fix(governance): 修反消音化 W-3/W-4 守衛 + Prometheus 補資料缺失告警

【統帥怒訓 — 違反 feedback_full_chain_first_then_fix.md 鐵律】

前次 commit f1362fcc 用 skip 條件把告警吞掉，是消音化解法：
  - W-3：total_exec<10 永遠 skip → Redis 永遠空也不會告警
  - W-4：playbooks total==0 永遠 skip → 表被清空也不會告警
  - Prometheus NaN sentinel + 既有 < 0.1 規則疊加後沒任何路徑會告警

統帥怒訓「又把告警給消失了」「已經這樣做幾次了」。本 commit 救回告警可見性。

【修法 — 啟動 30 分鐘寬限 + 過期改打資料管線斷新告警】

- ai_slo_watchdog_job.py 新增模組層 _PROCESS_START 與 _grace_active() 守衛：
  - W-3a：metric 有資料 + rate<0.30 → 既有「飛輪成功率過低」
  - W-3b：rate=None 且 uptime>30min → 新告警「飛輪資料管線無流量」
  - W-4a：playbooks total>0 + approved=0 → 既有「自動修復鏈路斷裂」
  - W-4b：playbooks total=0 且 uptime>30min → 新告警「Playbook 表初始化失敗」

- 3 份 Prometheus rule（k8s/monitoring/flywheel-alerts.yaml、
  ops/monitoring/alerts.yml、ops/monitoring/alerts-unified.yml）新增
  FlywheelExecutionRateMissing：absent() 或 NaN 持續 30 分鐘 → 告警，
  與 watchdog W-3b 雙保險

【已加入 memory】

feedback_silencing_alerts_recurring_violation.md 鎖入紅線鐵律：
  「fresh deploy / init guard 用 skip 吞告警 = 結構性失職，必須分流寬限期 +
   過期改打資料管線斷新告警」

【驗證】

106 個治理相關 unit test 全過：
  test_trust_drift_watchdog / test_governance_agent / test_failover_alerter /
  test_check_trust_drift_commit_outside_context_poc /
  test_governance_remediation_dispatch / test_ai_governance_endpoints /
  test_governance_dispatcher

🤖 Generated with [Claude Code](https://claude.com/claude-code)

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

apps/api/src/jobs/ai_slo_watchdog_job.py

@@ -20,6 +20,7 @@ ADR-092 B3 (2026-04-24 ogt + Claude Sonnet 4.6 Asia/Taipei)：
 from __future__ import annotations
 
 import asyncio
+import time
 import uuid
 from datetime import UTC, datetime, timedelta
 
@@ -40,6 +41,17 @@ _TG_SILENCE_THRESHOLD = 2    # PENDING telegram_message_id IS NULL 告警門檻
 _FLYWHEEL_SUCCESS_MIN = 0.30  # 執行成功率下限
 _STUCK_ANALYSIS_THRESHOLD = 3  # Agent Debate 失敗導致卡住的告警門檻
 
+# 2026-05-03 ogt + Claude Opus 4.7 — feedback_silencing_alerts_recurring_violation
+# 啟動寬限期：30 分鐘內可 skip「資料還沒到」噪音；超過寬限期仍空 = 真資料管線斷，必須告警
+# 不可單獨用 skip 吞告警 — 一定要配對打「初始化期過、資料應該來但沒來」新告警
+_INIT_GRACE_SEC = 1800
+_PROCESS_START = time.monotonic()
+
+
+def _grace_active() -> bool:
+    """啟動 30 分鐘內為寬限期；超過後資料缺失必須告警"""
+    return (time.monotonic() - _PROCESS_START) < _INIT_GRACE_SEC
+
 
 async def run_ai_slo_watchdog_loop() -> None:
     """
@@ -82,29 +94,51 @@ async def _check_once() -> None:
     except Exception as e:
         logger.warning("watchdog_w2_tg_silence_check_failed", error=str(e))
 
-    # W-3: 飛輪執行成功率過低
-    # 2026-05-02 ogt + Claude Sonnet 4.6 — Bug 2 修復（fresh deploy 假告警）
-    # execution_success_rate=None 代表樣本不足（total_exec < FLYWHEEL_MIN_SAMPLE），
-    # 跳過本次 W-3 檢查，避免每次 restart / fresh deploy 必噴「飛輪成功率 0%」假告警
+    # W-3a: 飛輪執行成功率過低（有樣本但低於門檻）
+    # W-3b: 啟動寬限期過後仍無樣本 = 飛輪資料管線斷流（rate=None > 30min）
+    # 2026-05-03 ogt + Claude Opus 4.7（亞太）— feedback_silencing_alerts_recurring_violation
+    #   2026-05-02 的 W-3 修復用 `rate is None: skip` 把告警吞了，違反「禁消音化解法」鐵律。
+    #   修正：分流 — 啟動 30 分鐘內 skip（避免 fresh deploy 噪音），超過寬限期仍 None
+    #   改打「資料管線無流量」告警，補回故障可見性。
     try:
         from src.services.flywheel_stats_service import FlywheelStatsService
         metrics = await FlywheelStatsService().compute()
         if metrics and metrics.execution_success_rate is None:
-            logger.debug("watchdog_w3_skipped_insufficient_sample", reason="execution_sample_below_min")
+            if _grace_active():
+                logger.debug(
+                    "watchdog_w3_init_grace_skip",
+                    reason="execution_sample_below_min",
+                    uptime_sec=int(time.monotonic() - _PROCESS_START),
+                )
+            else:
+                violations.append(
+                    "飛輪執行成功率資料管線無流量（uptime > 30min 仍無樣本）"
+                )
         elif metrics and metrics.execution_success_rate < _FLYWHEEL_SUCCESS_MIN:
-            violations.append(f"飛輪執行成功率 {metrics.execution_success_rate:.1%} < {_FLYWHEEL_SUCCESS_MIN:.0%}")
+            violations.append(
+                f"飛輪執行成功率 {metrics.execution_success_rate:.1%} < {_FLYWHEEL_SUCCESS_MIN:.0%}"
+            )
     except Exception as e:
         logger.warning("watchdog_w3_flywheel_check_failed", error=str(e))
 
-    # W-4: 無 APPROVED Playbook（自動修復鏈路斷裂）
-    # 2026-05-02 ogt + Claude Sonnet 4.6 — Bug 4 修復（全封存初始化誤報）
-    # 原邏輯：approved==0 即告警，未排除「playbooks 表本身為空」的初始化 / migration 場景
-    # 修法：先查 total count，total==0 表示表初始化中 → skip 並 log；
-    #       total>0 且 approved==0 才是真正的「全封存」斷鏈告警
+    # W-4a: 無 APPROVED Playbook（total > 0 但 approved=0，evolver 全封存自動修復斷鏈）
+    # W-4b: 啟動寬限期過後 playbooks 表仍空（migration 沒跑 / 表被清空）
+    # 2026-05-03 ogt + Claude Opus 4.7（亞太）— feedback_silencing_alerts_recurring_violation
+    #   2026-05-02 的 W-4 修復用 `total==0: skip` 把告警吞了，violates 同樣鐵律。
+    #   修正：分流 — 啟動 30 分鐘內 skip，超過寬限期仍 0 改打「Playbook 表初始化失敗」告警。
     try:
         approved_count, total_playbook_count = await _count_approved_playbooks()
         if total_playbook_count == 0:
-            logger.info("watchdog_w4_skipped_empty_table", reason="playbook_table_empty_likely_initializing")
+            if _grace_active():
+                logger.info(
+                    "watchdog_w4_init_grace_skip",
+                    reason="playbook_table_empty_likely_initializing",
+                    uptime_sec=int(time.monotonic() - _PROCESS_START),
+                )
+            else:
+                violations.append(
+                    "Playbook 表為空 — 初始化失敗或表被清空（uptime > 30min 仍 0 筆）"
+                )
         elif approved_count == 0:
             violations.append("無 APPROVED Playbook — 自動修復鏈路斷裂（evolver 可能全部封存）")
     except Exception as e:
@@ -123,20 +157,23 @@ async def _check_once() -> None:
     except Exception as e:
         logger.warning("watchdog_w5_stuck_analysis_check_failed", error=str(e))
 
-    # W-6: Trust Drift 偵測（Playbook 信任度分布偏態）
-    # P2.6 接入 2026-04-24 ogt + Claude Sonnet 4.6
-    # trust_drift_detector 是孤立服務，此處首次接入 watchdog 自動觸發
+    # W-6: Trust Drift 偵測（Playbook 信任度漂移）
+    # 2026-05-02 ogt + Claude Sonnet 4.6（亞太）: 整併雙寫路徑
+    #   原行為：呼叫 trust_drift_detector.run() 直接寫 event_type=trust_drift 到 PG
+    #   governance_agent.check_trust_drift() 每 1h 也寫同一 event_type → 雙寫
+    #   整併：改呼叫 governance_agent.check_trust_drift() 為唯一 source-of-truth
+    #   W-6 watchdog 仍每 15 分鐘執行（感知器），violations 計數用於 meta-alert 觸發
+    #   PG 寫入由 governance_agent._alert() 統一處理，避免雙寫
     try:
-        from src.services.trust_drift_detector import get_trust_drift_detector
-        dist = await get_trust_drift_detector().run()
-        if dist.drift_detected:
-            drift_labels = {
-                "optimism_bias": "盲目樂觀 — PostExecutionVerifier 可能失效或 RAG 資料污染",
-                "confidence_collapse": "學習鎖死 — EWMA 計算異常或所有執行誤判失敗",
-            }
-            label = drift_labels.get(dist.drift_type or "", dist.drift_type or "未知")
+        from src.services.governance_agent import get_governance_agent
+        trust_result = await get_governance_agent().check_trust_drift()
+        if trust_result.get("drifted", 0) > 0:
+            drifted = trust_result["drifted"]
+            auto_deprecated = trust_result.get("auto_deprecated", 0)
+            kept = trust_result.get("kept", 0)
             violations.append(
-                f"Trust Drift 偵測到 {label}（高分 {dist.high_ratio:.0%} / 低分 {dist.low_ratio:.0%}，共 {dist.total} 個 Playbook）"
+                f"Trust Drift 偵測到 {drifted} 個 Playbook 信任度低落"
+                f"（auto-deprecated: {auto_deprecated}，待人工審核: {kept}）"
             )
     except Exception as e:
         logger.warning("watchdog_w6_trust_drift_check_failed", error=str(e))

k8s/monitoring/flywheel-alerts.yaml

@@ -42,7 +42,11 @@ spec:
             description: "Playbook 數量持續 1 小時為 0，飛輪學習節點完全失效。"
             runbook: "執行 scripts/cold_start_playbooks.py 冷啟動"
 
-        # P0: 執行成功率極低
+        # P0: 執行成功率極低（有資料但低於門檻）
+        # 2026-05-03 ogt + Claude Opus 4.7（亞太）— anti-silencing 補配對告警
+        # 新版 flywheel_stats_service 樣本不足會 emit NaN（Prom 把 NaN 當 stale 不參與比較）
+        # 故此規則只在「有資料、值低於 0.1」時觸發，不會被 NaN 誤觸；
+        # 真正的「資料管線斷流」由下方 FlywheelExecutionRateMissing 補打。
         - alert: FlywheelExecutionSuccessLow
           expr: awoooi_flywheel_execution_success_rate < 0.1
           for: 2h
@@ -55,6 +59,22 @@ spec:
             description: "執行成功率 {{ $value | humanizePercentage }}，低於健康基線 10%。"
             runbook: "檢查 decision_manager 日誌，確認 target 解析和 SSH MCP 狀態"
 
+        # P0: 飛輪執行率資料管線斷流（NaN sentinel + 30 分鐘無資料）
+        # 2026-05-03 ogt + Claude Opus 4.7（亞太）— feedback_silencing_alerts_recurring_violation
+        # 配對 FlywheelExecutionSuccessLow：當指標連續 30 分鐘為 NaN（樣本不足 sentinel）
+        # 即代表「資料應該來但沒來」，watchdog W-3b 也會打同一情境，雙保險。
+        - alert: FlywheelExecutionRateMissing
+          expr: absent(awoooi_flywheel_execution_success_rate) or (awoooi_flywheel_execution_success_rate != awoooi_flywheel_execution_success_rate)
+          for: 30m
+          labels:
+            severity: warning
+            alert_category: infrastructure
+            notification_type: TYPE-3
+          annotations:
+            summary: "飛輪執行率指標連續 30 分鐘無資料"
+            description: "execution_success_rate 連續 30 分鐘為 NaN 或不存在，代表 Redis playbook 統計斷流（資料管線壞 / Redis flush / FlywheelStatsService 異常）。"
+            runbook: "1) 檢查 Redis playbook:* keys 是否存在 2) 檢查 FlywheelStatsService 日誌 3) /metrics endpoint 直接拉看 NaN 來源"
+
         # P0: KM 大量未向量化 → RAG 無法使用歷史案例
         - alert: FlywheelKMVectorizationLow
           expr: awoooi_flywheel_km_unvectorized_count > 10

ops/monitoring/alerts-unified.yml

@@ -765,6 +765,8 @@ groups:
           summary: "飛輪 Playbook 數量為零，AI 修復完全依賴 LLM"
           description: "Redis 中無任何已批准 Playbook，自動修復能力大幅降低"
           runbook: "執行 scripts/cold_start_playbooks.py 冷啟動"
+      # 2026-05-03 ogt + Claude Opus 4.7（亞太）— anti-silencing 補配對告警
+      # NaN sentinel 不會被 < 0.1 誤觸；下方 FlywheelExecutionRateMissing 補「無資料」獨立告警
       - alert: FlywheelExecutionSuccessLow
         expr: awoooi_flywheel_execution_success_rate < 0.1
         for: 2h
@@ -779,6 +781,20 @@ groups:
           summary: "飛輪執行成功率 {{ $value | humanizePercentage }} 低於 10%"
           description: "連續 2 小時執行成功率不足 10%，Playbook 可能已過時"
           runbook: "檢查 decision_manager 日誌，確認 target 解析和 SSH MCP 狀態"
+      - alert: FlywheelExecutionRateMissing
+        expr: absent(awoooi_flywheel_execution_success_rate) or (awoooi_flywheel_execution_success_rate != awoooi_flywheel_execution_success_rate)
+        for: 30m
+        labels:
+          severity: warning
+          layer: k8s
+          team: aiops
+          auto_repair: "false"
+          alert_category: flywheel_health
+          notification_type: TYPE-8M
+        annotations:
+          summary: "飛輪執行率指標 30 分鐘無資料"
+          description: "execution_success_rate 連續 30 分鐘為 NaN 或不存在，Redis playbook 統計斷流（資料管線壞 / Redis flush / FlywheelStatsService 異常）"
+          runbook: "1) 檢查 Redis playbook:* keys 2) 檢查 FlywheelStatsService 日誌 3) curl /metrics 直接拉看 NaN 來源"
       - alert: FlywheelKMVectorizationLow
         expr: awoooi_flywheel_km_unvectorized_count > 10
         for: 30m

ops/monitoring/alerts.yml

@@ -771,6 +771,8 @@ groups:
           summary: "飛輪 Playbook 數量為零，AI 修復完全依賴 LLM"
           description: "Redis 中無任何已批准 Playbook，自動修復能力大幅降低"
           runbook: "執行 scripts/cold_start_playbooks.py 冷啟動"
+      # 2026-05-03 ogt + Claude Opus 4.7（亞太）— anti-silencing 補配對告警
+      # NaN sentinel 不會被 < 0.1 誤觸；下方 FlywheelExecutionRateMissing 補「無資料」獨立告警
       - alert: FlywheelExecutionSuccessLow
         expr: awoooi_flywheel_execution_success_rate < 0.1
         for: 2h
@@ -785,6 +787,20 @@ groups:
           summary: "飛輪執行成功率 {{ $value | humanizePercentage }} 低於 10%"
           description: "連續 2 小時執行成功率不足 10%，Playbook 可能已過時"
           runbook: "檢查 decision_manager 日誌，確認 target 解析和 SSH MCP 狀態"
+      - alert: FlywheelExecutionRateMissing
+        expr: absent(awoooi_flywheel_execution_success_rate) or (awoooi_flywheel_execution_success_rate != awoooi_flywheel_execution_success_rate)
+        for: 30m
+        labels:
+          severity: warning
+          layer: k8s
+          team: aiops
+          auto_repair: "false"
+          alert_category: flywheel_health
+          notification_type: TYPE-8M
+        annotations:
+          summary: "飛輪執行率指標 30 分鐘無資料"
+          description: "execution_success_rate 連續 30 分鐘為 NaN 或不存在，Redis playbook 統計斷流（資料管線壞 / Redis flush / FlywheelStatsService 異常）"
+          runbook: "1) 檢查 Redis playbook:* keys 2) 檢查 FlywheelStatsService 日誌 3) curl /metrics 直接拉看 NaN 來源"
       - alert: FlywheelKMVectorizationLow
         expr: awoooi_flywheel_km_unvectorized_count > 10
         for: 30m