210 Commits

Author	SHA1	Message	Date
OoO	8087d13e31	補上 MCP DB writer 失敗診斷	2026-05-13 09:10:28 +08:00
OoO	4f62480bdb	串接 AutoHeal 共用 SSH helper	2026-05-12 23:53:32 +08:00
OoO	c4d39cf544	串接 AiderHeal 共用 SSH helper	2026-05-12 23:52:28 +08:00
OoO	83e7e0cceb	移除誤入 UI commit 的非前端檔案	2026-05-12 23:52:25 +08:00
OoO	eb9cac0d19	改善活動看板手機導覽排版	2026-05-12 23:50:18 +08:00
OoO	caa6263872	同步 incidents 相容欄位寫入	2026-05-12 23:31:33 +08:00
OoO	14c5349b69	補齊 AI 觀測表 ORM 與 embedding 簽名	2026-05-12 23:13:20 +08:00
OoO	fccc80858d	修復 Wave 0 阻塞與 market intel 入庫	2026-05-12 22:49:56 +08:00
OoO	30a173cf69	統一全站暖色視覺與市場情報骨架	2026-05-06 20:24:46 +08:00
OoO	153e4c9734	fix(observability): revert unrelated quick review commit files	2026-05-06 19:50:52 +08:00
OoO	308efdce25	chore(observability): clarify quick review completion copy	2026-05-06 19:49:28 +08:00
OG T	0904a60237	fix(scheduler): quiet cold-start noise gates	2026-05-06 00:31:30 +08:00
OG T	f6a2a05e3f	fix(aiops): treat openclaw strategy actions as advisory	2026-05-05 13:49:36 +08:00
OoO	7a10d27d61	feat(p53): K8s Nginx Proxy 支援 — host_label/provider_tag 補完 ... 問題： K8s 內網無法直連 GCP 公網 11434，所以 110 跳板架了 Nginx Proxy 轉發 11435/11436 到 GCP-A/GCP-B。但 services/ollama_service.py 的 get_host_label() 只看 IP substring（34.143.170.20 / 34.21.145.224）， K8s 環境會 fallback 到「未知」造成觀測台主機標籤錯亂。 修補： - services/ollama_service.py::get_host_label 新增： 192.168.0.110:11435 → "GCP-SSD（via Nginx 110）" 192.168.0.110:11436 → "GCP-SSD-2（via Nginx 110）" 保留：直連 GCP / 111 / 188 / localhost 既有判斷 - services/ollama_service.py::get_provider_tag（新函式） 統一 provider 標籤判斷（之前散落 code_review_pipeline 等多處重寫）： GCP 直連 + Nginx 11435 → 'gcp_ollama' GCP-B 直連 + Nginx 11436 → 'ollama_secondary' 111 → 'ollama_111' 其他 → 'ollama_other' 跨環境統一：ai_calls.provider 在 docker-compose / K8s 都記同一 tag， 跨環境統計不分裂。 - services/code_review_pipeline_service.py:233 改用統一 get_provider_tag()，移除原本 hardcode 的 if/else IP 判斷。 - k8s/02-configmap.yaml（user 已改） OLLAMA_HOST_PRIMARY = http://192.168.0.110:11435 (Nginx → GCP-A) OLLAMA_HOST_SECONDARY = http://192.168.0.110:11436 (Nginx → GCP-B) OLLAMA_HOST_FALLBACK = http://192.168.0.111:11434 (內網) driver test: http://34.143.170.20:11434 → GCP-SSD / gcp_ollama http://192.168.0.110:11435 → GCP-SSD（via Nginx 110）/ gcp_ollama http://192.168.0.111:11434 → 111 備援 / ollama_111 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-05 01:09:56 +08:00
OoO	822789c810	feat(p49): Telegram 補完 9 頁對應 + daily summary 加商業面未跟進警示 ... M-B: Telegram 對應從 6/9 → 9/9 新增 3 個 cmd handler，對應 Phase 45-48 的 3 個新觀測頁： - cmd:obs_overview — 一頁式總覽（三主機 24h + AI 呼叫 + 月成本 + 待審 episode） - cmd:obs_orchestration — Agent 編排矩陣（4 Agent × Models 24h 數字） 本地 Ollama % / RAG 命中 % / 錯誤率 + cost - cmd:obs_business — 商業面 × AI（價格決策 7d by strategy + 未跟進機會 + Outcomes verdict 30d） services/openclaw_bot/menu_keyboards.py::_submenu_observability 升級為 9 項 M-C: daily summary（每日 09:30）加商業面警示 - 從 ai_price_recommendations × action_plans 跨表 JOIN 偵測 high-confidence (≥0.7) 卻無對應 action_plan 的「機會流失」 - 7d 內若有未跟進，daily summary 自動標 ⚠️ 警示 - 對應 Phase 48 business_intel 頁同個邏輯，閉環推送 inline keyboard 升級：日報附 6 個入口（總覽/編排/商業面/主機/AI/預算）， 不再只有 4 個 Phase 38→49 累計 14 commits。觀測台戰役完整收官： - 9 頁全部對應 Telegram cmd - DB 22/22 = 100% 全覆蓋 - 6 個 L2 一鍵 + 3 種主動推送（即時/異常/日常） - 日報含商業面警示 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 20:00:15 +08:00
OoO	5935a6512c	feat(p38): Telegram 補 4 個 AI 觀測台命令（B-3 完成） ... 統帥盤點要求：6 個觀測頁是否都有 Telegram 對應？ 盤點結果：promotion_review 已有 (pg_ok/pg_no inline button)，剩 4 個缺。 新增 4 個 cmd handler 對應 4 個觀測頁面： 1. cmd:obs_ai_calls — AI 呼叫總覽（24h） - 總呼叫 / Token / cost / errors / RAG 命中 / cache 命中 - Top 5 provider 分組 2. cmd:obs_health — 主機健康監控 - 三主機 GCP-A / GCP-B / 111 即時 HTTP probe - 過去 24h uptime % + 平均 response_ms（讀 host_health_probes） 3. cmd:obs_budget — 預算控管 - 當月 spent vs budget 各 provider - 超 alert_pct 自動標記 ⚠️ / 超 100% 標記 🚨 4. cmd:obs_quality — Caller 反饋趨勢 - 過去 30 日 avg_score 最低 8 名 - 含 thumbs_up/down + trend 圖示 - 含 智能建議（feedback_quality_tracker） UI/UX： - main_menu_keyboard 加「🛰 AI 觀測台」入口 - 新 _submenu_observability() 在 menu_keyboards.py - _SUBMENUS 註冊 'observability' key - titles 映射加 observability 標題 - 4 個命令 cross-link（彼此互通 + 返回主選單） Telegram 6/6 對應達成： - promotion_review: pg_ok/pg_no inline button (既有) - ai_calls: cmd:obs_ai_calls (新增) - host_health: cmd:obs_health (新增) - budget: cmd:obs_budget (新增) - quality_trend: cmd:obs_quality (新增) - ppt_audit: 既有「有 issues 才推 Telegram」推送行為（不需查詢命令） Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 18:58:30 +08:00
OoO	0b13055466	feat(p38): host_health + ppt_audit DB 持久化（B-1 + B-2） ... 統帥要求： 1. 所有 6 個觀測頁的功能和數據都要完整寫入資料庫儲存 2. Ollama 切 GCP 順序 GCP-A → GCP-B → 111 盤點結果： - 4/6 頁面已有 DB 表（ai_calls / learning_episodes / rag_query_log / ai_call_budgets） - 2/6 頁面是即時查詢無歷史：host_health（HTTP probe）、ppt_audit（os.listdir） - Ollama 99% 已合規，僅 1 處過時註解 修補（B-1）： - services/code_review_pipeline_service.py:207 註解更新 「直呼內網 Ollama (192.168.0.188)」→ 「走 resolve_ollama_host 三主機級聯 ADR-027」 新增（B-2）： - migrations/029_create_host_health_probes.sql - 三主機健康歷史表（label/url/healthy/response_ms/error_msg） - 索引：probed_at / (host_label, probed_at) - 30 天保留（cron 清理） - migrations/030_create_ppt_audit_results.sql - PPT 視覺審核結果表（status/issues_count/issues_found JSONB/confidence） - 索引：audited_at / pptx_filename / failed-only partial - routes/admin_observability_routes.py:host_health_dashboard - 每次 probe 寫入 host_health_probes（失敗安全） - 新增 24h 健康趨勢卡片（uptime % / 平均 ms） - routes/admin_observability_routes.py:ppt_audit_history - 從 ppt_audit_results 讀過去 7 日 audit 紀錄 - 顯示審核時間/檔名/結果/問題數/信心度/耗時 - services/ppt_vision_service.py:check_ppt_file - 新增 _persist_audit_result() 跑完寫入 DB（status/issues/confidence/duration） - 失敗安全：DB 寫入失敗只 log warning，不擋主流程 - templates/admin/host_health.html + ppt_audit_history.html - 新增「24h 健康趨勢」card（host_health） - 新增「視覺審核歷史紀錄」card（ppt_audit） DoD： - 程式碼語法 ✓ - Jinja 平衡 ✓ - 失敗安全（DB 寫入或讀取失敗都不擋頁面渲染）✓ Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 18:55:39 +08:00
OoO	72a7c385d5	feat(p26): PPT 視覺審核 daily 22:00 cron — minicpm-v 自動掃當天新生 .pptx ... Operation Ollama-First v5.0 / Phase 26 — PPT 自我審視整合 services/ppt_vision_service.py 擴充： - check_ppt_file(pptx_path, max_slides=5) — 整檔視覺檢查 • LibreOffice headless 轉每張 slide 為 png • 對前 N 張跑 check_image • 彙總 issues + 平均 confidence • fail-safe：LibreOffice 不在 / 轉檔失敗 → 回 skip 不阻擋 - audit_recent_ppts(reports_dir, hours=24, max_files=10) • 掃 reports/ 過去 24h 新生 .pptx（getmtime filter） • 對每個檔跑 check_ppt_file • 彙總總 issues - push_ppt_audit_to_telegram(summary) • 有 issues 才推 Telegram（避免「無問題」洗版） • 每檔最多 3 張 slide / 每張 2 個 issue 列出 run_scheduler.py — 每日 22:00 cron - run_ppt_vision_audit task wrapper - PPT_VISION_ENABLED=false 時 service 內部 skip（不打 LLM） 設計哲學： 不動既有 5 個 prs.save() 呼叫點（risk 高）→ 改寫獨立 daily cron 集中處理 零侵入 PPT 生成主流程 / 零 risk regression / feature flag OFF 預設 部署需求： LibreOffice headless（apt install libreoffice）— 不在則 cron task 自動 skip + log tests/test_ppt_vision_audit.py (9 tests 全綠) - flag OFF skip / 目錄不存在 / 無 .pptx - 舊檔（>hours）filter / LibreOffice 不在 fail-safe - check_ppt_file flag/missing 容錯 - Telegram 推播：無 issues 不推 / 有 issues 推 regression: ppt_vision_service 既有 6 tests 全綠 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 11:16:11 +08:00
OoO	bd32e04dad	feat(p25): 反饋環深化 — caller-level quality 趨勢追蹤 + ROI 月報整合 ... Operation Ollama-First v5.0 / Phase 25 — 反饋環自主學習深化 services/feedback_quality_tracker.py (180+ 行) - 純 SQL 統計，零 LLM 成本 - 4 個閾值常數（demote 👎×5/avg<2.5 / promote 👍×10/avg>=4.5） - compute_caller_quality_trend(days=7) — 取近 N 日各 caller 反饋 - get_caller_recommendations() — 給 token 日報/ROI 月報用 • 規則 1: 👎 ≥ 5 次 → review • 規則 2: avg < 2.5 + 樣本足 → review • 規則 3: 👍 ≥ 10 + avg ≥ 4.5 → promote（建議關閉 Gemini fallback） - should_demote_caller(caller) — 自動降權判斷（戰役預設不啟用） - render_quality_summary() — 給訊息用 emoji 摘要 ROI 月報整合（services/roi_report_service.py）： - 加 Section 「💬 Caller 反饋趨勢（30 日）」TOP 10 by 最低 avg - 加 Section 「🔮 智能建議」最多 3 條（review / promote） - 失敗 swallow 不影響月報主流程 訊息範例: 💬 Caller 反饋趨勢（30 日） ⚠️ openclaw_qa: avg 1.85/5 (👍2 👎8 n=12) ➖ hermes_analyst: avg 3.10/5 (👍5 👎3 n=10) ✅ ppt_gemini: avg 4.75/5 (👍12 👎0 n=15) 🔮 智能建議 ⚠️ openclaw_qa: 近 30 日 👎 反饋 8 次 (avg 1.85/5) — 建議統帥檢視 prompt 或切換 model ✅ ppt_gemini: 近 30 日 👍 反饋 12 次 — 可考慮關閉 Gemini fallback 純走 Ollama tests/test_feedback_quality_tracker.py (10 tests 全綠) - 4 閾值常數 / DB fail 安全 / 空 trends 容錯 - demote 規則（👎 多次）/ promote 規則（👍 多次）/ neutral 不觸發 - should_demote_caller 樣本不足保護 - trend 分類（positive/negative/neutral/no_data）正確 依 ADR-032 RAG 自主學習迴圈 + ADR-033 護欄 #1 不直接改 caller 行為（避循環自動修正失控），只產出建議給統帥審視。 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 11:12:52 +08:00
OoO	0476d3ae4e	feat(p24): ROI 月報生成器 — 每月 1 日 09:00 推 Telegram ... Operation Ollama-First v5.0 / Phase 24 — 戰役 ROI 自動量化 services/roi_report_service.py (200+ 行) - BASELINE 戰前估算（gemini 50M/$20、nim 5.8M、ollama 30M、total $25/月） - query_last_month_stats() — SQL 查上月 ai_calls + mcp_calls + rag_query_log - render_roi_report(stats) — HTML 訊息（含 5 區塊：成本攔截/provider 分布/RAG/MCP+Cache/KPI） - generate_and_send_roi_report() — 主入口，推 Telegram + 寫 ai_insights 長期記錄 - 達標標記：Gemini -23.5% ✅ / RAG 命中 ≥25% ✅ Telegram 訊息範例: 📊 ROI 月報 2026年04月 💰 成本攔截 Gemini: 35,000,000 tokens / $14.00 vs 戰前: 50,000,000 / $20.00 ✅ 攔截: 15,000,000 tokens / $6.00 (30.0%) 🤖 Provider 分布 🧠 RAG 自主學習（含 saved_call / 反饋分數） 🔧 MCP + Cache 📈 戰役 v5.0 KPI ✅ 達標 run_scheduler.py — 每日 09:00 跑（內部判斷月初第 1 日才送） - run_roi_monthly_report_if_new_month task wrapper - 失敗 swallow log，不影響其他排程 tests/test_roi_report_service.py (7 tests 全綠) - BASELINE 必要欄位 / 月份範圍計算 (1月→去年12月) - 達標訊息含 ✅ + 攔截數字 - 未達標訊息含 ⚠️ - 空 stats 容錯 / DB fail 回空 dict 不 raise Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 11:04:14 +08:00
OoO	1da7564567	feat(p22+23): caller 整合 model_router (sales_copy) + cost_throttle (claude) ... Operation Ollama-First v5.0 / Phase 22.1 + Phase 23 — 路由治理整合 Phase 22.1: services/ollama_service.py generate_sales_copy - 短文 < 100 字（estimated_length = product_name × 5）→ 走 model_router - model_router 推算 → 短文 gemma3:4b / 長文 llama3.1:8b - MODEL_ROUTER_ENABLED=false 時 select_model 直接回 self.model（向下相容） - router 失敗 swallow（fallback self.model 不影響主流程） Phase 23: services/anthropic_service.py is_available() - 新增 cost_throttle 整合：claude provider throttle 時 is_available=False - caller 看到 False 自動走 Gemini fallback，不送 Claude 請求 - COST_THROTTLE_ENABLED=false 時不影響（戰役預設 OFF） - cost_throttle 不可用時 try/except 不阻擋（向下相容） 行為對照： 戰前：sales_copy 永遠用 self.model (llama3.1:8b) 戰後（flag OFF）：完全相同 戰後（flag ON）：商品名 < 20 字 → gemma3:4b 短文，提速 50% 戰前：Claude 燒到月底超預算才告警，無自動節流 戰後（throttle flag OFF）：完全相同 戰後（throttle flag ON）：claude 月底推估 > 110% → is_available=False → caller fallback Gemini 自動省錢 regression: 既有 retry_chain / anthropic / model_router test 全綠 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 11:00:04 +08:00
OoO	390c32b05d	feat(p21): Caller × Context 動態 Model Router + ADR-034 ... Operation Ollama-First v5.0 / Phase 21 — 動態路由治理 services/llm_model_router.py (160+ 行) - 純規則引擎，零 LLM 成本（Python lambda predicate） - 6 caller × 12 條路由規則： • sales_copy: 短文 < 100 字 → gemma3:4b / 長文 → llama3.1:8b • hermes_analyst: gap > 20% 或銷量 < -50% → qwen3:14b / 預設 hermes3 • aider_heal: diff > 200 行 → qwen2.5-coder:32b / 預設 7b • openclaw_qa: query > 200 字或 multi_turn → qwen3:14b / 預設 qwen2.5:7b-instruct • ppt_vision: minicpm 不健康 → llava / 預設 minicpm-v • ea_engine: require_chain_of_thought → deepseek-r1:14b / 預設 Gemini - feature flag MODEL_ROUTER_ENABLED 預設 OFF（向下相容） - 失敗安全：predicate 例外 skip 到下一條 tests/test_llm_model_router.py (18 tests 全綠) - T1 flag OFF 不路由 - T2 sales_copy 短/長文路由 - T3 hermes 簡單/複雜 SKU - T4 aider_heal 簡單/重構 - T5 ppt_vision 主備援 - T6 ea_engine CoT 路由 - T7 predicate 例外容錯 - T8 utility 函數 ADR-034 — Caller × Context 動態 Model Router - 6 caller 路由規則對應表 - 5 段否決方案（LLM-based / hardcode / 配置檔 / 統一升級） - Phase 21.2-21.6 戰略性遷移計畫 - V1-V3 驗收 SQL（caller 整合後 model 分布觀察） 關聯：Primary + Secondary 兩台 GCP 已備齊 10 模型（67GB 對稱）支援所有 路由規則；caller 整合可分階段進行（Phase 21.2-21.5）。 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 10:54:12 +08:00
OoO	002e498648	feat(p20+): COST_TABLE 確認 4 新 Ollama 模型（GCP Primary+Secondary 已拉） ... Operation Ollama-First v5.0 / Phase 20+ 完整啟動 Primary + Secondary 兩台 GCP 完整對稱（10 模型 / ~67GB 各）： ✅ bge-m3:latest 1.2GB Embedding ✅ hermes3:latest 4.7GB Hermes 戰術 ✅ qwen2.5-coder:7b 4.7GB AiderHeal 既有 ✅ qwen2.5-coder:32b 19.0GB ⭐ AiderHeal 32B 升級 ✅ qwen2.5:7b-instruct 4.7GB Q&A 預設 ✅ qwen3:14b 9.3GB Q&A / Nemotron 升級 ✅ deepseek-r1:14b 9.0GB ⭐ 推理鏈備援 ✅ minicpm-v:latest 5.5GB PPT vision 主 ✅ llava:latest 4.7GB ⭐ Vision 備援 ✅ gemma3:4b 3.3GB ⭐ 輕量任務 ai_call_logger COST_TABLE 確認 4 新模型 + 2 重命名（minicpm-v / llava） - 解 logger 「unknown model cost」誤報 - 預期啟用： - qwen2.5-coder:32b → AiderHeal 大型重構（call site 將擴展） - deepseek-r1:14b → EA HITL 推理（取代部分 Gemini Pro） - llava:latest → minicpm-v 失敗備援 - gemma3:4b → sales_copy < 100 字輕量任務 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 10:48:22 +08:00
OoO	c13dc22639	feat(p20)+docs: cost auto-throttle + LLM 模型完整評估 ... Operation Ollama-First v5.0 / Phase 20 + LLM 模型治理 services/cost_throttle_service.py (新檔, 200+ 行) - evaluate_throttle_status() 每小時 cron 跑 - 查 ai_call_budgets monthly × 累計 spent → 月底線性外推 - 推估 > 預算 110% → 標 throttled（hysteresis：降到 95% 才解除） - _push_throttle_alerts: 狀態變化推 Telegram - is_provider_throttled(provider) public API（給 anthropic/gemini caller 啟動 check） - COST_THROTTLE_ENABLED 預設 OFF（避免戰時誤節流） run_scheduler.py 加 2 cron + task wrapper - 每 1 小時：cost_throttle_evaluate - 每日 00:05：cost_throttle_reset_if_new_month docs/llm_model_full_evaluation_20260504.md (260+ 行) - 場景 × 模型對應矩陣（4 大層次） 戰術層 / 戰略層 / 多模態 / 雲端 API - 本次啟動的追加 4 模型（qwen2.5-coder:32b / deepseek-r1:14b / llava / gemma3:4b）— Primary + Secondary 並行拉 - Phase 21 路由優化建議（context size + complexity 動態選 model） - Phase 22 多供應商編排 + cost throttle 整合 - 儲存 / RAM / 延遲評估 - 模型治理 SOP（新增 / 替換 / 淘汰） - COST_TABLE 對齊（含 deepseek 直連價格） 啟用前置（待統帥）： 1. Primary + Secondary 4 模型拉完（背景進行中） 2. .env: COST_THROTTLE_ENABLED=true（觀察 1 週後） 3. ANTHROPIC_API_KEY 設後 Code Review 自動切 Claude Opus 4.7 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 10:36:56 +08:00
OoO	98063059c2	feat(p14-18): PPT vision + DeepSeek 直連 + caller_registry + Hermes 強化 + postmortem ... Operation Ollama-First v5.0 / Phase 14-18 全套（statesman 批准全部） Phase 14 — services/ppt_vision_service.py (新檔, 200+ 行) - minicpm-v:latest（GCP Primary 已拉 5.5GB，代替 qwen2-vl 不存在） - check_image(image_path) → VisionResult.issues_found 視覺異常清單 - 走 resolve_ollama_host 三主機 retry + mark_unhealthy - 繁中強制 system prompt + 結構化解析 ⚠️ marker - feature flag PPT_VISION_ENABLED 預設 OFF Phase 15 — services/deepseek_service.py (新檔, 170+ 行) - DeepSeek API 直連 (api.deepseek.com/v1)，OpenAI-compatible - 取代部分 OpenRouter 路徑（直連便宜 ~30-50% + 延遲低） - deepseek-chat ($0.014/$0.28) / deepseek-reasoner ($0.14/$2.19) - feature flag DEEPSEEK_DIRECT_ENABLED 預設 OFF - DeepSeekResponse 含 input_tokens/output_tokens/duration_ms Phase 16 — services/llm_caller_registry.py (新檔, 130+ 行) - CALLER_REGISTRY frozenset 集中管理 35+ 個 caller 名（ADR-028 白名單） - assert_known_caller(strict=False) 整合到 ai_call_logger __init__ - 不在 registry → log warning（不 raise，保留擴展彈性） - list_callers_by_service() 分組除錯 - 解 critic-A11 第 3 輪 L4 修補（命名分散三層） Phase 17 — _is_low_quality_response 4 條新規則（A2 警訊深化） - 規則 5：純英文回應（中文字元 < 30%） - 規則 6：thinking-mode 漏洞（<think>...</think> 洩漏） - 規則 7：重複迴圈偵測（前 50 字出現 ≥ 3 次） - 規則 8：佔位符未填充（{{var}} / [TODO] / <待填>） Phase 18 — docs/operation_ollama_first_v5_postmortem.md (新檔) - 戰役完整時間軸（Day 1-2） - 3 大決策替代分析 - 4 個 critical hotfix 教訓 - Owen 三護欄落地對照 - KPI 達成度（Wave 1 提前 4 天 / Wave 2 提前 10 天） - 統帥手動清單 + 7 條未來戰役教訓 Phase 13 補強（合併本 commit）： - ai_call_logger COST_TABLE 補 7 個新模型（qwen3:14b / qwen2.5:7b-instruct / qwen2.5-coder:32b / qwen2-vl:7b / deepseek-r1:14b / gemma3:4b / minicpm-v） regression: 214 unit tests 全綠（4:02 跑完），2 skipped Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 10:19:13 +08:00
OoO	942193db2a	feat(p13): OllamaResponse token 補欄 + COST_TABLE 補新模型 + retry 鏈 unit test ... Operation Ollama-First v5.0 / Phase 13 補強 (A) services/ollama_service.py — OllamaResponse 加 input_tokens/output_tokens - A4 Phase 1 已知 limitation 修補：openclaw_bot_main token=0 假數據誤導日報 - generate() 解 prompt_eval_count + eval_count 寫 OllamaResponse - 影響：ai_call_logger 收到正確 token 數，token 日報 Ollama 占比準確 (B) services/ai_call_logger.py — COST_TABLE 補 GCP 已拉/候選模型 - qwen2.5:7b-instruct (Phase 3 A7 OpenClaw Q&A 預設) - qwen3:14b (Phase 3 A9 Nemotron + A7 升級候選) - qwen2.5-coder:32b (Phase 8 候選) - qwen2-vl:7b (Phase 13+ PPT vision 候選) - deepseek-r1:14b / gemma3:4b (推理增強 / 輕量) - 全部 cost=0（Ollama 自架） - 解 logger.warning「unknown model cost」誤報 (J) tests/test_ollama_retry_chain.py (10 unit tests) — 驗 hotfix e862a90/6572d52 - T1 self.host @property lazy resolve - T2 explicit host 凍結不 retry - T3 generate 第一台 timeout → 第二台成功（核心 retry 鏈） - T4 三主機都失敗 → success=False - T5 cache 卡同主機 → break 不無限迴圈 - T6 Phase 13 token 解析驗證 - T7-T9 generate_embedding 同類驗證 - T10 mark_unhealthy 清 resolve cache regression: 全戰役 14 test 檔仍 zero regression Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 10:07:33 +08:00
OoO	c1fd913a35	feat(p10.5): MCP Router 統一介面 + mcp_collector 接 omnisearch L0 ... Operation Ollama-First v5.0 / Phase 10.5 收尾（ADR-031 落地） services/mcp_router.py（350 行）— 統一 MCP HTTP 路由 - MCPRouter.call(server, tool, args, caller) 主入口 - TOOL_REGISTRY 白名單：mcp_collector / hermes_analyst / openclaw_strategist 限制 caller × server × tool 組合，防 LLM 亂打 - 4 個 server endpoint env 配置（postgres:3001 / firecrawl:3002 / omnisearch:3003 / filesystem:3004）對齊 docker-compose.mcp.yml - 記憶體 cache（1h TTL + LRU 200 筆 + sha256[:16] key） - fire-and-forget mcp_calls 寫入（async thread） - PII 保護：input_args 只存 hash + keys 不存原文 - 大小護欄：> 64KB 截斷 + _truncated flag - health_check() 4 server 狀態 - feature flag MCP_ROUTER_ENABLED 預設 OFF services/mcp_collector_service.py — _search_topic 加 L0 omnisearch 路徑 - MCP_ROUTER_ENABLED=true 時優先走 self-hosted Tavily / Exa - omnisearch 失敗自動 fallback 到既有 Gemini Grounding 鏈 - 完整 fallback 鏈（最終態）： L0: omnisearch tavily → omnisearch exa（取代 Gemini Grounding 主路徑） L1: Gemini 2.0 Grounding（既有，保留為 fallback） L2: Gemini 1.5 Grounding（既有） L3: Ollama qwen2.5-coder:7b（既有） L4: 靜態 fallback_topic_content（既有） 預期收益（mcp-stack deploy + flag ON 後）: - Gemini Grounding 月省 ~70% 成本 - Tavily 1000 free credits/月 + Exa 1000 free，月成本 $0 - ~180 calls/月使用率 18% 可承受 5x 增長 tests/test_mcp_router.py（8 tests 全綠）： - flag OFF 不打 HTTP / 白名單檢查 / cache 命中第二次 / timeout / 500 / cache key 排序穩定 / health_check / 未知 server 啟用步驟（待統帥 deploy mcp-stack 後）: 1. .env 加 MCP_ROUTER_ENABLED=true 2. docker compose -f docker-compose.mcp.yml up -d (188) 3. mcp_router.health_check() 全 200 OK 驗證 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 09:34:21 +08:00
OoO	97c446303c	feat(p11.0): BGE-M3 跨主機一致性驗證 + 每週日 04:30 cron ... Operation Ollama-First v5.0 / Phase 11.0 收尾（ADR-033 護欄 #3 完整落地） services/rag_service.py 新增： - verify_embedding_consistency() — 跨三主機 BGE-M3 embedding 一致性驗證 測試文字「momo電商競品分析測試向量一致性檢查」分別呼叫 GCP Primary / Secondary / 111 三主機，計算兩兩 cosine 距離。 max_diff > 1e-4 視為不一致（模型版本漂移）→ logger.error。 - _cosine_distance() — 純 Python，不依賴 numpy - fail-safe：< 2 主機可達也回 ok=True（戰時部分主機暫斷不算錯） run_scheduler.py 新增： - run_embed_consistency_check task wrapper - schedule.every().sunday.at("04:30").do(...) — 每週一次足夠 （不需每次啟動驗證，過頻會打三主機 Ollama 浪費） 落地 ADR-033 護欄 #3 完整版： 簽名鎖定（migration 026 embedding_signature 欄位）✅ 既有 程式端簽名計算（rag_service.get_embedding_signature）✅ 既有 RAG 查詢時簽名比對過濾（rag_service._select_hits）✅ 既有 跨主機一致性驗證 cron ✅ 新增 ⭐ 既有 14k+ 筆回填 ⏳ 待手動跑 enqueue_missing_insight_embeddings() regression: 47 unit tests 全綠 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 09:31:31 +08:00
OoO	84a8c07e4a	feat(p11.5): learning_episodes embedding 寫入 — 解鎖 Stage 3 dedup ... Operation Ollama-First v5.0 / Phase 11.5 收尾（A4 已知 limitation 補完） 問題：Phase 11 A4 完成時揭露： > Stage 3 dedup 需 episode 先 embed：目前 LearningPipeline.enqueue 寫入時 > embedding 為 NULL，所有 episode 都會略過 Stage 3 dedup 修補： - learning_pipeline.enqueue 內 episode INSERT commit 後 enqueue embedding worker - 用既有 _enqueue_embedding('learning_episodes', episode_id, distilled_text) - ADR-007 retry queue worker 自動處理（_process_one_embedding 已動態 UPDATE {target_table}，已支援 learning_episodes 表） - distilled_text 截 4000 字避免 retry queue 表膨脹 - 失敗 swallow，僅 log debug（不阻擋 episode_id 回傳） 落地 ADR-033 護欄 #1 完整版： Stage 1: quality_score >= 0.7 ✅ 既有 Stage 2: 無幻覺檢測（規則引擎） ✅ 既有 Stage 3: 與既有 insight cosine < 0.95 ✅ 解鎖 ⭐ Stage 4: weight >= 0.8 必經 👍/👎 ✅ 既有 regression: 70 unit tests 全綠（含修正 test_enqueue_returns_id_on_success 配合新增 _enqueue_embedding 的 commit 計數變化） Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 09:16:39 +08:00
OoO	c2124dce00	feat(p11+): RAG worker cron — promotion_gate / awaiting_review / expire ... Operation Ollama-First v5.0 / Phase 11+ 收尾（ADR-032/033 落地） services/learning_pipeline.py 新增 2 個 worker 函數： - process_pending_episodes(batch=50) — 批次處理 pending → can_promote → promote/reject/await 純規則引擎，不跑 LLM（Distiller 純 Hermes 規則） - push_awaiting_reviews_to_telegram(batch=5) — 推 Stage 4 awaiting_review 到 Telegram TELEGRAM_ADMIN_CHAT_ID 未設則跳過（fail-safe） 訊息含 episode_id + weight + quality + 600 字截斷文，附 promotion_review_keyboard 👍/👎 run_scheduler.py 加 3 個 cron + 對應 task wrapper： - 每 5 分鐘 → run_promotion_gate_worker - 每 30 分鐘 → run_awaiting_review_push - 每 4 小時 → run_expire_stale_reviews（24h 無回應 → weight=0.5） 設計安全保證： - RAG_ENABLED=false 時 learning_episodes 為空，3 個 worker 跑空 loop（無害） - 所有 worker 例外完全吞掉，僅 log error，不影響其他排程 - promote 成功才回 stats['promoted']++，DB 失敗計 errors 完整 RAG 自主學習迴圈閉環： LLM 結果 → Distiller → learning_episodes (pending) ↓ 每 5 分鐘 worker PromotionGate 4 階段 ↓ approved → 寫 ai_insights → RAG 可檢索 ↓ awaiting_review → 每 30 分鐘推 Telegram ↓ 24h 無回應 → 每 4h expire → weight=0.5 ↓ 👍 callback → promote → ai_insights ↓ 👎 callback → rejected_human → 永不晉升 仍待 Phase 12+ 完成： - learning_episodes.embedding 寫入路徑（Stage 3 dedup 解鎖） - RAG_ENABLED=true 灰度啟用條件（需 100+ episodes + ANTHROPIC_API_KEY） regression: 70 unit tests 全綠 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 09:11:27 +08:00
OoO	6572d521ba	fix(embed): generate_embedding 三主機 retry — 修同類「111 死則全死」bug ... 承前 commit e862a90（generate retry）的同類修補： generate_embedding 之前邏輯： target_host = host or env or resolve # 一次解析 try: post → mark_unhealthy + return [] # 失敗無 retry 修補後： caller 顯式 host → 凍結不 retry（向下相容） caller 走 lazy → 三主機 retry 鏈： 每次 self.host 走 resolve_ollama_host() 失敗 mark_unhealthy + cache 失效 + 取新主機 最多 3 次（避免同主機無限迴圈） 影響範圍：KM embedding worker / RAG query embedding / openclaw_learning regression: 57 unit tests 全綠 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 08:56:38 +08:00
OoO	e862a9040c	fix(ollama): 解「111 關機 → GCP 也斷」三主機 retry 鏈 + lazy host ... 統帥 2026-05-04 反饋：「111 關機後，兩台 GCP Ollama 也跟著斷線不可用」 根因（雙 bug 連動）： 1. OllamaService.__init__ 凍結 self.host： `self.host = host or resolve_ollama_host()` 是 instance 級凍結 容器啟動時若 GCP cold start 觸發 fallback 111 → self.host 永遠卡 111 即使 cache 過期，instance 不會重新 resolve 2. generate() 失敗無 retry 鏈： 原邏輯只 mark_unhealthy(self.host) + return failure 沒有「換下一台主機再試」邏輯 → 111 死則全死 修補（雙管齊下）： A. self.host 改 @property：每次存取走 resolve_ollama_host() - caller 顯式指定（_explicit_host）才凍結 - 內部 _RESOLVE_TTL 120s cache 控制 HTTP probe 成本 B. generate() 三主機 retry 鏈： for attempt in range(3): current_host = self.host # property lazy resolve if attempted → break (避免無限迴圈) post → success ? return : mark_unhealthy + retry mark_unhealthy 自動清空 resolve cache，下次 self.host 取新主機 行為對比： 戰前：GCP cold start 卡 111 → 111 關機 → 全部失敗 戰後：GCP cold start 卡 111 → 111 關機 → mark_unhealthy(111) → self.host 重 resolve → GCP Primary（已暖機）→ 成功 generate_embedding 同類修補延後（caller 多走 explicit host 路徑風險較低） regression: 36 unit tests 全綠（test_ollama_resolve + test_ai_call_logger） Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-04 08:42:52 +08:00
OoO	c7d6db31f2	feat(p11): RAG 自主學習 + Promotion Gate 4 階段護欄（feature flag OFF） ... Operation Ollama-First v5.0 / Phase 11 / RAG 自主學習迴圈 services/rag_service.py (532 行) - RAGService.query() — bge-m3 embed + cosine 0.85 threshold + top_k=5 - get_embedding_signature() — v5.0 護欄 #3 一致性檢查 (SHA1[:12]) - fire-and-forget rag_query_log INSERT (不阻塞主流程) - feedback() — Telegram 👍/👎 寫回 feedback_score - RAG_ENABLED 預設 OFF（戰前行為不變） services/learning_pipeline.py (750 行) - Distiller — 純 Hermes 規則引擎，零 LLM 成本 Quality 規則：MCP >200 字 0.8 / LLM JSON ok 0.9 / TextRank 0.6 / 👍 1.0 / 👎 0.0 - PromotionGate — Owen v5.0 護欄 #1 鐵律 Stage 1: quality_score >= 0.7 Stage 2: 無幻覺檢測（規則引擎，零 LLM） Stage 3: 與既有 insight 相似度 < 0.95（Stage 3 在 episode embed 後啟用） Stage 4: weight >= 0.8 必經 Telegram 👍/👎 - expire_stale_reviews() — 24h 無回應自動降級 weight=0.5 - hash_human_approver — Telegram username SHA1[:8] PII 保護 services/hermes_analyst_service.py — 新增 analyze() RAG-first - RAG hit → return synthesize（不燒 LLM） - RAG miss → 既有 LLM 路徑 + enqueue learning_episodes services/openclaw_strategist_service.py — Q&A 入口接 RAG-first - 不動週/月/年報（敘事報告 RAG hit 機率低） services/telegram_templates.py - rag_feedback_keyboard() — 👍/👎 inline keyboard - promotion_review_keyboard() — Stage 4 人工驗收按鈕 routes/openclaw_bot_routes.py — 3 組 callback handler - rag_fb:{id}:{score} → rag_service.feedback() - pg_ok:{episode_id} → PromotionGate.promote() - pg_no:{episode_id} → PromotionGate.reject() 70 unit tests 全綠 + 全戰役 196 tests zero regression（4:17 跑完） 剩餘 limitations（Phase 12+ 補）： 1. learning_episodes.embedding 寫入路徑（Stage 3 dedup 暫 skip） 2. PromotionGate worker cron 未掛 3. Telegram awaiting_review 推播未接（callback handler 已就位） 灰度開啟條件（建議 1 週後）： - ANTHROPIC_API_KEY 設定 + RAG_ENABLED=true + threshold=0.90 保守 - feedback_score >= 4 比率 > 70% → threshold 降至 0.85 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:56:12 +08:00
OoO	943de8466c	feat(p7): Anthropic SDK + Claude Opus 4.7 接 Code Review (feature flag OFF) ... Operation Ollama-First v5.0 / Phase 7 Frontier 升級 services/anthropic_service.py (新檔, 226 行) - AnthropicService 包裝 + ClaudeResponse dataclass - Ephemeral prompt cache 5 分鐘 TTL（重複 system_prompt 省 90% 成本） - usage 解析 input/output/cache_creation/cache_read 四欄位 - ANTHROPIC_API_KEY 未設或 SDK 缺失時 is_available()=False 靜默退化 code_review_pipeline_service.py — _openclaw_assess 加 L1 Claude 分支 - CODE_REVIEW_USE_CLAUDE flag (預設 OFF，等 ANTHROPIC_API_KEY 設定後翻 ON) - 路由：Claude Opus 4.7 (Arena code Elo 1548) → Gemini → ElephantAlpha 三層 - request_id 串鏈不變 ai_call_logger.py COST_TABLE 補 3 個 Claude 模型： - claude-opus-4-7: $15/$75 per M tokens (程式碼 #1) - claude-sonnet-4-6: $3/$15 per M tokens (agentic 平衡) - claude-haiku-4-5: $0.8/$4 per M tokens (輕量快速) requirements.txt: 加 anthropic>=0.40.0 .env.example: 加 ANTHROPIC_API_KEY / CODE_REVIEW_USE_CLAUDE / CLAUDE_MODEL 52 unit tests 全綠（22 logger + 18 anthropic + 5 routing + 7 security） 啟用步驟（待統帥手動）： 1. .env 加 ANTHROPIC_API_KEY=sk-ant-... 2. CODE_REVIEW_USE_CLAUDE=true + restart momo-app 3. 觀察 ai_calls.cache_read_tokens > 0 確認 cache 生效 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:31:30 +08:00
OoO	6aa5bcab88	fix(ollama-first): 3 個 feature flag 翻 ON — Ollama 優先、Gemini 殿後 ... 統帥 2026-05-03 23:30 指令：「免費的優先！最後才是 Gemini」 3 個 flag 預設 false → true（GCP Primary qwen3:14b 已拉好，無阻擋）： 1. OPENCLAW_QA_OLLAMA_FIRST=true → Telegram 戰略 Q&A 走 qwen3:14b（繁中強制 prompt + Gemini fallback） → 預期月省 ~6.7M Gemini tokens（戰前 8.4M × 80%） 2. OPENCLAW_DAILY_HERMES_TEMPLATE=true → 日報走 Hermes 模板 + Gemini 200 字洞察（28K → 8K, -71%） → 預期月省 ~600K Gemini tokens 3. NEMOTRON_OLLAMA_FIRST=true → 威脅分派走 GCP qwen3:14b → NIM 備援 → ADR-004 規則引擎兜底 → 預期月省 ~5M NIM tokens（解配額痛點） 合計月省 ~12M tokens（與 ADR-029 預估 -23.5% 對齊） 緊急停用：env 變數設 false 即可（保留 fail-safe） 品質風險：A7 Q&A 有 _is_low_quality_response 守門 → 低品質自動 fallback Gemini Operation Ollama-First v5.0 / Phase 6.5 hotfix #2 / 落地統帥指令 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:28:45 +08:00
OoO	56504ed7c1	fix(ea): Hermes-first short-circuit + 消除 EA escalation LLM 幻覺訊息 ... 統帥 2026-05-03 23:30 反饋：「EA escalation 訊息空洞、浪費 Gemini API」 根因： 1. 燒錢：每個 trigger 先跑 Gemini orchestration，再 prefetch Hermes Hermes 0 threats 時 → Gemini 已燒，訊息卻空泛幻覺 2. 空泛：fallback 路徑灌 OpenClaw plan 文字 + decision.reasoning 全是「312 SKU / 23% / 14 項任務」LLM 自由發揮，無 DB 鉤住 修補： A. _execute_autonomous_decision 加 Hermes-first short-circuit - 價格類 trigger 先跑 Hermes (5s timeout, 免費 Ollama) - 0 threats → 直接 return，不燒 Gemini orchestration - 預期 >70% trigger 在此階段攔截，月省 ~3-5M Gemini tokens - prefetch 結果存入 trigger.conditions 給 orchestrator 用 （避免 orchestrator 又自己編 SKU 數字） - log_ai_call 記 short_circuit=true 供 token report 統計 B. _escalate_to_human fallback 路徑改極簡訊息 - concrete=Hermes 實證 vs concrete=None 兩條路徑徹底分離 - 有實證 → 完整訊息（含 SKU 流失金額） - 無實證 → 極簡訊息「⚠️ Hermes 即時數據不可用」+ SQL 查詢指引 不再灌 OpenClaw plan 文字 / decision.reasoning（幻覺源頭） Operation Ollama-First v5.0 / Phase 6.5 hotfix / ADR-021 遵循收尾 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:26:18 +08:00
OoO	3ea7004a6f	refactor(p4)+docs(p5+p6): Meta 降頻 + LOCKED-GEMINI + ADR-028/029 ... Phase 4 A10 — OpenClaw 雙塔重劃 - run_scheduler.py: Meta 自審 cron 6h → 每日 12:00（月省 2.25M Gemini, +20% 達標） - scheduler.py: 移除 icaim 內 2 處 inline meta 觸發 - openclaw_strategist 抽 _push_report_with_charts (call×3) + _collect_mcp_intel (call×2) - 行數目標 -25% 未達（4 報告函數結構差異大，A10 採保守抽出避險） - 主戰果：Meta 降頻月呼叫 300 → 30（-90%） Phase 5 — 5 處 LOCKED-GEMINI 註解（涵蓋鎖定 7 場景） - services/mcp_collector_service.py:32 (場景 #1: Google Search Grounding) - services/openclaw_strategist_service.py:40 (場景 #2/3/4: 週/月/年報) - services/code_review_pipeline_service.py:46 (場景 #5: 100K+ token diff) - services/elephant_alpha_orchestrator.py:88 (場景 #6: EA HITL) - routes/openclaw_bot_routes.py:98 (場景 #7: PPT 簡報) Phase 6 A12 — 憲法級 ADR 三份 - ADR-028「LLM 路由統一準則」(269 行) - 5 大支柱：三主機級聯 / Ollama 優先 / 雙塔分工 / Gemini 鎖 7 場景 / 可觀測性 - 8 個 provider 白名單（DB CHECK 對齊） - 30+ caller 名單分「已實作 / 規劃中」 - ADR-029「Hermes-First 雙塔分工」(222 行) - 12 項職責重劃表 + A7/A8/A10 落地對照 - Gemini 月支出 -23.5%（critic 第 3 輪 B5 算術修正） - ADR-027 附錄（+69 行） - 三主機架構（Primary/Secondary/Fallback） - 4 條獨立 fallback 鏈 - 廢止「188 Ollama」概念 - README 索引更新 A11 critic 第 3 輪修補：5 BLOCKER 全清 - B1: 行數 1831 → 2677 (含 baseline 對照) - B2: 場景 #4 行號 759/1267 → 1102/1628 + annual 不存在註明 - B3: 虛構 caller 改實存（ea_hitl_prefetch → ea_engine 等） - B4: 白名單三層對齊（DB 8 = ADR 8 = token_report 補 ollama_secondary） - B5: KPI 算術 50→38 = -23.5% 重核 services/telegram_templates.py: A5 daily_token_report() 函數 services/mcp_collector_service.py: 加 LOCKED-GEMINI 註解 services/elephant_alpha_orchestrator.py: 加 LOCKED-GEMINI 註解 103/103 unit test 全綠（zero regression） Operation Ollama-First v5.0 / Phase 4 A10 + Phase 5 + Phase 6 A12 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:06:08 +08:00
OoO	838267c293	feat(p1+p3): logger 接 13 caller + Q&A/Nemotron/日報 feature flag 灰度 ... Phase 1 A4 — 13 個呼叫點接 ai_call_logger（覆蓋率 11.8% → 預估 50%+） - TOP-1 nemoton_dispatcher: nemotron_dispatch caller (NIM 配額追蹤) - TOP-2 openclaw_strategist: 4 reports (daily/weekly/monthly/meta) + qa caller - TOP-3 hermes_analyst: hermes_analyst + hermes_intent (順修 commit 00591c5 殘留 bug) - TOP-4 code_review_pipeline: code_review_hermes/openclaw/elephant 三鏈 (request_id 串) - TOP-5 openclaw_bot_routes: openclaw_bot_main/gemini/nim 三層 fallback Phase 3 A7 — OpenClaw Q&A → qwen3:14b（feature flag OFF） - OPENCLAW_QA_OLLAMA_FIRST 灰度開關 - 繁中強制 system prompt + Gemini fallback chain - _is_low_quality_response 品質守門（簡體字檢測 + 拒答訊號 + 結構分數） - 黃金集 A/B 對照測試框架（10 樣本去 PII） Phase 3 A8 — OpenClaw 日報 → Hermes 模板（feature flag OFF） - OPENCLAW_DAILY_HERMES_TEMPLATE 灰度開關 - _compute_daily_kpi 純 SQL + Hermes 規則引擎 - _compute_gemini_insight 精簡 200 字洞察 prompt - templates/daily_report_v2.j2 + _SafeUndefined 缺欄位優雅降級 - scripts/compare_daily_report_versions.py 雙版本盲測 Phase 3 A9 — Nemotron NIM → qwen3:14b（feature flag OFF） - NEMOTRON_OLLAMA_FIRST 灰度開關（A2 紅燈：deepseek-r1 假支援，改 qwen3） - _call_qwen3_dispatch + 既有 NIM tool_calls 解析共用 - 保留 ADR-004「🟡 [降級模式]」Hermes 規則引擎兜底 H6 PII fix — chat_id 進 ai_calls.meta 改 SHA1[:8]（4 處 Bot Q&A） Code Review pipeline — N3 動態 provider tag（gcp/secondary/111）+ A4 logger 三鏈 37 unit tests 全綠（routing 15 + golden 5 + qwen3 8 + daily template 8 + nemotron 1） Operation Ollama-First v5.0 / Phase 1 A4 + Phase 3 A7+A8+A9 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:05:38 +08:00
OoO	078bf2683c	fix(adr-027): Phase 2 — ADR-027 4 破洞修補 + 移除寫死 111 ... config.py — B1+B2 lazy resolve - get_ollama_host() 取代 import-time freeze 的 OLLAMA_HOST - get_embedding_host() 取代 EMBEDDING_HOST - 主機切換時不需重啟 Python 進程 services/ollama_service.py — B3+B4 三主機級聯 - resolve_ollama_host(primary, secondary, fallback) 三主機級聯 - Primary: 34.143.170.20 (SSD) — GCP 主主機 - Secondary: 34.21.145.224 (SSD) — 同等效能備援 - Fallback: 192.168.0.111 (HDD) — 最後一道防線 - _is_reachable: HTTP /api/version probe 取代 TCP socket（防 process 卡死假活） - mark_unhealthy(host) 即時失效 cache，30s 內跳過該主機 - 14 unit tests 全綠 services/aider_heal_executor.py — N2 - 移除寫死 192.168.0.111，改用 get_ollama_host() - AiderHeal 終於遵循 ADR-027 GCP 優先策略 Operation Ollama-First v5.0 / Phase 2 A6 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:05:11 +08:00
OoO	bb891f1a6e	feat(observability): ai_call_logger + 23:55 Telegram token 日報 ... services/ai_call_logger.py（300 行）— 統一 LLM 遙測層 - context manager log_ai_call() / decorator logged_ai_call() - async fire-and-forget 寫 ai_calls，DB 失敗永不影響主流程 - kill-switch：連續 10 次失敗自動降級為 logger.info - env AI_CALL_LOGGING_ENABLED=false 一鍵關閉 - COST_TABLE 集中 13 個模型計費（gemini/claude/nim/ollama） - PII 保護：meta 只存 prompt_hash[:12]，不存原文 - 22 unit tests 全綠 services/token_report_service.py（580 行）— 6 段落每日 23:55 日報 - Section 1-6: 總覽 / 供應商分布 / TOP10 caller / 成本預算 / 趨勢 / 告警建議 - 7 條告警規則 + Hermes 規則引擎智能建議 - HTML escape + 4096 字元雙保險 - Telegram 失敗 fallback 訊息 - ai_insights 寫入 PII safe（無 chat_id/username 落地） - 30 unit tests 全綠 A11 critic 護欄：H6 chat_id PII fix（services/openclaw_bot_routes 4 處 → SHA1[:8]） Operation Ollama-First v5.0 / Phase 1 A4+A5 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 23:04:58 +08:00
OoO	15800a29ac	[V-New] Ollama 主機切換：GCP 優先 / 111 自動備援架構 | services/ollama_service.py, docker-compose.yml	2026-05-03 16:03:00 +08:00
OoO	2f5666be08	feat(import): drive staleness gate active alert when DB stale >=3d (critic-approved) ... Root cause (debugger 2026-05-02): - drive_service.move_file 把 import 完的 Excel 搬到「已匯入」 → 工作夾空 - auto_import_from_drive 每 30 分跑一次 list 回空 → 走 line 671-677 silent return {success:True, file_count:0} → daily_sales_snapshot 自 4/27 12:54 後停更 8 天無任何告警 Patch: Drive 空時加 staleness gate：查 DB MAX(snapshot_date)，若距今 >=3 天 即呼叫既有 _send_data_stale_alert（commit dda0a06）發 Telegram 主動催促 BU 上傳。 critic 5 點修訂全照做： 1. session 自管：from database.manager import get_session + try/finally close （此區段原本沒有 session 變數，在 line 708 才開） 2. 閾值 >=3 天：跨週末跨假期不上傳是常態，避免誤觸 3. 沿用 _send_data_stale_alert 既有 3 字串參數，不客製文案 4. dedupe key = 'upstream_drive'：與下游 daily_report/weekly_strategy/ monthly_report 區隔，未來 ai_insights 查詢不混淆告警源 5. logger.error + exc_info=True：staleness 邏輯吞 try/except 不影響主流程 return success，但留 traceback 可觀測 Regression check: - openclaw_strategist_service 不 import import_service → 無循環 import - import path 'database.manager' 與 openclaw 既有用法一致（line 31） - 找到檔案分支完全未動，主流程行為不變 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 13:10:55 +08:00
OoO	8b76e3872f	feat(ppt): competitor v4 — 5-forces strategic analysis (Wave 4 partial) ... Wave 4 部分完成：competitor v4 五力升級（戰略視角） generate_competitor_v4_ppt — 7 頁 - P1 封面：含整體領先/勢均力敵/落後徽章 + 三句話戰略指引 - P2 五力雷達圖（matplotlib polar）+ 右側 6 維度分數明細表（含雙條視覺化） - P3 商品力 + 價格力（雙卡） - P4 行銷力 + 服務力（雙卡） - P5 品牌力 + 財務力（雙卡含 momo 8454/PChome 8044/蝦皮 SE/酷澎基本面） - P6 AI 戰略整合（差異化建議） - P7 附錄 新增 helper：_mpl_radar_png() - matplotlib polar projection 五力雷達 - momo 焦糖橘 + 競品蜂蜜金 - 0-10 分尺度，含格線/標籤/圖例 query_competitor_5forces — 半實作 - 商品力：momo SKU 數從 DB 算 / 競品靜態 fallback - 價格力：靜態（待擴 competitor_price_history 整合） - 行銷力 / 服務力：靜態知識（電視購物頻道 / 24h 物流 / 訂閱制） - 品牌力：靜態 + 預留 mcp_collector 整合空間 - 財務力：上市公司公開資訊（momo 8454 富邦集團、PChome 8044、SEA、酷澎） 每個維度自動算 momo - 競品差異 → 識別最大優勢力與最大劣勢力 _ppt_ai_analysis 加 is_5forces 分支 - 角色：BCG/麥肯錫資深戰略顧問 - 結構：整體競爭態勢 / 優勢加碼 / 劣勢補強或避戰 / SMART 三層 / 競爭風險 - max_tokens 2400 路由： - /ppt competitor_v4 vs PChome（預設） - /ppt competitor_v4 蝦皮 vs 蝦皮 - /ppt competitor_v4 酷澎 vs 酷澎 Telegram 按鈕：「⚔️ 競業五力 v4」 bump TEMPLATE_VERSIONS['competitor_v4'] = v4.0.0（新類型獨立版本） 簡化限制：商品力/價格力/品牌力的競品具體數據需後續擴 mcp_collector （PChome SKU API、Dcard 品牌討論度量化等），靜態 fallback 已維持結構完整性 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 13:10:15 +08:00
OoO	16b169d3ee	feat(ppt): price_elasticity sweet spot report v3.1.0 (simplified) ... Wave 3.3：價格彈性簡化版（採購/PM 定價策略用） generate_price_elasticity_ppt — 7 頁 - P1 封面：含集中度徽章（過度集中/主流明確/分布健康）+ 三句話結論 - P2 KPI：SKU 數/總訂單/甜蜜點價位/甜蜜點 SKU 數 - P3 各價位桶訂單分布橫條（找甜蜜點，焦糖橘=最高訂單桶） - P4 各價位桶業績分布橫條（評估高價帶健康度，業界基準 30-50%） - P5 甜蜜點 TOP 5 SKU（明星價位代表商品，新品設計參考） - P6 AI 採購策略洞察 - P7 附錄 query_price_elasticity(category, days) - 對 SKU 算平均售價（總業績 / 數量） - 7 個價位桶分組（< 200 / 200-500 / 500-1K / 1K-2K / 2K-5K / 5K-10K / > 10K） - 識別「訂單數最多」的桶 = 價格甜蜜點 - 計算高價帶（>NT$2K）業績佔比（業界基準健康 30-50%） - 選 sweet_spot 桶內 TOP 5 SKU 作為代表 簡化版限制（為後續 ADR 註明）： - 非完整 price_elasticity（需要時間序列定價變化資料） - 但能展示「該品類消費者最買單的價位帶」這個關鍵採購洞察 _ppt_ai_analysis 加 is_price_elast 分支 - 角色：採購主管 + PM - 結構：甜蜜點解讀 / 高低價帶結構 / SMART 三層 / 風險預警 - 含「斷層補強」概念（識別 SKU 數明顯偏少的價位區間） - max_tokens 1700 路由： - /ppt price_elasticity 全平台 90 天 - /ppt price_elasticity 美妝保養 單品類 90 天 - /ppt price_elasticity 美妝保養 30 自訂天數 Telegram 按鈕：「💰 價格彈性報告」 bump TEMPLATE_VERSIONS['price_elasticity'] = v3.1.0 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:48:15 +08:00
OoO	fe3cba8496	feat(ppt): market_intel_weekly external signal aggregation v3.1.0 ... Wave 3.2：市場情報週報 — 把 mcp_collector 所有外部 API 彙整成一份內部簡報。 generate_market_intel_weekly_ppt — 7 頁 - P1 封面：本週重點/市場機會/風險警訊三句話（從 AI 自動抽） - P2 節慶日曆 + 季節情境（雙卡） - P3 電商新聞 + Google 熱搜（雙卡） - P4 Dcard 口碑 + YouTube 爆紅（雙卡） - P5 天氣 + 匯率（雙卡，影響消費行為） - P6 AI 整合洞察與行動建議 - P7 附錄 外部資料來源（mcp_collector_service / mcp_context_service）： - mcp_collector.get_holiday_context() 節慶日曆（靜態） - mcp_collector.get_seasonal_context() 季節情境（靜態） - get_ecommerce_news() 電商產業新聞（Gemini Grounding） - get_taiwan_trends() Google 台灣熱搜 - get_dcard_trends() Dcard 熱門討論 - get_youtube_trending() YouTube 爆紅商品 - get_taiwan_weather() 台灣天氣 - get_twbank_exchange_rates() 台幣匯率 每個外部 API 用 _safe() wrapper，失敗時填預設文字「（本次擷取失敗或無資料）」。 _ppt_ai_analysis 加 is_market_intel 分支 - 角色：行銷情報分析師 + BU 主管 - 結構：本週市場大事 / 消費者情緒口碑 / 競爭態勢差異化 / SMART 三層 / 外部風險預警 - max_tokens 2000 路由： - /ppt market_intel 本週情報週報（自動對齊週一） Telegram 按鈕：「🌐 市場情報週報」 bump TEMPLATE_VERSIONS['market_intel'] = v3.1.0 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:39:57 +08:00
OoO	95a74c3502	feat(ppt): new_product 30-day tracking report v3.1.0 ... Wave 3.1：新品追蹤報告（PM/採購用） generate_new_product_ppt — 9 頁 - P1 封面：含新品力徽章（強勁/穩健/偏弱/疲弱，依業績佔比）+ 三亮點 - P2 KPI：新品總數/業績/佔比/平均單品業績 + AI 解讀 - P3 新品整體日業績曲線（爬榜軌跡 matplotlib） - P4 新品依品類分佈橫條 - P5-P7 新品 TOP 50（自動分頁） - P8 AI PM 戰術洞察 - P9 附錄 query_new_products(days_recent=30, days_baseline=60) - PostgreSQL CTE：recent EXCEPT early recent = 近 30 天有銷售 early = 31-90 天前有銷售 - 自動回傳：新品 TOP 50 / 子品類分佈 / 日業績曲線 - 含 ANY array 查詢新品集合的整體日業績 _ppt_ai_analysis 加 is_new_prod 分支 - 角色：PM 商品經理 + 採購主管 - 結構：新品力評估 / 明星新品識別 / 品類分佈與機會 / SMART 三層 / 風險預警 - SMART 行動含：加碼 TOP3 / 觀察排名 11-30 / 數據追蹤 - max_tokens 1800 業界基準：新品業績佔比 5-10% 為健康，>8% 強勁，<3% 偏弱 路由： - /ppt new_product 預設近 30 天 - /ppt new_product 14 自訂追蹤天數 Telegram 按鈕：「🆕 新品 30 天追蹤」 bump TEMPLATE_VERSIONS['new_product'] = v3.1.0 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:37:06 +08:00
OoO	af6157f8ba	docs(adr): ADR-024 PPT Wave 2 (forecast + promo_compare) + deprecate bcg/growth ... Wave 2 完成 2 種新報表： - forecast_pre_event (9f04dc3) — 檔期前 14 天備戰策略 (BU 主管用) - promo_compare (958f705) — 多活動 ROI 並排比較 (行銷主管覆盤) 正式廢除（DEPRECATED 標記，函式保留作 internal helper）： - bcg — 與 strategy 報表功能重疊（strategy 已含 BCG 五級分類） - growth — 已被 quarterly + half_yearly + annual + ttm 完全取代 報表體系現況：16 種有效（v3 重做 6 + Wave 1 新增 8 + Wave 2 新增 2）+ 2 種 DEPRECATED；4 種角色覆蓋（採購/PM/行銷/CFO/CEO）。 forecast 核心：baseline 日均 × 21 天 × lift_factor，含 8 種檔期靜態知識 （雙11 1.65× / 母親節 1.40× 等），封面倒數天數徽章自動切換。 promo_compare 核心：N 場活動並排 KPI 表 + 拉抬 % 排序橫條 + 4 排名亮點 （最高拉抬/最低拉抬/最佳毛利/最高業績）。 Wave 3 待辦：market_intel_weekly / new_product / clv / price_elasticity Wave 4 待辦：inventory / operations / finance（依資料層） Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:30:35 +08:00
OoO	dda0a06bfd	fix(strategist): cast metadata_json text to jsonb for stale alert dedupe ... critic post-review #1 (HIGH): `_send_data_stale_alert` 的 dedupe SQL 對 `ai_insights.metadata_json` (Column(Text)) 直接套用 `->>` operator，PG 會 raise `operator does not exist: text ->> unknown`，被外層 try/except 吞掉， 導致 dedupe 完全失效，daily/weekly/monthly 同日 stale 會送 2-3 次告警噪音。 修法：`metadata_json::jsonb->>'report_type'` 即時 cast Text→JSONB 再取 key （寫入端用 json.dumps，內容為合法 JSON）。 影響： - 僅修 services/openclaw_strategist_service.py:353 一行 - grep 確認全 repo 僅此一處 `metadata_json->>` 用法 - 不動 dedupe 視窗 / telegram 發送 / _save_to_ai_insights - 不動 tests / requirements.txt / 其他檔案 Regression：cast 每次 stale 告警跑一次，效能影響可忽略；若歷史 row metadata_json 內容非合法 JSON，cast 會 raise 並被 try/except 吞掉， 行為退回現狀（dedupe 失效，但不影響告警送出）。 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:29:22 +08:00
OoO	958f705c8e	feat(ppt): promo_compare multi-promo ROI report v3.1.0 ... Wave 2.2：N 場促銷活動橫向比較（行銷主管覆盤用）。 generate_promo_compare_ppt — 5 頁 - P1 封面：含活動數徽章 + 排名亮點（最高拉抬/最低拉抬/最佳毛利） - P2 並排 KPI 表：8 欄（活動/期間/天數/業績/訂單/毛利/業績拉抬/訂單拉抬） 支援 14 場以下並排顯示 - P3 業績拉抬橫條圖（matplotlib，按拉抬 % 排序） - P4 AI 跨活動洞察（成功要素 / 失敗診斷 / SMART 三層） - P5 附錄 路由： - /ppt promo_compare 母親節:2026/05/05-2026/05/14|520:2026/05/18-2026/05/22|618:2026/06/14-2026/06/22 每場活動透過 query_promo_comparison 取 ROI 數據，自動產生 4 個排名。 _ppt_ai_analysis 加 is_promo_cmp 分支 - 角色：資深行銷主管 - 結構：整體比較 / 勝出活動成功要素 / 失敗活動診斷 / SMART 三層 - max_tokens 1600 Telegram 按鈕：「🆚 多活動比較」(await:promo_compare) bump TEMPLATE_VERSIONS['promo_compare'] = v3.1.0 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:28:17 +08:00
OoO	9f04dc3951	feat(ppt): forecast_pre_event report v3.1.0 (BU pre-event battle plan) ... Wave 2.1：檔期前瞻報告 — 給 BU 主管在檔期前 14 天決定備戰策略。 generate_forecast_pre_event_ppt — 7 頁 - P1 封面：含倒數天數徽章（備戰期/衝刺期/檔期中/已結束）+ 三段預期業績 - P2 KPI 三段對比：本期預期 / 去年同檔期 / Baseline 日均 / 已執行業績 - P3 去年同檔期業績曲線（matplotlib 折線，預測基準視覺化） - P4 庫存盤點 TOP 30（基於 baseline 期銷量） - P5 AI 戰術洞察 - P6 附錄 query_forecast_pre_event(event_name, event_date) - baseline 期：檔期前 60-30 天（去除檔期前期效應） - 去年同檔期：去年同日期 ± 7 天 - 本期準備窗口：檔期前 14 天到檔期後 7 天 - 預期業績 = baseline 日均 × 21 天 × lift_factor - lift_factor 靜態知識（母親節 1.40 / 618 1.45 / 雙11 1.65 / 黑五 1.45 等） _ppt_ai_analysis 加 is_forecast 分支 - 角色：BU 主管 + 行銷投放主管 + 採購三合一 - 結構：檔期定位 / 準備窗口進度 / 庫存戰術 / 廣告滿額門檻 / SMART 三層（檔期前7/當日+3/檔期後7）/ 風險預警 - max_tokens 2000 路由： - /ppt forecast 母親節 2026/05/12 - /ppt forecast 618 2026/06/18 Telegram 按鈕：「🎯 檔期前瞻報告」(await:forecast_event) bump TEMPLATE_VERSIONS['forecast_pre_event'] = v3.1.0 煙霧測試：7 頁 140KB 全綠。 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>	2026-05-03 12:25:42 +08:00