Simplification radicale : moteur pris de l'image officielle llama.cpp

Plus aucune compilation CUDA : le runtime part de
ghcr.io/ggml-org/llama.cpp:server-cuda (llama-server précompilé et maintenu
par l'équipe amont, backends .so chargés dynamiquement, archs GPU courantes,
repli CPU fonctionnel). Le build complet passe de ~40 min à ~4 min et tous
les pièges du build CUDA sans GPU (stubs libcuda, espace disque du runner,
choix des architectures) disparaissent.

- Dockerfile : 2 étapes (Go + image officielle), build-arg LLAMACPP_IMAGE
  pour épingler une version ou passer en CPU/Vulkan
- entrypoint : BIN=/app/llama-server
- workflow GHCR : purge disque et CUDA_ARCHS supprimés, cache max
- compose/.env/README à l'avenant

Validé : build 3 min 55, UI HTTP 200, healthcheck healthy, superviseur PID
OK, llama-server démarre (repli CPU) et n'échoue que sur un modèle factice.

docker-compose.yml

@@ -2,7 +2,8 @@
 # Un seul service : le conteneur embarque le moteur llama.cpp (CUDA) ET l'UI.
 #
 #   cp .env.example .env      # ajuste si besoin
-#   docker compose up --build # build local (30-45 min : compilation CUDA)
+#   docker compose up --build # build local en quelques minutes (llama-server
+#                             # vient précompilé de l'image officielle llama.cpp)
 #
 # Interface : http://localhost:8090
 # Pré-requis GPU : NVIDIA Container Toolkit sur l'hôte.
@@ -10,10 +11,8 @@ services:
   loki:
     build:
       context: .
-      args:
-        # Restreins à ta carte pour un build plus court : 75=Turing (GTX 16xx/RTX 20xx),
-        # 86=Ampere (RTX 30xx), 89=Ada (RTX 40xx).
-        CUDA_ARCHS: ${CUDA_ARCHS:-75;86;89}
+      # Pour épingler la version du moteur ou passer en CPU/Vulkan :
+      # args: { LLAMACPP_IMAGE: "ghcr.io/ggml-org/llama.cpp:server-cuda-b10423" }
     container_name: loki
     ports:
       - "${LOKI_WEB_PORT:-8090}:${LOKI_WEB_PORT:-8090}"