refactor: LiteLLM unified routing via JeanOrchestrator

- All models now route through single jean-proxy:3012 → orchestrator:8080
- Removed jean-proxy-moe (no longer needed with auto-switch orchestrator)
- Added qwen3.6-moe and qwen3.6-moe-reason model routes
- Updated architecture comments

docker-compose.litellm.yml

@@ -29,8 +29,8 @@ services:
       - ENABLE_OPENAI_API=True
 
   # ─────────────────────────────────────────────────────────
-  # 1. jean-proxy — Reverse-proxy vers Jean (.11:8080) + WOL
+  #  jean-proxy — Reverse-proxy vers JeanOrchestrator (.11:8080) + WOL
-  #    Clone du wol-proxy, meme MAC cible, port cible = 8080
+  #    L'orchestrateur gere le switch auto MoE/27B.
   #    Ecoute :3012 sur le host (network_mode: host)
   # ─────────────────────────────────────────────────────────
   jean-proxy:
@@ -46,6 +46,7 @@ services:
       - WAKE_TIMEOUT=60
       - CHECK_INTERVAL=5
       - BROADCAST_IP=${BROADCAST_IP}
+      - HEALTH_PATH=/health
 
   # ─────────────────────────────────────────────────────────
   # 2. LiteLLM proxy — Endpoint OpenAI unique pour open-webui

litellm/config.yaml

@@ -2,21 +2,16 @@
 # LiteLLM Proxy — Routing pour Effi
 # Endpoint OpenAI-compatible sur :4000 (host network)
 # ‎
-# Backend unique : Jean (llama.cpp/ROCm sur PC gaming .11:8080)
+# Backend unique : JeanOrchestrator (port 8080 sur PC gaming .11)
 # via jean-proxy :3012 + WOL auto si PC eteint.
 # ‎
-# CONTRAINTE VRAM : la RX 7800 XT a 16 Go. Le modele Qwen3.6-27B IQ4_XS
+# L'orchestrateur gere automatiquement le switch entre :
-# occupe ~15.3 Go. Ollama ne peut PAS cohabiter (llama3.1-8b = ~5 Go
+#   - Qwen3.6-35B MoE I-Nano (defaut, 11.7 Go, 100k ctx, ~70 tok/s)
-# supplémentaires -> OOM). On abandonne Ollama et on expose 3 profils
+#   - Qwen3.6-27B IQ4_XS (code/analyse, 14.6 Go, 55k ctx, ~60 tok/s)
-# du meme modele Qwen3.6, avec ou sans raisonnement (toggle natif
-# chat_template_kwargs.enable_thinking):
-#   - qwen3.6-reason : raisonnement ON  (tâches complexes, code, analyse)
-#   - qwen3.6-fast   : raisonnement OFF (chat rapide, mail, extraction simple)
-#   - qwen3.6-27b    : alias (= reason, défaut)
 # ‎
-# Latence observee (campagne de tests 2026-06-27) :
+# Tous les modeles passent par le meme proxy :3012.
-#   reason : TTFT 11-38s, 60-75 tok/s (le modele reflechit avant de repondre)
+# L'orchestrateur detecte le modele demande et charge le bon LLM.
-#   fast   : TTFT 0.4-1s, 60-75 tok/s (reponse quasi immediate)
+# Retour automatique au MoE apres 15 min sans 27B.
 # ═══════════════════════════════════════════════════════════
 
 model_list:
@@ -72,6 +67,32 @@ model_list:
         chat_template_kwargs:
           enable_thinking: false
 
+  # ═════════════════════════════════════════════════════════
+  # Profil 3 — Qwen3.6-35B MoE APEX I-Nano (chat Hermes, usage quotidien)
+  # Modele MoE : 35B total / 3B actifs, 11.7 Go, cache KV 5x plus petit
+  # que le 27B -> contexte 100k possible. Cohabite avec ComfyUI.
+  # Route via le meme proxy :3012 que le 27B (orchestrateur fait le switch).
+  # ═════════════════════════════════════════════════════════
+  - model_name: qwen3.6-moe
+    litellm_params:
+      model: openai/qwen3.6-moe
+      api_base: http://localhost:3012/v1
+      api_key: "null"
+      timeout: 600
+      extra_body:
+        chat_template_kwargs:
+          enable_thinking: false
+
+  - model_name: qwen3.6-moe-reason
+    litellm_params:
+      model: openai/qwen3.6-moe-reason
+      api_base: http://localhost:3012/v1
+      api_key: "null"
+      timeout: 600
+      extra_body:
+        chat_template_kwargs:
+          enable_thinking: true
+
   # ═════════════════════════════════════════════════════════
   # Backend Ollama — COMMENTE (contention VRAM, voir entete)
   # Pour reactiver si dispo (autre machine / GPU dedie), decommenter