Initial SQL-only 1C adapter baseline

docs/runbooks/first-vllm-inference.md

@@ -0,0 +1,72 @@
+# First vLLM Inference
+
+Цель: поднять первый OpenAI-compatible inference API на `docker-gpu.cin.su`.
+
+Основной runbook запуска: `docs/runbooks/deploy-vllm.md`.
+Preflight GPU-хоста: `docs/runbooks/gpu-host-preflight.md`.
+
+## Files
+
+- `core/deploy/docker-gpu/vllm/compose.yaml`
+- `core/deploy/docker-gpu/vllm/.env.example`
+- `registry/model-cards/qwen3-4b-instruct-2507.yaml`
+
+## Prepare
+
+На GPU-хосте:
+
+```powershell
+docker --context default version
+```
+
+С локальной машины, если настроен Docker context:
+
+```powershell
+docker --host ssh://test@docker-gpu.cin.su info
+```
+
+## Configure
+
+Скопировать `.env.example` в `.env` на стороне deployment-каталога и указать:
+
+- `VLLM_MODEL_ID`
+- `VLLM_SERVED_MODEL_NAME`
+- `HOST_MODELS_DIR`
+- `HOST_HF_CACHE_DIR`
+- `HF_TOKEN`, только если нужен доступ к закрытой модели
+
+Не коммитить `.env`.
+
+## Run
+
+```powershell
+docker compose --env-file .env -f core/deploy/docker-gpu/vllm/compose.yaml up -d
+```
+
+## Check
+
+```powershell
+curl http://docker-gpu.cin.su:8000/v1/models
+```
+
+Пример запроса:
+
+```powershell
+curl http://docker-gpu.cin.su:8000/v1/chat/completions `
+  -H "Content-Type: application/json" `
+  -d '{"model":"qwen3-4b-instruct","messages":[{"role":"user","content":"Привет. Ответь коротко."}]}'
+```
+
+Или smoke-скриптом из корня проекта:
+
+```powershell
+python scripts/smoke_chat.py --base-url http://docker-gpu.cin.su:8000 --model qwen3-4b-instruct
+```
+
+## Notes
+
+- Сначала используем одну текстовую модель.
+- Первая модель: `Qwen/Qwen3-4B-Instruct-2507`.
+- Первый запуск ограничен `VLLM_MAX_MODEL_LEN=32768`, чтобы снизить риск OOM.
+- Для 1С позже подключим RAG и LoRA/adapters отдельно.
+- Большие модели и cache лежат вне git.