docs(adr068): 飛輪冷啟動修復結案文件 + Skills v2.8

- ADR-068: 完整記錄五根因、四階段修復、首席架構師審查、E2E 驗收、驗證 Runbook
- LOGBOOK: 更新當前狀態,標記全閉環
- Skill 02 v2.8: 新增「自動修復飛輪六大鐵律」章節(affected_services/alert_name/Router層/Jaccard/alertname變體/Embedding雙軌)

2026-04-10 Asia/Taipei — Claude Sonnet 4.6
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
This commit is contained in:
OG T
2026-04-10 11:39:42 +08:00
parent 5a69a6d2d1
commit b52e2de968
3 changed files with 338 additions and 1 deletions

View File

@@ -38,6 +38,7 @@
| v2.5 | 2026-04-01 | Claude Code | ♻️ Phase R-R2 完成 (legacy -971行) + R-R2.1 P0/P1修復 + ADR-046 型別統一 |
| v2.6 | 2026-04-08 | Claude Code | 🛡️ Sprint 5.1 Data Safety Guardrails — Service Registry 模式 + 審查修正鐵律 |
| v2.7 | 2026-04-09 | Claude Sonnet 4.6 | 🔧 ADR-066 批准執行閉環修復 — Nemotron tool→kubectl_command 回填鐵律 |
| v2.8 | 2026-04-10 | Claude Sonnet 4.6 | 🚀 ADR-068 飛輪冷啟動修復鐵律 — affected_services/Router層業務邏輯/Jaccard豁免/embedding持久化 |
---
@@ -1051,6 +1052,89 @@ asyncio.create_task(auto_generate_rule(
---
## 🚀 自動修復飛輪鐵律 (ADR-068, 2026-04-10)
> **背景**: 25 個 AUTO_REPAIR_TRIGGERED 全部 NO_MATCH — 五個根因同時存在
### 1. affected_services 提取鐵律
**禁止**將 `target_resource`(可能是 IP:port 或 alertname直接填入 `affected_services`
```python
# ❌ 絕對禁止(污染 Jaccard 匹配)
affected_services = [target_resource] # 可能是 "192.168.0.188:9100" 或 "HostHighCpuLoad"
# ✅ 正確 — 語意提取(在 incident_service.py
affected_services = extract_affected_services(labels, target_resource)
# 優先序: component > job(非基礎設施) > pod(deployment name) > clean target > []
```
### 2. Signal alert_name 鐵律
```python
# ❌ 禁止 — alert_name="custom" 讓 Redis index 查詢命中零
alert_name = alert_type # "custom"
# ✅ 正確 — 用真實 alertname label
alert_name = alertname or alert_type # "HostHighCpuLoad"
```
### 3. Router 層業務邏輯鐵律
`create_incident_for_approval` 等含 Severity 映射、Signal 建立、Incident 建立的函數**必須**在 Service 層:
```
# ✅ 正確位置
apps/api/src/services/incident_service.py ← create_incident_for_approval()
← extract_affected_services()
# ❌ 錯誤位置(已修正)
apps/api/src/api/v1/webhooks.py ← 業務邏輯不屬 Router
```
### 4. Jaccard 空集合豁免鐵律
通用型基礎設施 Playbook`affected_services=[]``severity_range=[]`)代表適用所有情境,**不能**因空集合被 Jaccard 打成 0
```python
# apps/api/src/utils/similarity.py — 豁免規則
"affected_services": 1.0 if not pattern_b.affected_services else jaccard(...)
"severity": 1.0 if not pattern_b.severity_range or overlap else 0.0
```
### 5. Playbook alertname 變體鐵律
Playbook 的 `symptom_pattern.alert_names` 必須包含所有真實世界 alertname 變體:
```yaml
# apps/api/alert_rules.yaml — 每條規則都要加足變體
- id: high_cpu
match:
alertname:
- HighCPUUsage # Prometheus 規則名
- HostHighCpuLoad # node-exporter 變體
- CPUThrottlingHigh # K8s 變體
```
### 6. Embedding 持久化鐵律
Playbook 向量**必須**同時存入 Redis熱快取`playbook_embeddings`pgvector 持久化),防止重啟後冷啟動斷層:
```python
# main.py lifespan 啟動時(非阻塞)
asyncio.create_task(ensure_playbook_embeddings_indexed())
```
Repository 層負責格式化:
```python
# ✅ 正確 — PlaybookEmbeddingRepository.upsert()
vec_str = "[" + ",".join(str(float(x)) for x in embedding) + "]" # pgvector 安全格式
# ❌ 禁止 — str(embedding) 可能輸出帶空格的格式
```
---
## 參考文檔
- `apps/api/src/core/config.py`: 設定中心
@@ -1067,3 +1151,4 @@ asyncio.create_task(auto_generate_rule(
- ADR-008: Python 模組化獨立積木架構
- ADR-027: Incident-Approval 同步架構 (UnitOfWork + Saga)
- ADR-064: Alert Rule Engine — YAML 驅動 + AI 自動學習
- ADR-068: 飛輪冷啟動斷層修復 — affected_services/Jaccard/Embedding 四階段系統性根治

View File

@@ -6,7 +6,50 @@
---
## 📍 當前狀態 (2026-04-10 Phase O-6 視覺化驗收 ✅ + 全 Backlog 閉環)
## 📍 當前狀態 (2026-04-10 ADR-068 飛輪冷啟動全閉環 ✅ 首席架構師審查 97/100)
### ADR-068 飛輪冷啟動斷層修復 — 全閉環
| Commit | 內容 |
|--------|------|
| `c6edfb5` | 四階段修復P1 affected_services / P2 alertname 變體 / P3 Jaccard 豁免 / P4 embedding 持久化 |
| `670cd5d` | 首席架構師審查修正C1 Repository / C2 Router→Service / I1-I4 / M1 |
**E2E 驗收**2026-04-10 03:20:
```
ALERT_RECEIVED → AUTO_REPAIR_TRIGGERED ok=True → EXECUTION_COMPLETED ok=True → TELEGRAM_SENT
HostHighCpuLoad 匹配 high-cpu-restart PB-20260406-488671 ✅
```
**文件更新**: ADR-068 ✅ | Skill 02 v2.8 ✅ | Memory feedback ✅ | LOGBOOK ✅
---
## 📍 舊狀態 (2026-04-10 飛輪四階段系統性修復 ✅ E2E 驗收通過)
### 飛輪冷啟動斷層修復 (c6edfb5 → ab6f6fa)
| Phase | 根因 | 修復 | 驗收 |
|-------|------|------|------|
| P3 | Jaccard 空集合打 0 → 通用型 Playbook 永不匹配 | `similarity.py` affected_services/severity 空集合豁免 1.0 | ✅ |
| P2 | Redis index 缺少 HostHighCpuLoad 等真實 alertname | Redis 腳本執行 + alert_rules.yaml 擴充 5 條規則 | ✅ |
| P1 | affected_services=[alertname] 污染 + alert_name="custom" | `_extract_affected_services()` + 完整 labels → Signal | ✅ |
| P4 | 重啟後向量快取清空(冷啟動斷層) | `playbook_embeddings` pgvector 表 + 啟動自動重建 18/18 | ✅ |
**E2E 驗收 log2026-04-10 03:20**
```
ALERT_RECEIVED HostHighCpuLoad
AUTO_REPAIR_TRIGGERED ok=True high-cpu-restart ← 不再 NO_MATCH ✅
EXECUTION_COMPLETED ok=True PB-20260406-488671
TELEGRAM_SENT ok=True approval_card
```
### 下一步 Backlog
B5 整合測試框架 > B2 前端拓撲補完 > B6 SOUL.md
---
## 📍 舊狀態 (2026-04-10 Phase O-6 視覺化驗收 ✅ + 全 Backlog 閉環)
### Phase O-6 視覺化驗收 — 全部通過

View File

@@ -0,0 +1,209 @@
# ADR-068: 自動修復飛輪冷啟動斷層系統性修復
**狀態**: Approved & Implemented
**日期**: 2026-04-10 (台北時間)
**決策者**: ogt (統帥)
**執行者**: Claude Sonnet 4.6
**Commit**: `c6edfb5` (四階段修復) → `670cd5d` (首席架構師審查修正)
---
## 背景與問題
25 個 `AUTO_REPAIR_TRIGGERED` 事件全部以 `blocked_by: NO_MATCH` 失敗。
Playbook 存在,告警也存在,但飛輪永遠無法啟動。
系統性診斷發現**五個同時存在的根因**,任何一個獨立修復都無法解決問題:
| 斷層編號 | 根因 | 影響 |
|---------|------|------|
| F1 | `affected_services` 污染:`[alertname]``[IP:port]` 被填入 | Jaccard 比對永遠為 0 |
| F2 | `alert_name = "custom"`(非真實 alertname | Redis index 查詢命中 0 |
| F3 | Redis Playbook index 缺少真實 alertname 變體 | `HostHighCpuLoad` 等找不到 Playbook |
| F4 | Jaccard 空集合未豁免 | 通用型 Playbook (affected_services=[]) 永遠不匹配 |
| F5 | 重啟後 Redis 向量快取清空(冷啟動) | Phase 4 embedding 搜尋返回空 |
---
## 決策:四階段系統性修復
拒絕逐一 patch採用根治方案。
### Phase 1 — Signal 品質修復(`webhooks.py` → `incident_service.py`
**問題**`create_incident_for_approval``target_resource`fallback 為 alertname 或 IP直接填入 `affected_services`。Signal 的 `alert_name = alert_type = "custom"`
**修復**
- 新增 `extract_affected_services(labels, target_resource)`,優先序:`component > job(非基礎設施) > pod(取 deployment name) > clean target_resource > []`
- Signal 的 `alert_name` 改用真實 `alertname` label
```python
# 修復前(已移除)
affected_services=[target_resource] # IP:port 污染
# 修復後incident_service.py
affected_services=extract_affected_services(labels, target_resource) # 語意提取
```
### Phase 2 — Playbook Index 擴充
**問題**Redis `playbook:index:alert:*` 只有初始建立時的 alertname缺少真實世界的變體。
**修復**
- `alert_rules.yaml` 5 條規則新增 `HostHighCpuLoad``KubePodCrashLooping``NodeMemoryUsageHigh` 等 17 個變體
- `scripts/update_playbook_alert_variants.py` 執行一次性 Redis index 補齊
- 驗證:`HostHighCpuLoad → ['PB-20260406-488671']`
### Phase 3 — Jaccard 空集合豁免(`similarity.py`
**問題**:通用型基礎設施 Playbook`affected_services=[]``severity_range=[]`)與任何告警做 Jaccard 都得 0.0。
**修復**
```python
"affected_services": (
1.0 if not pattern_b.affected_services # 通用型 Playbook 豁免
else calculate_jaccard_similarity(...)
),
"severity": (
1.0 if not pattern_b.severity_range # 全嚴重度適用豁免
or bool(set(pattern_a.severity_range) & set(pattern_b.severity_range))
else 0.0
),
```
### Phase 4 — Embedding 冷啟動修復
**問題**:重啟後 Redis 清空向量快取消失Phase 4 語意搜尋退化為空結果。
**修復**
- 新建 `migrations/flywheel_playbook_embeddings.sql`pgvector 持久化表
- 新建 `services/playbook_embedding_service.py`:啟動時非阻塞重建(`asyncio.create_task`
- 新建 `repositories/playbook_embedding_repository.py`UPSERT Repository
- 啟動驗收18/18 Playbooks 索引成功
---
## 首席架構師審查修正(`670cd5d`
初始實作評分 78/100首席架構師審查後修正至 **97/100**
| # | 問題 | 修正 |
|---|------|------|
| C1 | `playbook_embedding_service` 直接 `db.execute(text(...))` — 繞過 Repository | 新建 `PlaybookEmbeddingRepository` |
| C2 | `create_incident_for_approval` 業務邏輯在 Router 層 | 移入 `incident_service.py` |
| I1 | `_infra_jobs` 每次呼叫重建 set | 提升為 module-level `frozenset` |
| I2 | `_persist_embeddings_to_db` 參數無型別標注 | 補齊 `PlaybookRAGService / list[Playbook]` |
| I3 | `str(embedding)` 格式不確定 | 顯式 `"[" + ",".join(str(float(x))...) + "]"` |
| I4 | `import asyncio``try` 區塊內 | 移至 `main.py` 頂層 |
| M1 | `if union > 0 else 0.0` 死代碼 | 移除 |
---
## E2E 驗收結果
```
2026-04-10 03:20:03 ALERT_RECEIVED HostHighCpuLoad
2026-04-10 03:20:25 AUTO_REPAIR_TRIGGERED ok=True high-cpu-restart
2026-04-10 03:20:26 EXECUTION_COMPLETED ok=True PB-20260406-488671
2026-04-10 03:20:27 TELEGRAM_SENT ok=True approval_card
```
**飛輪從 100% 失敗 → 成功觸發,不再 NO_MATCH。**
---
## 驗證方法Runbook
### 1. 快速煙霧測試
```bash
# 觸發測試告警
curl -X POST http://<node>:32334/api/v1/webhooks/alertmanager \
-H 'Content-Type: application/json' \
-d '{"version":"4","groupKey":"test","status":"firing","receiver":"awoooi",
"alerts":[{"status":"firing",
"labels":{"alertname":"HostHighCpuLoad","severity":"critical",
"instance":"192.168.0.188:9100","job":"node-exporter"},
"annotations":{"summary":"Test","description":"E2E Test"},
"startsAt":"2026-04-10T00:00:00Z"}]}'
# 驗證結果
kubectl exec -n awoooi-prod deployment/awoooi-api -- python3 -c "
import asyncio, asyncpg, os
async def q():
conn = await asyncpg.connect(os.environ['DATABASE_URL'].replace('postgresql+asyncpg://','postgresql://'))
rows = await conn.fetch('SELECT event_type, success, action_detail FROM alert_operation_log ORDER BY created_at DESC LIMIT 5')
[print(r['event_type'], r['success'], r['action_detail']) for r in rows]
await conn.close()
asyncio.run(q())
"
```
**預期輸出**
```
AUTO_REPAIR_TRIGGERED True high-cpu-restart
EXECUTION_COMPLETED True playbook:PB-xxxxxxxx
TELEGRAM_SENT True approval_card
```
### 2. Embedding 健康檢查
```bash
kubectl exec -n awoooi-prod deployment/awoooi-api -- python3 -c "
import asyncio, asyncpg, os
async def q():
conn = await asyncpg.connect(os.environ['DATABASE_URL'].replace('postgresql+asyncpg://','postgresql://'))
rows = await conn.fetch('SELECT playbook_id, array_length(alert_names,1) FROM playbook_embeddings')
print(f'playbook_embeddings: {len(rows)} rows')
[print(' ', r['playbook_id'], r['array_length']) for r in rows[:5]]
await conn.close()
asyncio.run(q())
"
# 預期: 18 rows每筆有 alert_names 數量
```
### 3. Redis Index 檢查
```bash
kubectl exec -n awoooi-prod deployment/awoooi-api -- python3 -c "
import asyncio
from src.core.redis_client import init_redis_pool, get_redis
async def q():
await init_redis_pool()
r = get_redis()
for alert in ['HostHighCpuLoad','KubePodCrashLooping','NodeMemoryUsageHigh']:
members = await r.smembers(f'playbook:index:alert:{alert}')
print(f'{alert}: {[m.decode() for m in members]}')
asyncio.run(q())
"
```
### 4. 相似度計算單元驗證
```python
from src.utils.similarity import calculate_symptom_similarity
from src.models.playbook import SymptomPattern
# 通用型 Playbookaffected_services=[])應與任何告警得高分
playbook_pattern = SymptomPattern(alert_names=["HostHighCpuLoad"], affected_services=[], severity_range=[])
alert_pattern = SymptomPattern(alert_names=["HostHighCpuLoad"], affected_services=["momo-app"], severity_range=["critical"])
score = calculate_symptom_similarity(alert_pattern, playbook_pattern)
assert score >= 0.5, f"通用型 Playbook 分數過低: {score}"
# 預期: 0.35 (alert_names 完全匹配) + 0.30 (服務豁免) + 0.15 (嚴重度豁免) = 0.80
```
---
## 架構影響
| 元件 | 變更前 | 變更後 |
|------|--------|--------|
| `webhooks.py` | 含業務邏輯函數 | 純 Router業務邏輯在 Service |
| `incident_service.py` | 只有記憶體存取 | +`create_incident_for_approval` + `extract_affected_services` |
| `similarity.py` | 空集合打 0 | 通用型 Playbook 豁免 1.0 |
| `playbook_embeddings` | 不存在 | pgvector 持久化表,啟動自動重建 |
| `PlaybookEmbeddingRepository` | 不存在 | UPSERT Repository 層 |
---
## 相關 ADR
- ADR-030: 智能自動修復系統(飛輪原始設計)
- ADR-067: Ollama 本地 AInomic-embed-text 向量)
- ADR-064: 告警規則引擎 YAML 驅動