUT", 300.0))
     LLM_MODEL = os.getenv("MINDNET_LLM_MODEL", "phi3:mini")
     PROMPTS_PATH = os.getenv("MINDNET_PROMPTS_PATH", "./config/prompts.yaml")
@@ -28,13 +28,17 @@ class LLMService:
         self.settings = get_settings()
         self.prompts = self._load_prompts()
         
-        # Connection Limits erhöhen für Parallelität im Import
-        limits = httpx.Limits(max_keepalive_connections=5, max_connections=10)
+        # FIX 1: Keine künstlichen Limits mehr. httpx defaults (100) sind besser.
+        # Wir wollen nicht, dass der Chat wartet, nur weil im Hintergrund Embeddings laufen.
+        
+        # Timeout-Konfiguration:
+        # connect=10.0: Wenn Ollama nicht da ist, failen wir schnell.
+        # read=LLM_TIMEOUT: Wenn Ollama denkt, geben wir ihm Zeit.
+        self.timeout = httpx.Timeout(self.settings.LLM_TIMEOUT, connect=10.0)
         
         self.client = httpx.AsyncClient(
             base_url=self.settings.OLLAMA_URL, 
-            timeout=self.settings.LLM_TIMEOUT,
-            limits=limits
+            timeout=self.timeout
         )
 
     def _load_prompts(self) -> dict:
@@ -53,24 +57,21 @@ class LLMService:
         prompt: str, 
         system: str = None, 
         force_json: bool = False,
-        max_retries: int = 0,     # Standard: 0 (Chat failt sofort, Import nutzt >0)
-        base_delay: float = 5.0   # Start-Wartezeit für Backoff
+        max_retries: int = 0,     
+        base_delay: float = 2.0   
     ) -> str:
         """
         Führt einen LLM Call aus. 
-        Features:
-        - JSON Mode (für Semantic Analyzer)
-        - System Prompt (für Persona)
-        - Aggressive Retry (für robusten Import bei Überlast)
         """
         payload: Dict[str, Any] = {
             "model": self.settings.LLM_MODEL,
             "prompt": prompt,
             "stream": False,
             "options": {
-                # JSON braucht niedrige Temperature für valide Syntax
                 "temperature": 0.1 if force_json else 0.7, 
-                "num_ctx": 4096     
+                # FIX 2: Kontext auf 8192 erhöht. 
+                # Wichtig für komplexe Schemas und JSON-Stabilität.
+                "num_ctx": 8192     
             }
         }
 
@@ -82,7 +83,6 @@ class LLMService:
 
         attempt = 0
         
-        # RETRY LOOP
         while True:
             try:
                 response = await self.client.post("/api/generate", json=payload)
@@ -91,43 +91,29 @@ class LLMService:
                     data = response.json()
                     return data.get("response", "").strip()
                 else:
-                    # HTTP Fehler simulieren, um in den except-Block zu springen
                     response.raise_for_status()
 
             except Exception as e:
-                # CATCH-ALL: Wir fangen Timeouts, Connection Errors UND Protokollfehler
                 attempt += 1
-                
-                # Check: Haben wir noch Versuche?
                 if attempt > max_retries:
-                    # Finaler Fehler (wird im Chat oder Log angezeigt)
                     logger.error(f"LLM Final Error (Versuch {attempt}): {e}")
-                    return "Interner LLM Fehler."
+                    # Wir werfen den Fehler weiter, damit der Router nicht "Interner Fehler" als Typ interpretiert
+                    raise e 
                 
-                # Backoff berechnen (5s, 10s, 20s, 40s...)
                 wait_time = base_delay * (2 ** (attempt - 1))
-                error_msg = str(e) if str(e) else repr(e)
-                
-                logger.warning(
-                    f"⚠️ LLM Fehler ({attempt}/{max_retries}). "
-                    f"Warte {wait_time}s zur Abkühlung... Grund: {error_msg}"
-                )
-                
-                # Warten und Loop wiederholen
+                logger.warning(f"⚠️ LLM Retry ({attempt}/{max_retries}) in {wait_time}s: {e}")
                 await asyncio.sleep(wait_time)
 
     async def generate_rag_response(self, query: str, context_str: str) -> str:
         """
         WICHTIG FÜR CHAT: 
-        Generiert eine Antwort basierend auf RAG-Kontext.
-        Nutzt KEINE Retries (User will nicht warten), KEIN JSON.
+        Kein JSON, keine Retries (User-Latency).
         """
         system_prompt = self.prompts.get("system_prompt", "")
         rag_template = self.prompts.get("rag_template", "{context_str}\n\n{query}")
         
         final_prompt = rag_template.format(context_str=context_str, query=query)
         
-        # Chat-Call: force_json=False, max_retries=0
         return await self.generate_raw_response(
             final_prompt, 
             system=system_prompt,