Task: Remonter metadata GPU dans connectors-api

Date : 11/02/2026 Status : TERMINE

Objectif

Propager les metadata GPU (gpu_id, processing_time_ms, vram_used_mb) depuis ai-orchestrator jusqu'aux messages AI stockes dans connectors-api.

send_webhook_callback() : ajout gpu_id et vram_used_mb dans le payload webhook
process_single_job() : ajout explicite de gpu_id: job_gpu_id et vram_used_mb: vram_used dans l'appel webhook (les variables locales n'etaient pas dans job_data)

ai.ts : pollJobResult() retourne maintenant gpuId, processingTimeMs, vramUsedMb
aiChat.ts :
- Constante GPU_NAMES (0=RTX 3090, 1=RTX 2070 Super)
- executeToolCall() retourne { content, metadata? } au lieu d'un string
- Chemin LLM tool call : variable lastToolMetadata propagee jusqu'a l'insert final
- Chemin "missed webhook recovery" : metadata GPU construites depuis pollJobResult
- Chemin intent ai_job sync : metadata stockees dans ai_messages.metadata
intentExecutor.ts :
- Interface IntentExecutionResult : nouveau champ jobMetadata
- executeAiJobIntent() : construit et retourne les metadata GPU
- Constante GPU_NAMES locale
index.ts :
- Webhook handler : extrait gpu_id, processing_time_ms, vram_used_mb du body
- Constante GPU_NAMES locale
- Insert ai_messages inclut metadata + duration_ms: processing_time_ms

Intent path (high confidence ai_job) → intentResult.jobMetadata → ai_messages.metadata
LLM tool call path (fallback) → lastToolMetadata → ai_messages.metadata
Webhook path (background jobs) → body gpu_id → ai_messages.metadata
Missed webhook recovery → pollJobResult().gpuId → ai_messages.metadata

{
  "gpu_id": 0,
  "gpu_name": "RTX 3090",
  "processing_time_ms": 1234,
  "vram_used_mb": 8192
}