DEPLOY : audit 13/13, pont vs natif

DEPLOY.md

@@ -315,3 +315,28 @@ reconstitue un JSON valide, `stop_reason=tool_use`), `tool_result.is_error`,
 `redacted_thinking` dans l'historique, `temperature/top_p/top_k/metadata`,
 préremplissage par un dernier message assistant, modèle inconnu (repli sur le
 modèle servi, 200).
+
+Vérifié après v51 : `cache_read_input_tokens` = 23 360 sur 24 047 au second
+appel d'un prompt de 24 k (bloc de cache = 784 jetons en mode mamba align : un
+prompt d'un seul bloc ne rapporte rien, c'est normal). Audit : **13/13**.
+
+### Le pont est-il encore nécessaire ? (vLLM 0.27.1 sert `/v1/messages` nativement)
+
+Oui, vLLM expose déjà `/v1/messages` et `/v1/messages/count_tokens` sur le même
+port que l'API OpenAI (`vllm/entrypoints/anthropic/`) : blocs `thinking` avec
+signature, `tool_use`/`input_json_delta`, images, `stop_sequence`, `ping`,
+`cache_read_input_tokens`, `redacted_thinking`, raisonnement de l'historique
+→ `reasoning`, fusion des messages système inline. Testé sur le pod :
+`curl 127.0.0.1:18081/v1/messages` répond correctement.
+
+Ce que le pont ajoute encore (mesuré ou vérifié dans les sources) :
+- le **niveau de raisonnement** : `thinking.budget_tokens` → `thinking_token_budget`
+  (absent du serveur natif, qui ne connaît que `output_config.effort`) ;
+- les **alias** `claude-*` / `[1m]` avec `context_window` dans `/v1/models`
+  (Claude Code lit `id`/`display_name` pour la découverte) ;
+- le **keepalive pendant le préremplissage** (ping toutes les 15 s : le proxy
+  RunPod coupe à ~125 s de silence — un prefill de 634 k dure 4 min) ;
+- le **garde agentique** (refus des commandes destructrices, 4/4 au test), la
+  console, la trace par requête, la transmission intacte des erreurs amont.
+Pour un usage direct sans RunPod ni garde, le natif suffit : pointer
+`ANTHROPIC_BASE_URL` sur le port vLLM et `ANTHROPIC_MODEL=ornith`.