voice: локальный агент (fast-path), tool control_light, смелая тема, RUNBOOK

- lib/agent-local.ts + route.ts: команды-действия исполняет локальная intent-служба
  (под AGENT_URL, с fallback на LLM); инфо-запросы остаются у LLM
- lib/tools/lights.ts: голосовое управление светом через HA (control_light)
- app/globals.css + page.tsx: космическая indigo/aurora тема (токены, kiosk-safe)
- agent/: sidecar-служба (Dockerfile, predict.py), веса монтируются томом
- RUNBOOK.md: вывод в продакшен на мини-ПК

agent/joint_model_def.py

@@ -0,0 +1,178 @@
+#!/usr/bin/env python3
+"""Joint-модель планшета: один энкодер ruBERT-tiny2, две головы — интент и слоты.
+
+Адаптация из smart-chat/mlx-chat/ft под домен smart-home-tablet. Машинерия
+(энкодер + две головы, сегментация, сбор слота срезом исходной строки) — та же,
+что в оригинале; изменены только INTENTS/SLOTS под инструменты планшета.
+
+Головы читают один и тот же last_hidden_state, форвард один — скорость на
+уровне обычного классификатора (~1-2 мс на CPU):
+  intent — по [CLS], классификация всей фразы;
+  slots  — по каждому токену, BIO-теги (извлечение куска текста).
+
+Значение слота достаём по символьным offsets ИСХОДНОЙ строки, а не склейкой
+subword-токенов: «Биг сити лайф» иначе пришлось бы собирать из кусков.
+"""
+import json
+import os
+import re
+
+import torch
+import torch.nn as nn
+from transformers import AutoModel, AutoTokenizer
+
+BASE = "cointegrated/rubert-tiny2"
+
+# --- Интенты: закрытые enum-действия закодированы в САМ интент -----------------
+# Принцип: BIO-слоты хороши для свободного текста (город, трек, длительность),
+# но плохи для выбора из фиксированного набора (направление транспорта,
+# действие с музыкой, режим). Такие enum надёжнее сделать отдельными интентами,
+# чем тащить отдельной головой. Поэтому 14 «широких» tools планшета развёрнуты
+# в узкие интенты. Карта интент → tool: см. tablet_map.py.
+# none — ПОСЛЕДНИМ: predict() возвращает cfg["intents"][-1] на пустой вход.
+INTENTS = [
+    "weather_get",             # get_weather            (+ city)
+    "transport_to_center",     # get_transport{to_center}
+    "transport_from_center",   # get_transport{from_center}
+    "transport_all",           # get_transport{all}
+    "calendar_today",          # get_today_events{today}
+    "calendar_week",           # get_today_events{week}
+    "calendar_create",         # create_event          (+ title,date,time,owner)
+    "timer_set",               # set_timer             (+ duration)
+    "timer_add",               # adjust_timer{+}       (+ duration)
+    "timer_subtract",          # adjust_timer{-}       (+ duration)
+    "timer_cancel",            # cancel_timer
+    "notes_get",               # get_notes
+    "home_state",              # get_smart_home_state
+    "purifier_on",             # control_air_purifier{turn_on}
+    "purifier_off",            # control_air_purifier{turn_off}
+    "purifier_mode",           # control_air_purifier{set_mode}  (+ mode)
+    "light_on",                # control_light{on}     (+ device) — НОВЫЙ tool
+    "light_off",               # control_light{off}    (+ device) — НОВЫЙ tool
+    "music_play",              # control_spotify{play + query}   (+ query)
+    "music_pause",             # control_spotify{pause}
+    "music_resume",            # control_spotify{play}
+    "music_next",              # control_spotify{next}
+    "music_prev",              # control_spotify{previous}
+    "music_volume",            # control_spotify{volume}         (+ level)
+    "now_playing",             # get_now_playing
+    "none",                    # посторонняя речь → fallback на облачный LLM
+]
+
+# --- Слоты: только СВОБОДНЫЙ текст (закрытые значения ушли в интенты) ----------
+SLOTS = [
+    "city",      # город для погоды:     «в Питере», «Чаща»
+    "title",     # название события:      «встреча с врачом»
+    "date",      # дата события:          «25 июля», «завтра»
+    "time",      # время события:         «13 часов», «в 15:30»
+    "owner",     # чей календарь:         «Дани», «Свете»
+    "duration",  # длительность таймера:  «15 минут», «полтора часа»
+    "mode",      # режим очистителя:      «ночной», «авто»
+    "device",    # какая лампа:           «свет у кровати», «лампу для чтения»
+    "query",     # что включить:          «Ваню Дмитриенко», «Биг сити лайф»
+    "level",     # громкость:             «50», «30 процентов»
+]
+TAGS = ["O"] + [f"{p}-{s}" for s in SLOTS for p in ("B", "I")]
+
+# Режем текст на слова И цифры И знаки препинания по отдельности — ровно так же,
+# как при обучении (gen_slots.seg). Разбор целиком делает модель: «13:30.» →
+# токены «13», «:», «30», «.», которым она сама ставит теги. Никакой
+# постобработки регуляркой. Граница буква/цифра тоже режет («15минут» слитно).
+TOKEN_RE = re.compile(r"[^\W\d_]+|\d+|[^\w\s]")
+
+
+def segment(text):
+    """Строка → [(токен, начало, конец)] с позициями в исходной строке.
+
+    Позиции нужны, чтобы собрать значение слота срезом ИСХОДНОГО текста:
+    «свет у кровати» — три токена, склеивать вручную = гадать про пробелы.
+    """
+    return [(m.group(), m.start(), m.end()) for m in TOKEN_RE.finditer(text)]
+
+
+class JointClassifier(nn.Module):
+    def __init__(self, base=BASE, n_intents=len(INTENTS), n_tags=len(TAGS)):
+        super().__init__()
+        self.bert = AutoModel.from_pretrained(base)
+        h = self.bert.config.hidden_size
+        self.dropout = nn.Dropout(0.1)
+        self.intent_head = nn.Linear(h, n_intents)
+        self.slot_head = nn.Linear(h, n_tags)
+
+    def forward(self, input_ids, attention_mask):
+        h = self.bert(input_ids=input_ids, attention_mask=attention_mask).last_hidden_state
+        h = self.dropout(h)
+        return self.intent_head(h[:, 0]), self.slot_head(h)
+
+
+def save(model, tok, path):
+    os.makedirs(path, exist_ok=True)
+    torch.save(model.state_dict(), os.path.join(path, "joint.pt"))
+    tok.save_pretrained(path)
+    with open(os.path.join(path, "joint_config.json"), "w", encoding="utf-8") as f:
+        json.dump({"base": BASE, "intents": INTENTS, "tags": TAGS}, f,
+                  ensure_ascii=False, indent=2)
+
+
+def load(path, device="cpu"):
+    with open(os.path.join(path, "joint_config.json"), encoding="utf-8") as f:
+        cfg = json.load(f)
+    tok = AutoTokenizer.from_pretrained(path)
+    model = JointClassifier(cfg["base"], len(cfg["intents"]), len(cfg["tags"]))
+    model.load_state_dict(torch.load(os.path.join(path, "joint.pt"), map_location=device))
+    return model.to(device).eval(), tok, cfg
+
+
+@torch.no_grad()
+def predict(model, tok, cfg, text, device="cpu"):
+    """Строка → (intent, {slot: значение}, score).
+
+    score — вероятность интента (softmax по голове интента). Потребитель
+    (route.ts) сравнивает с порогом: score < 0.7 → трактовать как none и падать
+    на облачный LLM.
+
+    Сегментация на инференсе — ровно как при обучении (segment + split_words),
+    иначе «13:30» рвётся иначе и теги съезжают.
+    """
+    segs = segment(text)
+    if not segs:
+        return cfg["intents"][-1], {}, 1.0
+    words = [s[0] for s in segs]
+    enc = tok([words], is_split_into_words=True, truncation=True,
+              max_length=48, return_tensors="pt")
+    word_ids = enc.word_ids(0)
+    feed = {k: v.to(device) for k, v in enc.items()}
+    intent_logits, slot_logits = model(feed["input_ids"], feed["attention_mask"])
+
+    probs = torch.softmax(intent_logits[0], -1)
+    best = int(probs.argmax())
+    intent, score = cfg["intents"][best], float(probs[best])
+    tag_ids = slot_logits[0].argmax(-1).tolist()
+
+    # тег на слово — с первого subword, хвост игнорируем (у него при обучении -100)
+    word_tags, prev = {}, None
+    for tid, wid in zip(tag_ids, word_ids):
+        if wid is not None and wid != prev:
+            word_tags[wid] = cfg["tags"][tid]
+        prev = wid
+
+    # BIO-склейка: значение слота — срез исходного текста от начала первого
+    # токена спана до конца последнего.
+    slots, cur, start, end = {}, None, 0, 0
+    for i, (_, s, e) in enumerate(segs):
+        tag = word_tags.get(i, "O")
+        if tag.startswith("B-"):
+            if cur:
+                slots.setdefault(cur, text[start:end])
+            cur, start, end = tag[2:], s, e
+        elif tag.startswith("I-") and cur == tag[2:]:
+            end = e
+        else:
+            if cur:
+                slots.setdefault(cur, text[start:end])
+            cur = None
+    if cur:
+        slots.setdefault(cur, text[start:end])
+
+    slots = {k: v for k, v in slots.items() if v}
+    return intent, slots, score