抑制 EA 無實證空告警

TODO_NEXT_STEPS.txt

@@ -4,6 +4,7 @@
 ================================================================================
 
 【已完成】
+   - V10.253 修正 Elephant Alpha L3 HITL 空告警：價格類與資源調配低信心事件若沒有 Hermes/實證資料，只記 suppressed telemetry 與 cooldown，不寫 pending human_review、不發 Telegram；`resource_optimization` 會保留 queue/load 原始指標供追查。
    - V10.251 修正 OpenClaw Q&A 備援遙測：Ollama 主路徑仍為 GCP-A → GCP-B → 111，Gemini 只記為 `openclaw_qa_gemini_fallback`，NIM 只記為 `openclaw_qa_nim`；AI Calls 會把 legacy `openclaw_qa + gemini` 標成 Gemini 備援，避免再次誤判 Gemini-first。
    - V10.251 穩定 `/growth_analysis` 正式站速度：成長分析快取從單 worker memory 擴充為 `data/growth_analysis_cache.pkl` 跨 worker 共享快取，避免 Gunicorn 冷 worker 偶發掃明細表造成 5 秒級 TTFB；補 `tests/test_cache_manager.py` 覆蓋 shared file roundtrip 與清除行為。
    - V10.249 收斂 `/observability/ppt_audit_history` 手機與平板第一屏密度：將 4 個產線訊號從 hero 內移出成獨立狀態列，手機版維持 2 欄狀態卡並降低 hero 卡片間距；本機 10 個 AI 觀測台頁面 rendered visual contract 全數通過，PPT 頁 hero 高度 desktop/tablet/mobile 為 214/361/398px。

config.py

@@ -320,7 +320,7 @@ YOUTUBE_API_KEY = os.getenv('YOUTUBE_API_KEY', '')
 # ==========================================
 # 系統版本與路徑
 # ==========================================
-SYSTEM_VERSION = "V10.252"
+SYSTEM_VERSION = "V10.253"
 LOG_FILE_PATH = os.path.join(BASE_DIR, 'logs/system.log')
 public_url = PUBLIC_URL  # 用於模板顯示
 

docs/AI_INTELLIGENCE_MODULE_SOT.md

@@ -1,8 +1,8 @@
 # MOMO PRO — AI 競價情報模組 Single Source of Truth
 
-> **最後更新**: 2026-05-18 (台北時間)
+> **最後更新**: 2026-05-19 (台北時間)
 > **狀態**: 🟢 四 AI Agent 自動化閉環已落地；LLM 路由紅線升級為 Ollama-first 三主機級聯，Gemini 僅備援 / 鎖定場景
-> **適用版本**: V10.179
+> **適用版本**: V10.253
 
 ---
 
@@ -105,6 +105,7 @@ SQL漏斗(~300筆)
 - Gunicorn runtime 預設 `worker_class = gthread`、`GUNICORN_THREADS=4`、`preload_app = False`；此組合讓 HUP 熱重載可用，也避免 Dashboard 長查詢完全阻塞 `/health`。
 - CD rebuild 模式必須先 build image 成功，再短暫 stop/rm/recreate 三應用容器，避免 no-cache build 造成長時間 502。
 - ElephantAlpha 使用 NVIDIA NIM hosted API；production 預設模型為 `nvidia/llama-3.3-nemotron-super-49b-v1.5`，`ELEPHANT_ALPHA_FALLBACK_MODELS` 需保留至少一個可呼叫備援；403/404、408/409/425/429、5xx、timeout 與 connection error 必須嘗試下一個模型。
+- ElephantAlpha L3 HITL 只允許發送有實證、可審核、可行動的升級告警；價格類 trigger 無 Hermes 具體威脅、或 `resource_optimization` 低信心且沒有具體行動時，只記錄 suppressed escalation telemetry 與 cooldown，不寫 pending `human_review`，不發 Telegram 空告警。
 - OpenClaw/Hermes embedding 優先呼叫 Ollama `/api/embed`，只在舊節點不支援時 fallback `/api/embeddings`；timeout 由 `EMBEDDING_TIMEOUT` / `OLLAMA_EMBED_TIMEOUT` 控制。
 - PPT 自動產線由 `momo-scheduler` 依節奏執行 `run_ppt_auto_generation_task(schedule_kind)`：每日 20:30 產日報、週一 20:40 產週報/市場情報、每月 1 日 20:50 產月報與管理型簡報、季初 21:00 產季報、半年初 21:10 產半年報、年初 21:20 產年報，再交給 22:00 `ppt_vision_audit` 做視覺審核；每次嘗試會寫入 `ppt_generation_runs`，`/observability/ppt_audit_history` 以精準參數檢查目標版本是否已產生，並可用 `/observability/ppt_audit/generate_missing` 手動補齊缺漏，總開關為 `PPT_AUTO_GENERATION_ENABLED`。PPT vision 需 `PPT_VISION_ENABLED=true` 與容器內 LibreOffice；`/observability/ppt_audit_file/<filename>` 會把 PPTX 轉成 PDF 快取供站內線上預覽，原始 PPTX 仍保留下載。
 

docs/adr/ADR-021-ea-hitl-prefetch-and-alert-impact.md

@@ -45,9 +45,13 @@
 蓋掉原本的 plan 元流程文字。**強制配套限制**：
 
 - `asyncio.wait_for(timeout=5)` 短超時：Hermes 熱駐留 < 10s，但冷啟動會拖到 30s+，HITL 訊息延遲不可大於 10s
-- Pre-fetch 失敗（timeout / 0 threats / 全部缺金額）→ fallback 回原 plan 文字，**不中斷 escalation 主流程**
+- Pre-fetch 失敗（timeout / 0 threats / 全部缺金額）→ **不送 Telegram、不寫 pending human_review**，只記錄 suppressed escalation telemetry 與 cooldown，避免把無實證 plan 當成可審核告警
 - 「全部行皆缺金額」也視同無料 fallback，避免「乾巴巴兩行 MOMO/PChome 比價」比 plan 文字更空泛
 
+### 規則 1.1 — 非價格類低信心 escalation 必須有可審核內容
+
+2026-05-19 補充：`resource_optimization` 不是 SKU/價格事件，不能套用 Hermes/SKU fallback 模板。當 EA 對 `resource_optimization` 只產出低信心決策且沒有具體可審核行動時，系統只記錄 telemetry 與 cooldown，不發 Telegram，也不建立 `ai_insights.status='pending'` 的人工審核。這避免「資源調配優化」告警顯示「Hermes 即時威脅清單不可用」這類錯誤診斷。
+
 ### 規則 2 — NemoTron 告警必填金額影響量化
 
 新增模組級 helper `_compute_business_impact(threat) -> {revenue_loss_7d, recommended_price}`：
@@ -96,6 +100,7 @@
 ### 正面
 
 - EA 升級審核 Telegram 內容從元流程描述變為「具體 SKU + 價格 + 金額流失 + 建議調價」，HITL 真正可決策
+- 無實證的價格類與資源調配低信心 escalation 不再打擾人工，避免 Telegram 出現不可批准、不可駁回、不可操作的空告警
 - NemoTron 既有告警再升級，每筆都帶可批准/駁回的金額判斷依據
 - `momo:eig:` 按鈕首次有對應 handler，HITL 流程閉環完整
 - pre-fetch 改用 5s 短超時 + fallback，最壞情況退回原 plan 文字，不破壞既有行為
@@ -103,7 +108,7 @@
 ### 負面 / 風險
 
 - 每次價格類 escalation 多花 ≤ 5s（Hermes 熱駐留實測 < 10s 但有 timeout），整體告警延遲略增
-- Hermes 在 5s 內若沒回應，告警內容降級回 plan 文字（仍維持原行為，無新增風險）
+- Hermes 在 5s 內若沒回應，價格類 escalation 會被壓制並記錄 telemetry；若後續需要追查，需從 `ai_calls.meta.suppressed_escalation` 與 scheduler log 觀察
 - `gap_pct ≤ 0` 案例的銷量下滑（非價格因素）將完全不顯示流失金額——若統帥需追蹤「非價格流失」需另開告警類型（待後續 ADR）
 
 ### 監控指標
@@ -118,6 +123,7 @@
 - [x] `services/nemoton_dispatcher_service.py` `_compute_business_impact` helper + 三條 dispatch 路徑注入
 - [x] `services/elephant_alpha_autonomous_engine.py` `_fetch_hermes_threats_summary` + 5s timeout + fallback
 - [x] `services/telegram_bot_service.py` `_handle_event_ignore_callback` + HTML escape + 空 id 拒絕
+- [x] 2026-05-19：無實證價格類 / `resource_optimization` 低信心 escalation 改為 suppressed telemetry，不再送空泛 Telegram
 - [x] Critic 審查通過（Critical-1 / High-1 / High-2 / Medium-2 / Medium-3 全修）
 - [x] Smoke test：`_compute_business_impact` 對 gap≤0 / gap=0 / 銷量回升 / bogus type 四案例驗證
 - [x] `docs/adr/README.md` 索引加 ADR-021

services/elephant_alpha_autonomous_engine.py

@@ -123,6 +123,11 @@ _PRICE_RELATED_TRIGGERS = frozenset({
     "threat_escalation",
 })
 
+# 這些低信心觸發若沒有具體實證，不應升級打擾人工。
+_NO_CONCRETE_ESCALATION_SUPPRESSED_TRIGGERS = frozenset({
+    "resource_optimization",
+})
+
 
 def _zh_trigger(trigger_type: str) -> str:
     return _TRIGGER_ZH.get(trigger_type, trigger_type)
@@ -415,8 +420,16 @@ class ElephantAlphaAutonomousEngine:
             session.close()
 
     async def _check_resource_optimization_trigger(self, trigger: AutonomousTrigger) -> bool:
-        return (self._get_action_queue_size() > 10
-                or self._get_system_load_percentage() > 80)
+        queue_size = self._get_action_queue_size()
+        system_load_pct = self._get_system_load_percentage()
+        trigger.conditions = dict(trigger.conditions or {})
+        trigger.conditions["_resource_metrics"] = {
+            "action_queue_size": queue_size,
+            "system_load_pct": system_load_pct,
+            "queue_threshold": 10,
+            "load_threshold_pct": 80,
+        }
+        return queue_size > 10 or system_load_pct > 80
 
     async def _check_code_exception_trigger(self, trigger: AutonomousTrigger) -> bool:
         containers = trigger.conditions.get("scan_containers", ["momo-pro-system", "momo-scheduler"])
@@ -885,8 +898,73 @@ class ElephantAlphaAutonomousEngine:
         except Exception as e:
             self._log.error("Telegram audit failed (non-blocking): %s", e)
 
+    @staticmethod
+    def _get_prefetched_concrete_actions(trigger: AutonomousTrigger) -> Optional[List[str]]:
+        actions = (trigger.conditions or {}).get("_prefetched_hermes_threats")
+        if not isinstance(actions, list):
+            return None
+        cleaned = [str(action).strip() for action in actions if str(action).strip()]
+        return cleaned[:5] or None
+
+    @staticmethod
+    def _should_suppress_no_concrete_escalation(trigger: AutonomousTrigger) -> bool:
+        return (
+            trigger.trigger_type in _PRICE_RELATED_TRIGGERS
+            or trigger.trigger_type in _NO_CONCRETE_ESCALATION_SUPPRESSED_TRIGGERS
+        )
+
+    def _record_suppressed_escalation(
+        self,
+        decision: StrategicDecision,
+        trigger: AutonomousTrigger,
+        reason: str,
+    ) -> None:
+        self._log.warning(
+            "EA escalation suppressed: trigger=%s reason=%s confidence=%.2f conditions=%s",
+            trigger.trigger_type,
+            reason,
+            decision.confidence,
+            trigger.conditions,
+        )
+        try:
+            from services.ai_call_logger import log_ai_call
+
+            with log_ai_call(
+                caller="ea_engine",
+                provider="gcp_ollama",
+                model="hermes3:latest",
+                meta={
+                    "suppressed_escalation": True,
+                    "trigger": trigger.trigger_type,
+                    "reason": reason,
+                    "confidence": decision.confidence,
+                    "conditions": trigger.conditions,
+                },
+            ) as ctx:
+                ctx.set_tokens(input=0, output=0)
+                ctx.status = "cache_only"
+        except Exception:
+            self._log.warning(
+                "EA suppressed escalation telemetry failed; trigger=%s",
+                trigger.trigger_type,
+                exc_info=True,
+            )
+
     async def _escalate_to_human(self, decision: StrategicDecision, trigger: AutonomousTrigger) -> None:
         self._log.warning("Escalating to human: %s", trigger.trigger_type)
+        concrete_actions = self._get_prefetched_concrete_actions(trigger)
+        if not concrete_actions and trigger.trigger_type in _PRICE_RELATED_TRIGGERS:
+            try:
+                concrete_actions = await self._fetch_hermes_threats_summary(top_n=5)
+            except Exception as e:
+                self._log.warning("Pre-fetch threats raised (non-blocking): %s", e)
+                concrete_actions = None
+
+        if not concrete_actions and self._should_suppress_no_concrete_escalation(trigger):
+            self._store_escalation(trigger.trigger_type)
+            self._record_suppressed_escalation(decision, trigger, "no_concrete_evidence")
+            return
+
         session = get_session()
         try:
             row = session.execute(
@@ -934,17 +1012,6 @@ class ElephantAlphaAutonomousEngine:
         if not dedup_ts or (datetime.now().timestamp() - dedup_ts) / 60 >= cooldown_min:
             self._store_escalation(trigger.trigger_type)
 
-            # A' 軌：價格類觸發前 pre-fetch Hermes 具體威脅清單，
-            # 取代「步驟 1:[OpenClaw] 生成策略」這類元流程文字。
-            # — Claude Opus 4.7 (2026-05-02)
-            concrete_actions: Optional[List[str]] = None
-            if trigger.trigger_type in _PRICE_RELATED_TRIGGERS:
-                try:
-                    concrete_actions = await self._fetch_hermes_threats_summary(top_n=5)
-                except Exception as e:
-                    self._log.warning("Pre-fetch threats raised (non-blocking): %s", e)
-                    concrete_actions = None
-
             # ─── Operation Ollama-First v5.0 修補：消除空泛幻覺訊息 ───
             # 統帥反饋（2026-05-03）：fallback 路徑帶 OpenClaw Gemini plan 文字 +
             # decision.reasoning 全是「312 SKU / 23% / 14 項任務」幻覺數字，無 DB 鉤住，
@@ -964,27 +1031,23 @@ class ElephantAlphaAutonomousEngine:
                     f"參與模組：{', '.join(_AGENT_LABEL.get(a.lower(), a) for a in decision.agents_required)}"
                 )
             else:
-                # 無實證數據路徑：極簡訊息，明確標註無數據
+                # 非價格類且允許升級的低信心事件，不能套 Hermes/SKU 模板。
                 self._log.warning(
                     "EA escalation 落入 no-concrete-data fallback (trigger=%s)；"
-                    "送極簡訊息避免 LLM 幻覺數字誤導統帥",
+                    "送非價格類診斷訊息，避免 LLM 幻覺數字誤導統帥",
                     trigger.trigger_type
                 )
                 ai_actions_payload = [
-                    "⚠️ Hermes 即時威脅清單不可用（5s timeout 或無 SKU 命中）",
-                    "📋 建議：手動下 SQL 查詢過去 24h competitor_price_history 確認狀況",
-                    "🔧 或：SSH 188 跑 docker exec momo-pro-system python -c "
-                    "'from services.hermes_analyst_service import HermesAnalystService;"
-                    " print(HermesAnalystService().run().threats[:5])'",
+                    f"檢查觸發條件：{json.dumps(trigger.conditions, ensure_ascii=False)[:300]}",
+                    "不執行自動動作；請先在觀測台確認對應資料來源與最近錯誤紀錄。",
                 ]
                 ai_summary_text = (
-                    f"⚠️ 本訊息為**無實證**告警：Hermes pre-fetch 失敗，"
-                    f"以下原始決策內容含 LLM 自由發揮數字（非 DB 數據），請審慎參考。"
+                    f"低信心且缺少可格式化的具體行動；已隱藏 LLM plan 文字，避免把推測當成事實。"
                 )
                 ai_cause_text = (
                     f"觸發類型：{_zh_trigger(trigger.trigger_type)} | "
                     f"信心度：{decision.confidence:.2f} | "
-                    f"⚠️ 無 Hermes SKU 數據（不顯示 LLM 幻覺 plan 文字）"
+                    f"缺少可直接審核的實證資料"
                 )
 
             try:

tests/test_elephant_alpha_engine.py

@@ -114,3 +114,48 @@ def test_execute_autonomous_decision_logs_short_circuit_telemetry_failure(monkey
     asyncio.run(engine._execute_autonomous_decision(trigger))
 
     assert "EA short-circuit telemetry failed" in caplog.text
+
+
+def test_escalate_resource_optimization_without_evidence_is_suppressed(monkeypatch):
+    import services.elephant_alpha_autonomous_engine as engine_module
+    from services.elephant_alpha_autonomous_engine import (
+        AutonomousTrigger,
+        ElephantAlphaAutonomousEngine,
+    )
+    from services.elephant_alpha_orchestrator import StrategicDecision
+
+    engine = ElephantAlphaAutonomousEngine()
+    suppressed = []
+    cooldown = []
+
+    def _raise_if_db_opened():
+        raise AssertionError("no-concrete resource escalation should not write human_review")
+
+    monkeypatch.setattr(engine_module, "get_session", _raise_if_db_opened)
+    monkeypatch.setattr(engine, "_store_escalation", lambda trigger_type: cooldown.append(trigger_type))
+    monkeypatch.setattr(
+        engine,
+        "_record_suppressed_escalation",
+        lambda decision, trigger, reason: suppressed.append((trigger.trigger_type, reason)),
+    )
+
+    decision = StrategicDecision(
+        priority="medium",
+        agents_required=["openclaw"],
+        reasoning="資源調配建議信心不足",
+        expected_outcome="待人工確認",
+        confidence=0.60,
+        execution_plan=[],
+        resource_requirements={},
+    )
+    trigger = AutonomousTrigger(
+        trigger_type="resource_optimization",
+        conditions={"_resource_metrics": {"action_queue_size": 14, "system_load_pct": 52.0}},
+        threshold=0.6,
+        enabled=True,
+    )
+
+    asyncio.run(engine._escalate_to_human(decision, trigger))
+
+    assert cooldown == ["resource_optimization"]
+    assert suppressed == [("resource_optimization", "no_concrete_evidence")]