docs(v2): tie LLM concurrency to the chat channels that answer every message

The user meant the chat channel's "answer every message", not the voice
policy "in order": the LLM takes two or more requests at once only while a
chat channel answers every message, otherwise one whatever the voice policy.
The roadmap and the open measurements point at the new gamemode_stt and
gamemode_live stages, which also decide whether the STT moves to the CPU
during a game.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
javis-bot
2026-11-10 19:12:53 +09:00
parent 3794bb7149
commit ca5bb520b9
4 changed files with 13 additions and 8 deletions

View File

@@ -44,7 +44,7 @@
| 마지막 대화만 | 대기열에 가장 최근 요청 하나만 남깁니다. | 지금 답을 멈추고 가장 최근 요청에 바로 답합니다. 멈춘 답은 다시 재생하지 않습니다. |
| 제일 중요한 대화만 | 짧은 수집 시간(기본 0.7초)과 봇이 말하는 동안 들어온 요청을 모아 점수를 매기고, 가장 높은 하나에만 답합니다. 판단 기준은 (1) 사람별 우선순위, (2) 호출어로 직접 불렀는지, (3) LLM이 판단한 중요도 순입니다. 후보가 2개 이상일 때만 LLM 판단을 하므로 평소에는 지연이 늘지 않습니다. | 새 요청의 점수가 더 높으면 멈추고 새 요청에 답합니다. 낮거나 같으면 끝까지 재생하고, 그 뒤 남은 후보 중 가장 높은 것에 답합니다. |
LLM이 동시에 처리하는 요청 수도 이 정책을 따릅니다. "들어온 순서대로"는 모든 요청에 답하므로, 지금 답을 말하는 동안 다음 답을 미리 준비하도록 2개 이상(그래픽카드에 맞는 수, 최소 2개)으로 둡니다. 나머지 정책은 한 번에 한 요청에만 답하므로 1개로 둡니다. 16GB 카드에서는 1개일 때 답이 더 빠릅니다(출력 97 대 70~75 tok/s). 이 수는 LLM을 다시 시작해야 바뀌므로, 정책을 바꾸면 지금 답이 끝난 뒤 다시 시작합니다(약 30초). 게임 중에는 정책과 상관없이 1개입니다([pc-features.md](pc-features.md#자동-성능-조절)).
LLM이 동시에 처리하는 요청 수는 이 정책과 상관없이 채팅 채널 설정을 따릅니다([LLM 동시 요청 수](#llm-동시-요청-수)). 음성 답은 어느 정책이든 한 번에 하나씩 준비하고, 한 답의 글은 말하기보다 훨씬 빨리 끝나므로 다음 답 준비가 밀리지 않습니다.
버려진 요청과 중간에 멈춘 답은 대시보드의 "놓친 요청" 목록에 남아서, 무엇이 왜 빠졌는지 볼 수 있습니다.
@@ -59,6 +59,10 @@ LLM이 동시에 처리하는 요청 수도 이 정책을 따릅니다. "들어
| AI가 할 수 있는 일 (채널별) | 읽기·검색 **켜짐** / 메시지 보내기 **켜짐** / 봇이 쓴 메시지 수정 **켜짐** / 이모지 반응 **켜짐** / 메시지 삭제 꺼짐 / 고정 꺼짐 / 스레드 만들기 꺼짐 |
| 채팅으로 부르기 | 채널마다 "호출어로 부를 때만"(기본) 또는 "모든 메시지에 대답". 호출어와 지정한 사람 설정은 음성과 같이 씁니다. |
### LLM 동시 요청 수
채팅 채널 중 하나라도 "모든 메시지에 대답"이면 LLM이 요청을 2개 이상(그래픽카드에 맞는 수, 최소 2개) 동시에 처리합니다. 그 채널에서는 사람마다 메시지가 따로 들어오고 각자 글로 답을 받으므로, 한 답이 끝나기를 기다리지 않고 함께 준비해야 하고 음성 답도 채팅 답 뒤로 밀리지 않습니다. 그런 채널이 없으면 음성 응답 정책과 상관없이 1개입니다. 16GB 카드에서는 1개일 때 답이 더 빠릅니다(출력 97 대 70~75 tok/s). 이 수는 LLM을 다시 시작해야 바뀌므로, 첫 "모든 메시지에 대답" 채널을 켜거나 마지막 하나를 끄면 지금 답이 끝난 뒤 다시 시작합니다(약 30초). 게임 중에는 1개입니다([pc-features.md](pc-features.md#자동-성능-조절)).
- **음성과 연결**: 음성으로 "자비스, 채팅 채널에 오늘 할 일 올려 줘", "채팅에 방금 뭐 올라왔어?"처럼 시킬 수 있습니다.
- **디스코드 제약**: 봇은 자기가 쓴 메시지만 수정할 수 있습니다. 다른 사람 메시지는 삭제·고정만 되고, 서버에서 메시지 관리 권한을 줘야 합니다.
- **채널 이름·주제 반영**:

View File

@@ -29,7 +29,7 @@
|---|---|
| TTS | MeloTTS만 기본 제공. CosyVoice2/3는 첫 소리까지 중앙값 3.4~3.6초라 뺌. 앱 시작 때 한 번 미리 합성(첫 합성 30초) |
| STT | large-v3-turbo, `int8_float16`(모델 1.3GB, 10명 동시 전사 때 1.44GB 더 늘어 최대 약 2.7GB). `float16`과 정확도가 같았음 |
| LLM | Qwen3.6-35B-A3B 하나(위 표). 동시 요청은 응답 정책을 따름: "들어온 순서대로"(모든 요청에 답함)이면 2개 이상(카드에 맞는 수, 최소 2개), 그 밖의 정책이면 1개(사용자 결정, 2026-11-10. 16GB 카드에서 1개가 출력 97 tok/s로 2개의 70~75 tok/s보다 빠름). 게임 중에는 정책과 상관없이 1개. 이미지는 GPU 처리, 화질 1280x720, 음성 답변은 생각 모드 끔. 함께 잰 Qwen3.8-Flash-Next(Q2_0, MTP 보조 모델)는 출력 131 tok/s로 82 tok/s보다 빨랐지만 음성 답변 첫 문장(0.58초 대 0.36초), 맥락 8천 토큰 첫 토큰(2.1초 대 1.6초), 이미지 1장 답변 시작(1.3초 대 0.6초)이 모두 느리고, 한국어 답에 한자(礼貌)가 한 번 섞였고, 아래 도구 호출 문제가 있어 뺌 |
| LLM | Qwen3.6-35B-A3B 하나(위 표). 동시 요청은 채팅 채널 설정을 따름: "모든 메시지에 대답" 채널이 하나라도 있으면 2개 이상(카드에 맞는 수, 최소 2개), 없으면 음성 응답 정책과 상관없이 1개(사용자 결정, 2026-11-10. 16GB 카드에서 1개가 출력 97 tok/s로 2개의 70~75 tok/s보다 빠름). 게임 중에는 채널 설정과 상관없이 1개. 이미지는 GPU 처리, 화질 1280x720, 음성 답변은 생각 모드 끔. 함께 잰 Qwen3.8-Flash-Next(Q2_0, MTP 보조 모델)는 출력 131 tok/s로 82 tok/s보다 빨랐지만 음성 답변 첫 문장(0.58초 대 0.36초), 맥락 8천 토큰 첫 토큰(2.1초 대 1.6초), 이미지 1장 답변 시작(1.3초 대 0.6초)이 모두 느리고, 한국어 답에 한자(礼貌)가 한 번 섞였고, 아래 도구 호출 문제가 있어 뺌 |
| 지난 대화 맥락 | 약 8천 토큰에서 시작(텍스트 첫 문장 1.8초). 상한은 M4에서 왕복 지연을 실측해 정함 |
| 도구 호출 | Strata에서 동작(빠름 12번 중 9번, 권장 12번 중 8번). 둘 다 도구를 부르지 않고 한 척하는 경우가 있음: 빠름 모델은 "5분 타이머 맞춰 줘"에서 "설정했습니다"라고만 답하고(3번 모두), 권장 모델은 "서울 날씨 어때?"에서 날씨를 지어내 답함(3번 모두). 두뇌 코드에서 고침(2026-11-10): (1) 지시문에 "바뀌는 정보(날씨·뉴스·가격·화면)는 이번 턴 도구 결과로만 말하고, 동작은 도구가 성공했을 때만 했다고 말한다"는 규칙을 넣고, 지시문 끝에 이번 턴에 쓸 수 있는 도구 이름을 다시 적음. (2) 모델이 계획 단계가 고른 도구를 건너뛰고 답하면 그 답을 버리고 계획에 적힌 호출을 직접 실행한 뒤 결과로 다시 답하게 함(인자가 도구 형식에 맞을 때만, 아니면 원래 답 유지). (3) 계획 단계에 도구 인자 이름을 보여 줌. 측정 키트 `tools_fast`/`tools_recommended` 단계로 두 모델에서 다시 확인. 수정 후에도 틀리면 모델을 바꿈(사용자 결정): 키트가 같은 계열의 덜 압축된 모델(빠름: UD-Q6_K_XL, Q8_0 / 권장: IQ3_XXS, IQ3_S)을 차례로 재고, 처음 통과한 모델을 기본값으로 함. 재측정 결과(2026-11-10): 빠름 모델 UD-Q4_K_XL이 27번 모두 통과해 기본값 그대로 둠. 도구를 모두 모델이 직접 불렀고 "건너뛴 도구 직접 실행" 장치는 한 번도 돌지 않음. (처음 채점에서는 "할 수 있는 도구는 없습니다/준비되어 있지 않습니다"를 거절로 읽지 못해 6번을 실패로 잘못 매겼고, 그래서 Q6_K_XL과 Q8_0까지 받아 잼. 채점을 고친 뒤 세 모델 모두 27번 통과.) 권장 모델은 Q2_0, IQ3_XXS, IQ3_S 모두 27번 중 24번: "거실 불 꺼 줘"에서 계획 단계는 도구가 필요 없다고 했는데 상관없는 도구(화면 보기, 날씨, 한 번은 0분 타이머)를 부름. 압축 정도와 상관없는 모델 성질이라 권장 모델은 뺌 |
| 분리된 화면공유 창 | 분리 창은 하나뿐이고 그 안에서 볼 화면공유를 고름. 창 제목에는 음성 채널 이름만 있어 누구 화면인지 모름. 누가 공유 중인지는 음성 채널 상태로 확인. 물어본 사람이 공유 중이 아니면 그렇다고 답함. 공유 중이면 공유자가 여러 명이어도 따로 묻지 않고 분리 창을 바로 캡처(사용자가 이미 그 사람 화면을 보고 있음). 가려져도 영상은 계속 그려짐 |

View File

@@ -25,8 +25,8 @@
| 단계 | 언제 | LLM 배치 (다시 시작 필요) | 다시 시작 없이 바꾸는 것 |
|---|---|---|---|
| 평소 | 게임이 없고 VRAM이 넉넉함 | 전문가 층을 VRAM에 들어가는 만큼 올림(Strata 자동 배치), 이미지는 GPU로 읽기. 동시 요청 수는 [응답 정책](conversation.md#동시-대화-응답-정책-gui에서-선택)을 따름: 모든 요청에 답하는 "들어온 순서대로"이면 2개 이상(이 카드에 맞는 수, 최소 2개), 그 밖의 정책이면 1개(하나씩 보면 더 빠름) | 화면 캡처 미리 준비(말하는 중), 화질 보통, 지난 대화 약 8천 토큰 |
| 게임 중 | 게임을 감지했거나, 다른 프로그램이 VRAM을 써서 남은 VRAM이 "게임용으로 비울 VRAM"보다 적음 | 전문가 층의 VRAM 몫(`--expert-vram`)을 줄여 "게임용으로 비울 VRAM"(기본 8GB)을 비움. 나머지 전문가 층은 RAM에서 CPU로 계산. 동시 요청 1개(응답 정책과 상관없이), 이미지는 CPU로 읽기, 엔진 CPU 작업자는 절반(16코어 PC에서 8개), 맥락 16K. 대화 메모리 형식(`--kv`)과 MTP 끄기는 이 엔진에서 VRAM을 줄이지 않아 쓰지 않음(아래 측정 결과) | 캡처 미리 준비 끔, 화질 빠름(긴 변 768px), 지난 대화 약 4천 토큰 |
| 평소 | 게임이 없고 VRAM이 넉넉함 | 전문가 층을 VRAM에 들어가는 만큼 올림(Strata 자동 배치), 이미지는 GPU로 읽기. 동시 요청 수는 [채팅 채널 설정](conversation.md#llm-동시-요청-수)을 따름: "모든 메시지에 대답" 채널이 하나라도 있으면 2개 이상(이 카드에 맞는 수, 최소 2개), 없으면 1개(하나씩 보면 더 빠름) | 화면 캡처 미리 준비(말하는 중), 화질 보통, 지난 대화 약 8천 토큰 |
| 게임 중 | 게임을 감지했거나, 다른 프로그램이 VRAM을 써서 남은 VRAM이 "게임용으로 비울 VRAM"보다 적음 | 전문가 층의 VRAM 몫(`--expert-vram`)을 줄여 "게임용으로 비울 VRAM"(기본 8GB)을 비움. 나머지 전문가 층은 RAM에서 CPU로 계산. 동시 요청 1개(채팅 채널 설정과 상관없이), 이미지는 CPU로 읽기, 엔진 CPU 작업자는 절반(16코어 PC에서 8개), 맥락 16K. 대화 메모리 형식(`--kv`)과 MTP 끄기는 이 엔진에서 VRAM을 줄이지 않아 쓰지 않음(아래 측정 결과) | 캡처 미리 준비 끔, 화질 빠름(긴 변 768px), 지난 대화 약 4천 토큰 |
| 일시정지 | 사용자가 켠 경우(기본 꺼짐), 또는 이 PC에서 최소 배치로도 게임 몫을 비울 수 없을 때 | LLM을 멈춤 | 게임 중에는 대답하지 않음 |
### PC마다 값을 계산
@@ -39,7 +39,7 @@
### 전환 규칙
- **게임 시작**: 지금 하던 답이 끝나면 바로 게임 중 배치로 다시 시작합니다. 다시 시작하는 동안(게임PC 측정 31~36초, 컴퓨터를 켠 뒤 첫 시작은 47초) 들어온 요청은 대기열에 두고, 한 번만 "잠깐만요, 게임 모드로 바꾸는 중이에요"라고 말한 뒤 준비되면 답합니다.
- **응답 정책을 바꿀 때**: 동시 요청 수가 바뀌는 정책 변경("들어온 순서대로"로 바꾸거나 거기서 다른 정책으로 바꿈)은 LLM을 다시 시작해야 합니다. 게임 시작과 같이 지금 하던 답이 끝난 뒤 다시 시작하고, 그동안 들어온 요청은 대기열에 둡니다. 게임 중에는 다시 시작하지 않고 게임이 끝나 평소 배치로 돌아갈 때 함께 반영합니다.
- **채팅 채널 설정을 바꿀 때**: 동시 요청 수가 바뀌는 변경(첫 "모든 메시지에 대답" 채널을 켜거나 마지막 하나를 끔)은 LLM을 다시 시작해야 합니다. 게임 시작과 같이 지금 하던 답이 끝난 뒤 다시 시작하고, 그동안 들어온 요청은 대기열에 둡니다. 게임 중에는 다시 시작하지 않고 게임이 끝나 평소 배치로 돌아갈 때 함께 반영합니다.
- **되돌리기**: 게임이 끝나고 30초 뒤(설정에서 조절), VRAM 부족은 해소된 상태가 60초 이어진 뒤 평소 배치로 돌아갑니다. 게임을 껐다 바로 다시 켤 때 모델을 반복해서 옮기지 않기 위해서입니다.
- **표시**: 대시보드에 "성능 단계: 게임 중 (발로란트 감지)", 전환 중에는 "모델 배치 바꾸는 중"을 표시합니다.
- **설정**: GUI에서 바꾸는 것은 게임 감지 켜기/끄기, 게임용으로 비울 VRAM, 되돌리기 대기 시간, 게임 중 일시정지 켜기/끄기뿐입니다.
@@ -76,8 +76,8 @@
- **맥락을 줄이면** 32K→16K에서 약 0.7GB, 16K→8K에서 약 0.4GB가 줄고 속도는 같습니다. 게임 중 맥락은 16K로 둡니다. 지난 대화 약 4천 토큰에 지시문, 도구 설명, 화면 이미지, 검색 결과가 더해지면 8K는 넘칠 수 있어서, 0.4GB를 위해 8K를 쓰지 않습니다.
- **이 PC의 게임 중 배치**: 기본값 8GB는 비울 수 없으므로 [몫이 최소 배치보다 작을 때](#pc마다-값을-계산) 규칙대로 최소 배치(전문가 0GB, 맥락 16K)로 갑니다. 게임 몫은 LLM만 놓고 5.9GB입니다. STT는 모델만 1.3GB이고 10명 동시 전사 때 1.44GB가 더 늘어나므로(M0 `stt` 실측, 최대 약 2.7GB), 게임 몫은 약 3.1GB입니다. 그래서 "이 PC에서는 게임에 약 3.1GB까지만 비울 수 있음"을 표시합니다. 게임용으로 비울 VRAM을 약 2.2GB 이하로 정하면 같은 식으로 전문가 2GB 배치가 되어 출력이 약 75 tok/s로 돌아옵니다. 3.1GB와 2.2GB는 LLM과 STT를 따로 잰 값을 더한 추정입니다. 둘을 함께 켜고 10명 동시 전사를 돌린 측정은 아직 없습니다.
- **CPU 작업자**를 16개에서 8개로 줄여도 출력 속도가 줄지 않았습니다(73.8 대 75.8 tok/s). 게임 중에는 8개로 둡니다.
- **아직 재지 않은 것**: 게임이 GPU를 함께 쓸 때의 속도, 전문가 2GB에 맥락 16K인 배치(추정 게임 몫 LLM만 놓고 약 5.0GB, STT 최대치까지 빼면 약 2.2GB), LLM과 STT(10명 동시 전사)를 함께 켰을 때의 VRAM.
- **평소 동시 요청 수**: 동시 2개는 Strata가 "16GB 카드에는 1개가 맞음"이라고 경고하고, 전문가 층을 덜 올려서 동시 1개 배치(전문가 6GB)보다 출력이 느렸습니다(69.6~74.7 대 97.1 tok/s). 그래서 평소에는 1개로 두고, 모든 요청에 답하는 "들어온 순서대로" 정책일 때만 2개 이상으로 합니다(사용자 결정, 2026-11-10).
- **아직 재지 않은 것**: 게임이 GPU를 함께 쓸 때의 속도, 전문가 2GB에 맥락 16K인 배치(추정 게임 몫 LLM만 놓고 약 5.0GB, STT 최대치까지 빼면 약 2.2GB), LLM과 STT(10명 동시 전사)를 함께 켰을 때의 VRAM, 게임 중 STT를 CPU로 옮겼을 때의 전사 시간. M0 키트에 세 단계로 넣었습니다: `gamemode`(전문가 2GB 맥락 16K 배치 추가), `gamemode_stt`(STT를 먼저 켜고 10명 동시 전사를 돌리면서 LLM을 잼, 게임 중 배치는 STT GPU와 CPU 둘 다), `gamemode_live`(실제 게임을 켠 채로 게임 중 배치 4개). 게임 중 STT를 CPU로 옮길지는 `gamemode_stt`와 `gamemode_live`에서 CPU 전사 시간(10명 동시, 한 사람)과 LLM 속도가 함께 버티는지 보고 정합니다. 옮기면 게임 몫이 약 2.7GB 늘어납니다.
- **평소 동시 요청 수**: 동시 2개는 Strata가 "16GB 카드에는 1개가 맞음"이라고 경고하고, 전문가 층을 덜 올려서 동시 1개 배치(전문가 6GB)보다 출력이 느렸습니다(69.6~74.7 대 97.1 tok/s). 그래서 평소에는 1개로 두고, 채팅 채널 중 하나라도 "모든 메시지에 대답"일 때만 2개 이상으로 합니다(사용자 결정, 2026-11-10).
## 화면 보기: 전체 화면, 모니터별, 프로그램(창)별

View File

@@ -4,7 +4,7 @@
| 단계 | 내용 | 완료 기준 |
|---|---|---|
| M0 | 게임PC 사전 검증 | 측정 스크립트를 게임PC에서 직접 실행하고 결과 파일을 보내 주시는 방식입니다. 결과로 기본값을 확정합니다. 확인 항목은 아래 목록에 있습니다. 가상 모니터 확인을 뺀 모든 항목 측정 완료(2026-11-10). 가상 모니터 확인은 M6에서 합니다. 2026-11-10에 추가한 `desktop` 단계(agent-desktop)는 측정을 마쳤고, 자동 성능 조절용 `gamemode` 단계(모델 배치별 속도)는 측정 대기입니다. 측정 키트: [scripts/m0/](../../scripts/m0/README.md) |
| M0 | 게임PC 사전 검증 | 측정 스크립트를 게임PC에서 직접 실행하고 결과 파일을 보내 주시는 방식입니다. 결과로 기본값을 확정합니다. 확인 항목은 아래 목록에 있습니다. 가상 모니터 확인을 뺀 모든 항목 측정 완료(2026-11-10). 가상 모니터 확인은 M6에서 합니다. 2026-11-10에 추가한 `desktop` 단계(agent-desktop)는 측정을 마쳤고, 자동 성능 조절용 `gamemode` 단계는 두 번 쟀고, 추가한 배치(전문가 2GB 맥락 16K)와 `gamemode_stt`(LLM과 STT를 함께 켬, STT GPU·CPU), `gamemode_live`(실제 게임을 켬) 단계는 측정 대기입니다. 측정 키트: [scripts/m0/](../../scripts/m0/README.md) |
| M1 | 음성 워커 | 화자별 스트리밍 STT(공용 모델, 배치), 문장 단위 TTS를 WebSocket으로 제공. 녹음 파일 10개 동시 입력 테스트 통과 |
| M2 | 디스코드 음성 코어 이전 | v1 봇 코드를 Electron 안으로 이전. 입장/퇴장, 화자별 수신, 재생, 정지 명령 동작. 채팅 채널 연결(읽기·보내기) |
| M3 | 두뇌 연결 | 기존 jarvis를 Ollama 대신 Strata 주소로 연결. 대화 기록 저장소와 지난 대화 전체 검색(본인 기록 + 등록한 채팅 채널 + 같은 음성 채널의 다른 사람 말). 채팅 채널 도구(읽기·검색·보내기·수정·반응·삭제·고정). 메모리, 날씨, 웹 검색, 식단, MCP 기존 테스트와 평가(evals) 통과 |
@@ -21,6 +21,7 @@ M0에서 확인할 항목:
- 화질 단계별 이미지 읽기 시간
- 한국어 품질
- 게임 모드 전환 시간, 모델 배치별 출력 속도·음성 첫 문장·남는 VRAM (`gamemode` 단계)
- LLM과 STT(10명 동시 전사)를 함께 켰을 때 남는 VRAM과 양쪽 속도, 게임 중 STT를 CPU로 옮겼을 때의 전사 시간 (`gamemode_stt` 단계), 실제 게임을 켠 채로 같은 측정 (`gamemode_live` 단계, 직접 실행)
- faster-whisper turbo와 MeloTTS/CosyVoice2 속도
- 봇용 크롬창의 Alt+Tab 숨김과 디스코드 화면공유 목록 표시
- 디스코드 분리 화면공유 창 식별과, 가려졌을 때 영상이 멈추는지