feat(Phase 3): 學習閉環補完 — Root cause 3 + 診斷 feedback + 知識遺忘 + Fine-tune 管線

- approval_execution.py: _run_post_execution_verify() 補接 record_verification_result()
  Root cause 3 終結：環境驗證結果（success/degraded/failed/timeout）不再孤立
- learning_service.py: 新增 record_verification_result() — 驗證結果 → Redis + Playbook EWMA
- learning_service.py: 新增 record_diagnosis_outcome() — 誤診負向訊號回寫（L3×D4）
- jobs/knowledge_decay_job.py: 新建 30d 知識遺忘 Job（未引用 draft/review → archived）
- services/finetune_exporter.py: 新建每週 JSONL 匯出（EvidenceSnapshot × AgentSession）
- main.py: 掛載 knowledge_decay_loop（24h）+ finetune_export_loop（7d）
- MASTER §8: Phase 3 核心改造項全部落地記錄

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

apps/api/src/jobs/knowledge_decay_job.py

@@ -0,0 +1,180 @@
+"""
+AWOOOI AIOps Phase 3 — 知識遺忘 Job
+=====================================
+職責：每日掃描知識庫（knowledge_entries）中 30 天未被引用（view_count = 0
+且 updated_at < now-30d）的草稿/審核條目，標記為 archived（知識遺忘）。
+
+為什麼需要知識遺忘？
+  短期學習偏差：AI 早期案例學習的修復模式可能已過時（K8s 版本、服務名稱改變）。
+  若不遺忘，舊的 zero-evidence 條目會持續污染 RAG 檢索，
+  拉低 Playbook 匹配精度，增加誤診率。
+
+遺忘策略：
+  - 對象：status in (draft, review) 且 view_count = 0 且 updated_at < now-30d
+  - 動作：status → archived，tags 追加 'kb_decay_30d'
+  - 豁免：status = approved（需人工封存）；status = archived（已封存）
+  - 每次執行記錄摘要到 structlog（不寫 governance event，避免雜訊）
+
+設計原則：
+  1. 只標記，不刪除（符合 archive_not_delete 鐵律）
+  2. 批次操作，每次最多 200 筆（避免長事務）
+  3. Job 失敗只記錄 error，不影響主路徑
+
+ADR-083 Phase 3: 知識遺忘（L7×D4）
+2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 初始建立
+"""
+
+from __future__ import annotations
+
+import asyncio
+from dataclasses import dataclass, field
+from datetime import timedelta
+
+import structlog
+from sqlalchemy import and_, select, update
+
+from src.db.base import get_session_factory
+from src.db.models import KnowledgeEntryRecord
+from src.models.knowledge import EntryStatus
+from src.utils.timezone import now_taipei
+
+logger = structlog.get_logger(__name__)
+
+# ─────────────────────────────────────────────────────────────────────────────
+# 常數
+# ─────────────────────────────────────────────────────────────────────────────
+
+DECAY_AGE_DAYS = 30
+DECAY_TAG = "kb_decay_30d"
+BATCH_LIMIT = 200
+DAILY_INTERVAL_SEC = 86_400  # 24h
+
+
+# ─────────────────────────────────────────────────────────────────────────────
+# Data Types
+# ─────────────────────────────────────────────────────────────────────────────
+
+@dataclass
+class DecayScanResult:
+    """知識遺忘掃描結果"""
+    total_scanned: int
+    decayed_ids: list[str] = field(default_factory=list)
+    scanned_at: str = field(default_factory=lambda: now_taipei().isoformat())
+
+    @property
+    def decayed_count(self) -> int:
+        return len(self.decayed_ids)
+
+    def to_dict(self) -> dict:
+        return {
+            "total_scanned": self.total_scanned,
+            "decayed_count": self.decayed_count,
+            "decayed_ids_sample": self.decayed_ids[:20],
+            "scanned_at": self.scanned_at,
+        }
+
+
+# ─────────────────────────────────────────────────────────────────────────────
+# Main Job
+# ─────────────────────────────────────────────────────────────────────────────
+
+class KnowledgeDecayJob:
+    """
+    知識遺忘 Job（每日執行）
+
+    Usage:
+        job = KnowledgeDecayJob()
+        result = await job.run()
+    """
+
+    async def run(self) -> DecayScanResult:
+        """
+        完整執行：掃描 → 標記 archived（知識遺忘）。
+
+        Returns:
+            DecayScanResult
+        """
+        from src.core.feature_flags import aiops_flags
+        if not aiops_flags.AIOPS_P3_ENABLED:
+            logger.debug("knowledge_decay_job_skipped_feature_flag")
+            return DecayScanResult(total_scanned=0)
+
+        try:
+            return await self._run_scan()
+        except Exception as e:
+            logger.error(
+                "knowledge_decay_job_error",
+                error=str(e),
+            )
+            return DecayScanResult(total_scanned=0)
+
+    async def _run_scan(self) -> DecayScanResult:
+        cutoff = now_taipei() - timedelta(days=DECAY_AGE_DAYS)
+        decayable_statuses = [EntryStatus.DRAFT.value, EntryStatus.REVIEW.value]
+
+        session_factory = get_session_factory()
+        async with session_factory() as db:
+            # 查：30 天未引用（view_count=0）且 updated_at < cutoff 的 draft/review 條目
+            stmt = select(KnowledgeEntryRecord).where(
+                and_(
+                    KnowledgeEntryRecord.status.in_(decayable_statuses),
+                    KnowledgeEntryRecord.view_count == 0,
+                    KnowledgeEntryRecord.updated_at < cutoff,
+                )
+            ).limit(BATCH_LIMIT)
+
+            result = await db.execute(stmt)
+            entries = result.scalars().all()
+            total_scanned = len(entries)
+
+            if not entries:
+                logger.debug("knowledge_decay_nothing_to_decay")
+                return DecayScanResult(total_scanned=0)
+
+            decayed_ids = []
+            for entry in entries:
+                # 追加 decay tag（不重複）
+                current_tags: list[str] = list(entry.tags or [])
+                if DECAY_TAG not in current_tags:
+                    current_tags.append(DECAY_TAG)
+
+                entry.status = EntryStatus.ARCHIVED.value
+                entry.tags = current_tags
+                decayed_ids.append(entry.id)
+
+            await db.commit()
+
+        result = DecayScanResult(
+            total_scanned=total_scanned,
+            decayed_ids=decayed_ids,
+        )
+
+        logger.info(
+            "knowledge_decay_job_done",
+            **result.to_dict(),
+        )
+        return result
+
+
+# ─────────────────────────────────────────────────────────────────────────────
+# Loop（掛載到 main.py）
+# ─────────────────────────────────────────────────────────────────────────────
+
+async def run_knowledge_decay_loop() -> None:
+    """
+    無限迴圈：每 24h 執行一次知識遺忘掃描。
+    在 main.py startup 以 asyncio.create_task 掛載。
+    """
+    job = KnowledgeDecayJob()
+    while True:
+        try:
+            result = await job.run()
+            if result.decayed_count > 0:
+                logger.info(
+                    "knowledge_decay_loop_tick",
+                    decayed=result.decayed_count,
+                )
+        except Exception as e:
+            logger.error("knowledge_decay_loop_error", error=str(e))
+
+        await asyncio.sleep(DAILY_INTERVAL_SEC)

apps/api/src/main.py

@@ -345,6 +345,24 @@ async def lifespan(_app: FastAPI) -> AsyncGenerator[None, None]:
     except Exception as e:
         logger.warning("approval_timeout_resolver_schedule_failed", error=str(e))
 
+    # ADR-083 Phase 3: 知識遺忘 Job（每日）— 30d 未引用 KB entry 標記 archived
+    # 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 初始建立
+    try:
+        from src.jobs.knowledge_decay_job import run_knowledge_decay_loop
+        asyncio.create_task(run_knowledge_decay_loop())
+        logger.info("knowledge_decay_loop_scheduled", interval_sec=86400)
+    except Exception as e:
+        logger.warning("knowledge_decay_loop_schedule_failed", error=str(e))
+
+    # ADR-083 Phase 3: Fine-tune JSONL 匯出（每週）— EvidenceSnapshot × AgentSession → JSONL
+    # 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 初始建立
+    try:
+        from src.services.finetune_exporter import run_finetune_export_loop
+        asyncio.create_task(run_finetune_export_loop())
+        logger.info("finetune_export_loop_scheduled", interval_sec=604800)
+    except Exception as e:
+        logger.warning("finetune_export_loop_schedule_failed", error=str(e))
+
     # Phase 4 ADR-084: 主動巡檢每 5 分鐘執行一次
     # 協調 DynamicBaselineService + LogAnomalyDetector + TrendPredictor
     # Shadow Mode 控制：AIOPS_P4_SHADOW_MODE=True 時只記錄，不觸發 Alert

apps/api/src/services/approval_execution.py

@@ -568,6 +568,25 @@ class ApprovalExecutionService:
                 action=action_taken,
             )
 
+            # ADR-083 Phase 3 Root cause 3: 驗證結果接線到學習服務
+            # 環境驗證（Pod Running / 指標恢復）是比執行 exit code 更精確的學習訊號
+            # 2026-04-15 ogt + Claude Sonnet 4.6（亞太）
+            try:
+                from src.services.learning_service import get_learning_service
+                _matched_pb_id = getattr(approval, "matched_playbook_id", None)
+                await get_learning_service().record_verification_result(
+                    incident_id=approval.incident_id,
+                    action_taken=action_taken,
+                    verification_result=verification_result,
+                    matched_playbook_id=_matched_pb_id,
+                )
+            except Exception as _lerr:
+                logger.warning(
+                    "post_verify_learning_failed",
+                    approval_id=str(approval.id),
+                    error=str(_lerr),
+                )
+
         except Exception as _e:
             # 驗證失敗不影響執行結果
             logger.warning(

apps/api/src/services/finetune_exporter.py

@@ -0,0 +1,247 @@
+"""
+AWOOOI AIOps Phase 3 — Fine-tune JSONL 匯出器
+=============================================
+職責：每週將（EvidenceSnapshot × AgentSession × AutoRepairExecution）
+      組合成訓練對（instruction, input, output），匯出為 JSONL 檔案供 LLM 微調。
+
+為什麼需要 fine-tune 管線？
+  EWMA Playbook trust 只調整「選哪個 Playbook」，
+  但 LLM 本身的推理模式（症狀識別、根因分析、行動描述格式）無法從 EWMA 學習。
+  Fine-tune 資料管線讓 AI 從真實成功案例中學習「如何推理」，
+  不只學習「信任哪個 Playbook」。
+
+匯出策略：
+  - 查詢 incident_evidence 中 verification_result = 'success' 且有 evidence_summary 的記錄
+  - 聯結同 incident_id 的 AgentSession（coordinator turn）取得推理決策
+  - 聯結 auto_repair_executions 取得實際執行動作
+  - 組合成 JSONL 格式（Alpaca instruction-input-output 格式）
+  - 輸出到 FINETUNE_EXPORT_PATH（預設 /tmp/finetune/）；MinIO 支援待設定
+
+JSONL 格式（每行 1 個 JSON 物件）：
+  {
+    "instruction": "根據 AIOps 情報摘要，分析告警根因並提出修復建議",
+    "input": "<evidence_summary>",
+    "output": "<coordinator 推理決策 + 執行動作>",
+    "metadata": {
+      "incident_id": "...",
+      "alertname": "...",
+      "verification_result": "success",
+      "collected_at": "...",
+      "schema_version": "v1"
+    }
+  }
+
+設計原則：
+  1. 只匯出 verification_result = 'success' 的記錄（負向案例不入訓練集，避免強化錯誤模式）
+  2. 每次匯出加時間戳前綴（不覆蓋舊檔）
+  3. 每批最多 500 筆（大規模訓練集需分批）
+  4. 失敗只記錄 error，不影響主路徑
+
+ADR-083 Phase 3: Fine-tune 管線（L7×D4）
+2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 初始建立
+"""
+
+from __future__ import annotations
+
+import asyncio
+import json
+import os
+from datetime import timedelta
+from pathlib import Path
+
+import structlog
+from sqlalchemy import and_, select
+
+from src.db.base import get_session_factory
+from src.db.models import AgentSession, AutoRepairExecution, IncidentEvidence
+from src.utils.timezone import now_taipei
+
+logger = structlog.get_logger(__name__)
+
+# ─────────────────────────────────────────────────────────────────────────────
+# 常數
+# ─────────────────────────────────────────────────────────────────────────────
+
+FINETUNE_EXPORT_PATH = os.getenv("FINETUNE_EXPORT_PATH", "/tmp/finetune")
+BATCH_LIMIT = 500
+EXPORT_LOOKBACK_DAYS = 7       # 只匯出過去 N 天的資料
+WEEKLY_INTERVAL_SEC = 7 * 86_400
+
+INSTRUCTION = (
+    "根據以下 AIOps 情報摘要（EvidenceSnapshot），"
+    "分析告警根因並提出具體的修復建議，說明修復動作的理由。"
+)
+
+
+# ─────────────────────────────────────────────────────────────────────────────
+# Fine-tune Exporter
+# ─────────────────────────────────────────────────────────────────────────────
+
+class FineTuneExporter:
+    """
+    Fine-tune JSONL 匯出器（每週執行）
+
+    Usage:
+        exporter = FineTuneExporter()
+        path, count = await exporter.export()
+    """
+
+    async def export(self) -> tuple[str | None, int]:
+        """
+        匯出訓練資料。
+
+        Returns:
+            (output_file_path, row_count)
+            若無資料或功能關閉，返回 (None, 0)
+        """
+        from src.core.feature_flags import aiops_flags
+        if not aiops_flags.AIOPS_P3_FINETUNE_EXPORT:
+            logger.debug("finetune_exporter_skipped_feature_flag")
+            return None, 0
+
+        try:
+            return await self._run_export()
+        except Exception as e:
+            logger.error("finetune_exporter_error", error=str(e))
+            return None, 0
+
+    async def _run_export(self) -> tuple[str | None, int]:
+        cutoff = now_taipei() - timedelta(days=EXPORT_LOOKBACK_DAYS)
+        session_factory = get_session_factory()
+
+        async with session_factory() as db:
+            # 1. 取得成功驗證的 EvidenceSnapshot（有 evidence_summary + verification_result='success'）
+            stmt = select(IncidentEvidence).where(
+                and_(
+                    IncidentEvidence.verification_result == "success",
+                    IncidentEvidence.evidence_summary.isnot(None),
+                    IncidentEvidence.collected_at >= cutoff,
+                )
+            ).limit(BATCH_LIMIT)
+
+            result = await db.execute(stmt)
+            evidences = result.scalars().all()
+
+            if not evidences:
+                logger.info("finetune_exporter_no_data", lookback_days=EXPORT_LOOKBACK_DAYS)
+                return None, 0
+
+            # 2. 為每筆 evidence 取對應的 coordinator AgentSession + AutoRepairExecution
+            rows: list[dict] = []
+            for ev in evidences:
+                row = await self._build_row(db, ev)
+                if row:
+                    rows.append(row)
+
+        if not rows:
+            return None, 0
+
+        # 3. 寫出 JSONL
+        output_path = await self._write_jsonl(rows)
+        logger.info(
+            "finetune_export_done",
+            row_count=len(rows),
+            path=output_path,
+        )
+        return output_path, len(rows)
+
+    async def _build_row(self, db, ev: IncidentEvidence) -> dict | None:
+        """組合單筆訓練對。"""
+        # 取 coordinator Agent turn（若有）
+        agent_stmt = select(AgentSession).where(
+            and_(
+                AgentSession.incident_id == ev.incident_id,
+                AgentSession.agent_role == "coordinator",
+            )
+        ).order_by(AgentSession.created_at.desc()).limit(1)
+        agent_result = await db.execute(agent_stmt)
+        coordinator = agent_result.scalar_one_or_none()
+
+        # 取最新執行記錄
+        exec_stmt = select(AutoRepairExecution).where(
+            AutoRepairExecution.incident_id == ev.incident_id,
+        ).order_by(AutoRepairExecution.created_at.desc()).limit(1)
+        exec_result = await db.execute(exec_stmt)
+        execution = exec_result.scalar_one_or_none()
+
+        # 組合 output 文字
+        output_parts: list[str] = []
+        if coordinator and coordinator.output_json:
+            coord_out = coordinator.output_json
+            if isinstance(coord_out, dict):
+                # 取 reasoning 或 decision 字段
+                reasoning = (
+                    coord_out.get("reasoning")
+                    or coord_out.get("decision")
+                    or str(coord_out)[:500]
+                )
+                output_parts.append(f"[AI 決策]\n{reasoning}")
+
+        if execution:
+            action_desc = execution.playbook_name or "未知"
+            if execution.executed_steps:
+                steps = execution.executed_steps
+                if isinstance(steps, list) and steps:
+                    first = steps[0]
+                    if isinstance(first, dict):
+                        action_desc = first.get("action") or first.get("step") or action_desc
+            output_parts.append(f"[執行動作]\n{action_desc}")
+            output_parts.append(
+                f"[執行結果] {'成功' if execution.success else '失敗'}"
+            )
+
+        if not output_parts:
+            return None  # 無 output 資料，跳過
+
+        # 取 alertname（優先從 ev 關聯 incident 的 signal labels）
+        alertname = ev.incident_id  # fallback to incident_id
+
+        return {
+            "instruction": INSTRUCTION,
+            "input": (ev.evidence_summary or "").strip(),
+            "output": "\n\n".join(output_parts),
+            "metadata": {
+                "incident_id": ev.incident_id,
+                "alertname": alertname,
+                "verification_result": ev.verification_result,
+                "collected_at": ev.collected_at.isoformat() if ev.collected_at else None,
+                "schema_version": ev.schema_version,
+                "matched_playbook_id": ev.matched_playbook_id,
+            },
+        }
+
+    async def _write_jsonl(self, rows: list[dict]) -> str:
+        """寫出 JSONL 到 FINETUNE_EXPORT_PATH。"""
+        export_dir = Path(FINETUNE_EXPORT_PATH)
+        export_dir.mkdir(parents=True, exist_ok=True)
+
+        ts = now_taipei().strftime("%Y%m%d-%H%M%S")
+        filename = f"finetune-{ts}.jsonl"
+        output_path = export_dir / filename
+
+        with open(output_path, "w", encoding="utf-8") as f:
+            for row in rows:
+                f.write(json.dumps(row, ensure_ascii=False) + "\n")
+
+        return str(output_path)
+
+
+# ─────────────────────────────────────────────────────────────────────────────
+# Loop（掛載到 main.py）
+# ─────────────────────────────────────────────────────────────────────────────
+
+async def run_finetune_export_loop() -> None:
+    """
+    無限迴圈：每 7 天執行一次 fine-tune 資料匯出。
+    在 main.py startup 以 asyncio.create_task 掛載。
+    """
+    exporter = FineTuneExporter()
+    while True:
+        try:
+            path, count = await exporter.export()
+            if count > 0:
+                logger.info("finetune_export_loop_tick", rows=count, path=path)
+        except Exception as e:
+            logger.error("finetune_export_loop_error", error=str(e))
+
+        await asyncio.sleep(WEEKLY_INTERVAL_SEC)

apps/api/src/services/learning_service.py

@@ -645,6 +645,110 @@ class LearningService:
             )
             return False
 
+    async def record_diagnosis_outcome(
+        self,
+        incident_id: str,
+        matched_playbook_id: str | None,
+        was_correct: bool,
+        actual_fix: str | None = None,
+    ) -> None:
+        """
+        記錄 AI 診斷結果的正確性。
+
+        ADR-083 Phase 3: 誤診回寫 playbook_diagnosis_feedback（L3×D4）。
+        當 AI 提議被人工拒絕、或執行後驗證失敗，代表診斷可能有誤；
+        此時回寫負向信號，讓對應 Playbook trust_score EWMA 收縮。
+
+        Args:
+            incident_id:           關聯 Incident ID
+            matched_playbook_id:   此次診斷使用的 Playbook ID（若有）
+            was_correct:           診斷是否正確（False = 誤診）
+            actual_fix:            實際有效的修復動作（可供 Evolver 學習）
+
+        2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 誤診回饋接線
+        """
+        # 1. 記錄到 Repository（diag: 前綴與 exec: / verify: 區分）
+        try:
+            await self._repository.record_repair(
+                anomaly_key=f"diag:{incident_id}",
+                repair_action=actual_fix or "unknown",
+                success=was_correct,
+                fix_description=f"diagnosis_correct={was_correct}",
+            )
+        except Exception as e:
+            logger.warning(
+                "record_diagnosis_to_repo_failed",
+                incident_id=incident_id,
+                error=str(e),
+            )
+
+        # 2. 誤診時強化 Playbook 負向學習（已有 2x EWMA 衰減係數）
+        if matched_playbook_id and not was_correct:
+            await self._update_playbook_stats(
+                playbook_id=matched_playbook_id,
+                success=False,
+            )
+
+        logger.info(
+            "diagnosis_outcome_recorded",
+            incident_id=incident_id,
+            was_correct=was_correct,
+            matched_playbook_id=matched_playbook_id,
+        )
+
+    async def record_verification_result(
+        self,
+        incident_id: str,
+        action_taken: str,
+        verification_result: str,
+        matched_playbook_id: str | None = None,
+    ) -> None:
+        """
+        記錄環境驗證結果到學習系統。
+
+        ADR-083 Phase 3 Root cause 3: post_execution_verifier → learning 接線修復。
+        環境驗證（Pod Running / 指標恢復）比執行指令 exit code 更精確，
+        單獨存一條 verify: 前綴記錄，並更新 Playbook EWMA stats。
+
+        Args:
+            incident_id:           關聯 Incident ID
+            action_taken:          執行的動作描述（例如 "restart_service:awoooi-api"）
+            verification_result:   "success" | "degraded" | "failed" | "timeout"
+            matched_playbook_id:   匹配的 Playbook ID（有則更新 EWMA stats）
+
+        2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3 Root cause 3 修復
+        """
+        success = (verification_result == "success")
+
+        # 1. 記錄環境驗證結果到 Repository（anomaly_key 加 verify: 前綴與執行記錄區分）
+        try:
+            await self._repository.record_repair(
+                anomaly_key=f"verify:{incident_id}",
+                repair_action=action_taken,
+                success=success,
+                fix_description=verification_result,
+            )
+        except Exception as e:
+            logger.warning(
+                "record_verification_to_repo_failed",
+                incident_id=incident_id,
+                error=str(e),
+            )
+
+        # 2. 更新 Playbook EWMA stats（比執行 exit code 更精確的訊號）
+        if matched_playbook_id:
+            await self._update_playbook_stats(
+                playbook_id=matched_playbook_id,
+                success=success,
+            )
+
+        logger.info(
+            "verification_result_recorded",
+            incident_id=incident_id,
+            verification_result=verification_result,
+            matched_playbook_id=matched_playbook_id,
+        )
+
     async def get_recommended_fix(self, anomaly_key: str) -> dict:
         """
         根據歷史學習，推薦最佳修復方案

docs/superpowers/specs/2026-04-15-MASTER-ai-autonomous-flywheel-v2.md

@@ -1529,3 +1529,33 @@ Phase 6 完成後
 - [ ] 生產驗證（等 3ce5025 / Phase 6 image 部署後觀察）
 
 **commit chain：** fab65e7 → f31b4e3 → f045506 → f9ba200 → 3ce5025 → (Phase 6 REST API commit)
+
+---
+
+### 2026-04-15 深夜 (台北) — Phase 3 學習閉環補完 — Root cause 3 + 診斷 feedback + 知識遺忘 + Fine-tune 管線
+
+**本次完成：Phase 3「核心改造項」全部落地**
+
+| 檔案 | 修改內容 | 對應項目 |
+|------|---------|---------|
+| `services/approval_execution.py` | `_run_post_execution_verify()` 補接 `record_verification_result()` 呼叫，Root cause 3 終結 | 驗證結果 → 學習接線 |
+| `services/learning_service.py` | 新增 `record_verification_result()`：環境驗證結果（success/degraded/failed/timeout）回寫 Redis + 更新 Playbook EWMA | Root cause 3 接線 |
+| `services/learning_service.py` | 新增 `record_diagnosis_outcome()`：誤診（人工拒絕/驗證失敗）回寫負向 Playbook 訊號 | 診斷 feedback（L3×D4） |
+| `jobs/knowledge_decay_job.py` | **新建** 每日 Job：30 天未引用（view_count=0）的 draft/review KB 條目標 archived + tag `kb_decay_30d` | 知識遺忘（L7×D4） |
+| `services/finetune_exporter.py` | **新建** 每週 Job：verification_result='success' 的 EvidenceSnapshot × AgentSession × AutoRepairExecution → Alpaca JSONL → `/tmp/finetune/` | Fine-tune 管線（L7×D4） |
+| `main.py` | 掛載 `run_knowledge_decay_loop`（每 24h）+ `run_finetune_export_loop`（每 7d）| Job 調度 |
+
+**Phase 3 退出條件更新：**
+- [x] Root cause 1：fire-and-forget → await（7da64ea）
+- [x] Root cause 2：matched_playbook_id 永不填充（7da64ea）
+- [x] Root cause 3：驗證結果未傳學習（本次）
+- [x] 2x EWMA 負向衰減（7da64ea，playbook_repository.py）
+- [x] Evolver Agent（7da64ea，playbook_evolver.py）
+- [x] 診斷 feedback（本次，record_diagnosis_outcome）
+- [x] 知識遺忘 Job（本次，knowledge_decay_job.py）
+- [x] Fine-tune 管線（本次，finetune_exporter.py）
+- [ ] `matched_playbook_id` null 率 = 0（生產驗證需 7 天監控）
+- [ ] Playbook trust_score 有 ≥ 1 筆 24h 動態更新（生產驗證）
+- [ ] Fine-tune JSONL ≥ 10 條（待 EvidenceSnapshot 累積 7 天後驗證）
+
+**下一步：** 推 Gitea → CD 部署 → 7 天生產觀察 Phase 3 退出條件