feat(local-llm): B0 Consumer — Bridge-Relay + Brain-Client (spiegelt FLUX)

Brain → HTTP /internal/local-llm → Bridge → RVS → llm-adapter → llama.cpp,
1:1 nach dem FLUX-Roundtrip-Muster gebaut:
- Bridge: _pending_llm (requestId→Future), llm_response-Handler (setzt Future),
  _local_llm() (sendet llm_request, wartet mit 30s-Timeout), HTTP-Route
  POST /internal/local-llm ({messages, max_tokens?, temperature?, stop?}).
- Brain: local_llm.py mit local_llm_chat() — POSTet an die Bridge, gibt
  {ok, content, model?, elapsedMs?} zurueck, wirft nie (Aufrufer eskaliert
  bei ok=false auf Claude).

Provider-Kette bereits verifiziert (718ms). Als naechstes: Test brain→bridge→
gamebox end-to-end, dann B1 (Router-Heuristik + Escalation) und der
Diagnostic-Testchat/Status (B0.5).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

aria-brain/local_llm.py

@@ -0,0 +1,61 @@
+"""
+Local-LLM-Client (Plan B) — Brain-Seite.
+
+Ruft das schnelle lokale LLM (Qwen3 auf der Gamebox) ueber die Bridge:
+  Brain → HTTP /internal/local-llm → Bridge → RVS → llm-adapter → llama.cpp
+
+Analog zum Claude-`proxy_client`, nur ueber die Bridge (die ist der RVS-Client;
+das Brain bleibt HTTP-only). Der Router im Brain (B1) entscheidet, welche Turns
+hierher gehen (einfach) und welche an Claude (schwer / Tool-Bedarf).
+
+Rueckgabe von local_llm_chat: {ok, content, model?, elapsedMs?} oder {ok:False, error}.
+Nie werfen — der Aufrufer entscheidet bei ok=False, ob er auf Claude eskaliert.
+"""
+
+from __future__ import annotations
+
+import json
+import logging
+import os
+import urllib.error
+import urllib.request
+
+logger = logging.getLogger(__name__)
+
+BRIDGE_URL = os.environ.get("BRIDGE_URL", "http://aria-bridge:8090")
+# Etwas ueber dem Bridge-seitigen _LLM_TIMEOUT_S (30s), damit der HTTP-Call nicht
+# vor dem eigentlichen LLM-Timeout abbricht.
+LOCAL_LLM_HTTP_TIMEOUT_SEC = float(os.environ.get("LOCAL_LLM_HTTP_TIMEOUT_SEC", "35"))
+
+
+def local_llm_chat(messages: list, *, max_tokens: int = 512,
+                   temperature: float = 0.7, stop=None) -> dict:
+    """Ein Chat-Call ans lokale LLM. messages = [{role, content}, ...].
+    Blockierend (urllib) — im Brain laeuft chat() ohnehin im Executor-Thread."""
+    if not isinstance(messages, list) or not messages:
+        return {"ok": False, "error": "messages leer/ungueltig"}
+    req = {"messages": messages, "max_tokens": max_tokens, "temperature": temperature}
+    if stop:
+        req["stop"] = stop
+    try:
+        body = json.dumps(req).encode("utf-8")
+        http_req = urllib.request.Request(
+            f"{BRIDGE_URL}/internal/local-llm", data=body, method="POST",
+            headers={"Content-Type": "application/json"},
+        )
+        with urllib.request.urlopen(http_req, timeout=LOCAL_LLM_HTTP_TIMEOUT_SEC) as resp:
+            result = json.loads(resp.read().decode("utf-8", "ignore"))
+    except urllib.error.HTTPError as exc:
+        try:
+            err_data = json.loads(exc.read().decode("utf-8", "ignore"))
+            err = err_data.get("error") or str(exc)
+        except Exception:
+            err = str(exc)
+        return {"ok": False, "error": f"local-llm: {err}"}
+    except Exception as exc:
+        logger.warning("local_llm_chat HTTP-Call fehlgeschlagen: %s", exc)
+        return {"ok": False, "error": f"local-llm nicht erreichbar ({exc})"}
+
+    if not isinstance(result, dict) or not result.get("ok"):
+        return {"ok": False, "error": (result or {}).get("error", "unbekannt")}
+    return result

bridge/aria_bridge.py

@@ -643,6 +643,11 @@ class ARIABridge:
         # flux-bridge service_status: True wenn ready. Render-Timeouts werden
         # bei 'loading' deutlich grosszuegiger gesetzt (Modell-Download ~24 GB).
         self._remote_flux_ready: bool = False
+        # Lokales LLM (Plan B): requestId → Future mit dem llm_response-Payload.
+        # Analog zu _pending_flux — Brain ruft /internal/local-llm, wir relayen
+        # llm_request via RVS an den llm-adapter (Gamebox) und warten auf
+        # llm_response.
+        self._pending_llm: dict[str, asyncio.Future] = {}
         # User-Message-Counter fuer Auto-Compact. Bei zu langer Konversation
         # sprengt die argv-Liste beim Claude-Subprocess-Spawn (E2BIG). Bei
         # COMPACT_AFTER erreicht → Sessions reset + Container restart.
@@ -2963,6 +2968,15 @@ class ARIABridge:
             future.set_result(payload)
             return
 
+        elif msg_type == "llm_response":
+            # Antwort des llm-adapter (Gamebox) auf unseren llm_request.
+            request_id = payload.get("requestId", "")
+            future = self._pending_llm.get(request_id)
+            if future is None or future.done():
+                return
+            future.set_result(payload)
+            return
+
         elif msg_type == "service_status":
             # Gamebox-Bridges (whisper / f5tts / flux) melden ihren Lade-Status.
             # Wir nutzen das fuer den dynamischen STT-Timeout: solange whisper
@@ -3346,6 +3360,59 @@ class ARIABridge:
     _FLUX_TIMEOUT_READY_S = 240.0      # 4 min nach erstem Render
     _FLUX_TIMEOUT_LOADING_S = 900.0    # 15 min beim allerersten Mal (Modell-Download)
 
+    # ── Local-LLM-Roundtrip: Brain → Bridge → RVS → llm-adapter → zurueck ──
+    # Qwen3 auf der Gamebox antwortet auf kurze Turns in <1 s. Grosszuegiger
+    # Timeout deckt Kaltstart / laengere Antworten / Netz-Jitter (Gamebox@home)
+    # ab. Bei Timeout faellt der Router im Brain per Escalation auf Claude.
+    _LLM_TIMEOUT_S = 30.0
+
+    async def _local_llm(self, messages: list, max_tokens: int = 512,
+                         temperature: float = 0.7, stop=None) -> dict:
+        """Schickt einen llm_request an den llm-adapter (Gamebox), wartet auf
+        llm_response. Rueckgabe: {ok, content, model, elapsedMs} oder {ok:False, error}."""
+        if self.ws_rvs is None:
+            return {"ok": False, "error": "RVS-Verbindung nicht aktiv"}
+        if not isinstance(messages, list) or not messages:
+            return {"ok": False, "error": "messages leer/ungueltig"}
+
+        request_id = str(uuid.uuid4())
+        loop = asyncio.get_event_loop()
+        future: asyncio.Future = loop.create_future()
+        self._pending_llm[request_id] = future
+        try:
+            req_payload = {
+                "requestId": request_id,
+                "messages": messages,
+                "max_tokens": max_tokens,
+                "temperature": temperature,
+            }
+            if stop:
+                req_payload["stop"] = stop
+            logger.info("[rvs] llm_request → llm-adapter (id=%s, msgs=%d, max_tokens=%d)",
+                        request_id[:8], len(messages), max_tokens)
+            ok = await self._send_to_rvs({
+                "type": "llm_request",
+                "payload": req_payload,
+                "timestamp": int(time.time() * 1000),
+            })
+            if not ok:
+                return {"ok": False, "error": "llm_request konnte nicht gesendet werden"}
+            try:
+                result = await asyncio.wait_for(future, timeout=self._LLM_TIMEOUT_S)
+            except asyncio.TimeoutError:
+                return {"ok": False, "error": f"Timeout ({self._LLM_TIMEOUT_S:.0f}s) — Gamebox nicht erreichbar?"}
+            if not isinstance(result, dict) or not result.get("ok"):
+                err = (result or {}).get("error") if isinstance(result, dict) else "leeres Resultat"
+                return {"ok": False, "error": err or "llm-adapter Fehler"}
+            return {
+                "ok": True,
+                "content": result.get("content", ""),
+                "model": result.get("model"),
+                "elapsedMs": result.get("elapsedMs"),
+            }
+        finally:
+            self._pending_llm.pop(request_id, None)
+
     async def _flux_generate(self, prompt: str, width: int, height: int,
                              steps: Optional[int], guidance: Optional[float],
                              seed: Optional[int], model: Optional[str] = None) -> dict:
@@ -3797,6 +3864,33 @@ class ARIABridge:
                     )
                     status = 200 if result.get("ok") else 502
                     await _send_response(writer, status, result)
+                elif method == "POST" and path == "/internal/local-llm":
+                    # Vom Brain (Router / Testchat) gefeuert. Wir relayen den
+                    # Chat-Request via RVS an den llm-adapter (Gamebox Qwen3),
+                    # warten synchron auf llm_response und geben content zurueck.
+                    try:
+                        data = json.loads(body.decode("utf-8", "ignore"))
+                    except Exception as exc:
+                        await _send_response(writer, 400, {"error": f"bad json: {exc}"})
+                        return
+                    messages = data.get("messages")
+                    if not isinstance(messages, list) or not messages:
+                        await _send_response(writer, 400, {"error": "messages (nicht-leere Liste) erforderlich"})
+                        return
+                    try:
+                        max_tokens = int(data.get("max_tokens") or 512)
+                    except (TypeError, ValueError):
+                        max_tokens = 512
+                    try:
+                        temperature = float(data.get("temperature"))
+                    except (TypeError, ValueError):
+                        temperature = 0.7
+                    result = await self._local_llm(
+                        messages=messages, max_tokens=max_tokens,
+                        temperature=temperature, stop=data.get("stop"),
+                    )
+                    status = 200 if result.get("ok") else 502
+                    await _send_response(writer, status, result)
                 elif method == "POST" and path == "/internal/delete-chat-message":
                     try:
                         data = json.loads(body.decode("utf-8", "ignore"))