# LLaMACpp Multi-Instance Setup

Guida per configurare e scalare il numero di istanze di llama-server con load balancing nginx.

## Struttura Attuale

- **4 istanze** di llama-server (porte 9000-9003)
- **Nginx** come load balancer (porta 8090)
- **Supervisor** per gestire tutti i processi

## Aggiungere Istanze

Se vuoi aumentare il numero di istanze, segui questi step:

### 1. Modifica il Containerfile

File: `llamacpp-multi.Containerfile`

Cambia:
```dockerfile
ENV LLAMA_INSTANCES=4
```

Con il numero di istanze desiderato (es. 6):
```dockerfile
ENV LLAMA_INSTANCES=6
```

### 2. Aggiorna la Configurazione Nginx

File: `llama-upstream.conf`

Aggiungi i server nei porti nuovi nel blocco `upstream llama_backend`:

```nginx
upstream llama_backend {
    least_conn;
    server 127.0.0.1:9000 max_fails=3 fail_timeout=30s;
    server 127.0.0.1:9001 max_fails=3 fail_timeout=30s;
    server 127.0.0.1:9002 max_fails=3 fail_timeout=30s;
    server 127.0.0.1:9003 max_fails=3 fail_timeout=30s;
    server 127.0.0.1:9004 max_fails=3 fail_timeout=30s;  # NUOVO
    server 127.0.0.1:9005 max_fails=3 fail_timeout=30s;  # NUOVO
}
```

### 3. Aggiorna il Containerfile con le porte esposte

File: `llamacpp-multi.Containerfile`

Aggiungi le nuove porte:
```dockerfile
EXPOSE 8090 9000 9001 9002 9003 9004 9005
```

### 4. Ricompila il Container

```bash
cd /home/badstorm/Source/bdi/bdi_podman_serverconf/Services/llamacpp-multi
podman build -t llamacpp:vulkan-multi-amd64 -f llamacpp-multi.Containerfile .
```

### 5. Riavvia il Servizio

```bash
systemctl restart llamacpp-multi
```

## Considerazioni di Risorse

Ogni istanza consuma:
- **~8GB VRAM** (dipende dal modello e da `LLAMA_ARG_CTX_SIZE`)
- **~1-2 CPU core** (dipende dal carico)

**Con GPU AMD Radeon (RENOIR):**
- 2 istanze: ✅ Stabile
- 4 istanze: ⚠️ Funziona ma monitorare memoria
- 6+ istanze: ❌ Probabilmente fuori di VRAM

Monitora con:
```bash
podman stats llamacpp-multi
```

## Variabili di Ambiente Modificabili

Nel file `.container` puoi sovrascrivere:

```ini
Environment=LLAMA_ARG_PARALLEL=32
Environment=LLAMA_ARG_THREADS=16
Environment=LLAMA_ARG_BATCH_SIZE=2048
Environment=LLAMA_ARG_CTX_SIZE=131072
Environment=LLAMA_ARG_HF_REPO=unsloth/Qwen3-Coder-Next-GGUF:Q2_K_XL
Environment=LLAMA_READY_TIMEOUT=600
```

## Testing

Una volta avviate le istanze, testa:

```bash
curl http://localhost:8090/v1/models
```

Dovresti vedere il modello listato se tutte le istanze sono pronte.

Test di carico (concurrent requests):
```bash
for i in {1..10}; do
  curl -X POST http://localhost:8090/api/completion \
    -H "Content-Type: application/json" \
    -d '{"prompt": "Once upon a time", "n_predict": 64}' &
done
wait
```

## Troubleshooting

**502 Bad Gateway:**
```bash
podman exec llamacpp-multi tail -f /var/log/llama-server-9000.log
```

**Timeout Ready:**
Aumenta `LLAMA_READY_TIMEOUT` se il modello impiega più di 10 minuti a caricare.

**Out of Memory:**
Riduci `LLAMA_ARG_PARALLEL`, `LLAMA_ARG_BATCH_SIZE`, o `LLAMA_ARG_CTX_SIZE`.