Auto-sync: 2026-11-01

This commit is contained in:
Dominik Schön
2026-11-01 22:00:25 +00:00
parent 2053828eaf
commit 21a25a0635
10 changed files with 496 additions and 9 deletions
@@ -0,0 +1,84 @@
---
pattern_id: PAT-018
title: "Erfolgsmeldung einer Automatik ist kein Zustellbeweis — dateibasierte Queues validieren zweimal"
category: integration
severity: high
status: active
first_observed: 2026-10
last_updated: 2026-11-01
related_systems: [fleet-spool, board-service, spool-watcher, submit_task]
related_solution_docs:
- bug-fixes/2026-10-30-fleet-redispatch-envelope-contract-quarantine.md
- bug-fixes/2026-11-01-fleet-karten-review-sweep-zustellkette.md
related_skills: [devops/agent-fleet-operations]
---
# Erfolgsmeldung einer Automatik ist kein Zustellbeweis
## Symptom
Ein Automatik-Dienst meldet Erfolg (Log-Zeile, `rc=0`, `{"result":"OK","task_id":…}`,
MCP-`OK_*`) — aber der erzeugte Auftrag existiert nirgends:
- `grep` nach dem Sender findet **0** Dateien im Spool,
- die Zielgröße bleibt unverändert (Karte `Neu`, Dead-Letter-Eintrag weg),
- im Journal stehen **zwei** Events zur selben `task_id`: `accepted` **und**
`quarantined`.
Der Dienst läuft stundenlang „grün" und arbeitet nichts ab.
## Root Cause
Der Spool hat **zwei unabhängige Validierungsschichten**:
| Schicht | Datei | Zeitpunkt | Sichtbar für den Einleger? |
|---|---|---|---|
| Einleger | `spool/submit_task.py` (`VALID_SYSTEM_SENDERS`, `VALID_SYSTEM_SENDER_TYPES`) | beim Schreiben | ja (Rückgabewert) |
| Watcher | `spool/watcher/watcher_main.py` (`SUBMIT_SYSTEM_SENDERS`, `SUBMIT_SYSTEM_SENDER_TYPES`, `validate_schema_loose`) | beim Scan, Sekunden später | **nein** |
Der Watcher-Pod hat `submit_task.py` nicht im Image und hält eine **Hardcode-Kopie**
derselben Konstanten. Wer nur eine Seite pflegt, erzeugt Drift: Der Einleger
akzeptiert, der Watcher quarantäniert (`_invalid/`), und `accepted` wird **vor**
der Quarantäne geschrieben — der Aufrufer sieht nur den Erfolg.
Zweite Ausprägung derselben Klasse: Der Watcher prüft das Envelope-Schema
strikt (uuid4-`task_id`, Status-Enum, Feld-Whitelist). Ein Erzeuger, der eigene
IDs oder Zusatzstatus schreibt, wird erst beim Scan abgewiesen.
## Mitigation
1. **Zustell-Indikator prüfen, nicht den Rückgabewert:**
`grep -l "^from: <sender>" <spool>/*.yaml | wc -l` → muss > 0 sein.
2. **Journal nach der `task_id` fragen:** `accepted` + `quarantined` in
derselben Sekunde beweist Einleger-schuld-frei / Watcher-schuld-tragend.
3. **`_invalid/*quar-<id>.yaml` prüfen** — der Envelope ist meist inhaltlich
korrekt und kann nach dem Fix unverändert zurück in den Spool
(`mv` statt Neuerzeugung, IDs/Bodies bleiben).
4. **Beide Konstanten-Dateien patchen**, dann Sync-Test laufen lassen
(`spool/test_sender_sync.py`, AST-Vergleich beider Dateien).
## Prevention
- **Sync-Test für Duplikate:** Wo eine Konstante bewusst doppelt liegt, muss ein
Test die Gleichheit erzwingen (`test_sender_sync.py`: Sendermengen,
Typ-Mapping je Sender, keine Kollision System-Sender/Org-Agent).
- **Erfolg erst behaupten, wenn zugestellt:** Automatik-Trigger loggen „ok"
erst bei `task_claimed` / Datei im Spool nach dem Scan — nicht bei `accepted`.
- **Typen sind Format, nicht Absicht:** Dedupe/Filter nie auf einen Typ stützen,
den auch Menschen benutzen (`review` = fachliche Abnahme **und** Sweep-Auftrag).
Diskriminator ist der Sender (`from`).
- **Automatik-Tasks nicht mit `karte_id` versehen**, wenn sie nur aktivieren
sollen — sonst koppelt `complete_task` die Karte blind auf `Fertig`.
## Evidence
- **2026-10-30** — Re-Dispatch verletzte den Envelope-Vertrag (synthetische
`task_id`, `status: re-dispatched`, Zusatzfelder) → zwei `quarantined`-Events,
Dead-Letter-Eintrag weg. SolDoc
`bug-fixes/2026-10-30-fleet-redispatch-envelope-contract-quarantine.md`.
- **2026-11-01** — Karten-Bewertungs-Sweep: `board-service` fehlte in der
Watcher-Kopie der Sender-Allowlist; 4 Tasks quarantäniert, 12 Karten blieben
unbewertet, Sweep meldete `cards=5` als Erfolg. Zusätzlich sperrte ein
fachlicher `review`-Task (`Abnahme: deadman-rezidiv-research-4`, `working`)
den Value Stream `vs-fleet-rebuild` mit 40 fälligen Karten. SolDoc
`bug-fixes/2026-11-01-fleet-karten-review-sweep-zustellkette.md`.
@@ -0,0 +1,93 @@
---
pattern_id: PAT-019
title: "Watchdog-Alarm an das ausgefallene Ziel — Erkennen ohne Empfänger und ohne Remediation"
category: infrastructure
severity: high
status: active
first_observed: 2026-11
last_updated: 2026-11-01
related_systems: [fleet-deadman, fleet-spool, openshell-sandbox, tower-owner]
related_solution_docs:
- bug-fixes/2026-11-01-deadman-alarm-an-toten-ceo.md
- bug-fixes/2026-11-01-heartbeat-ausfall-openshell-gateway-wedge.md
related_skills: [devops/agent-fleet-operations, devops/watchdog-design-verification]
---
# Watchdog-Alarm an das ausgefallene Ziel
## Symptom
Ein überwachter Dienst ist stundenlang tot und **niemand merkt es**, obwohl
der Watchdog messbar korrekt gearbeitet hat:
- `deadman_alert_active{source="agent:ceo"} 1` — der Alarm ist gesetzt
- im Spool liegt ein P1-Task mit korrektem Text
- aber: `to: ceo` — **der Empfänger ist der ausgefallene Dienst selbst**
- der Task bleibt 1 h 43 m auf `submitted`, das Board zeigt keine Reaktion
Der Ausfall wird zufällig entdeckt (hier: beim Prüfen einer anderen
Funktion), nicht durch die eigene Überwachung.
## Root Cause
Drei Defekte, die einzeln harmlos wirken und zusammen einen stillen Ausfall
ergeben:
1. **Adressierung an das überwachte Objekt.** `submit_escalation()` nutzte
eine Konstante `ALARM_TARGET = "ceo"`. Fällt genau dieses Ziel aus, wartet
der Alarm bei dem Prozess, der nicht antworten kann. Die Überwachung hat
keinen vom Ziel unabhängigen Empfänger.
2. **Erkennen ohne Remediation.** Der Watchdog legt einen Task und eine
Alarm-Datei — er heilt nicht. Ist der einzige Heilungsweg ein manueller
Login (hier: OIDC ohne Refresh-Token), ist der Ausfall für die Automatik
unlösbar und bleibt stehen, bis ein Mensch zufällig hinsieht.
3. **Kein Reconcile für den Fehlerzustand.** Die Sandbox stand auf
`PHASE Error`; der Controller erzeugt den Pod nicht neu. Ein Pod-Verlust
wird damit permanent, statt sich selbst zu reparieren.
## Mitigation
- **Empfänger entkoppeln:** Alarm-Routing, das den Ausfall des Alarm-Ziels
erkennt und an einen unabhängigen Kanal umleitet (hier: `tower-owner`,
kein Agent, eigenes Deployment):
```python
def alarm_recipient(self, source_key):
if source_key == f"agent:{ALARM_TARGET}":
return OWNER_TARGET
return ALARM_TARGET
```
- **Body trägt den Heilungsweg**, nicht nur den Befund: konkrete Befehlsfolge
inkl. Vorbedingungen (Login).
- **Validierungsmatrix mitziehen:** Ein neuer Empfänger braucht Einträge in
*allen* Validierungsebenen (siehe PAT-018), sonst wird der umgeleitete Alarm
quarantäniert — der Fix erzeugt dann denselben stillen Fehler erneut.
## Prevention
- **Frage bei jedem Watchdog:** „Wer empfängt den Alarm, wenn genau dieser
Empfänger der Ausfall ist?" Ist die Antwort „derselbe", fehlt ein Kanal.
- **Alarm-Zustand muss von außen sichtbar sein**, nicht nur im Zielsystem:
Prometheus-Metrik + Board-Datei + unabhängiger Empfänger.
- **Jeder Watchdog braucht eine Remediation-Stufe** (Self-Heal, Reconcile)
oder eine dokumentierte Eskalation an einen Menschen — Erkennen allein ist
ein Logbuch.
- **Fehlerzustände brauchen einen Reconcile-Loop:** `PHASE Error` /
`CrashLoopBackOff` / `Terminating` (ohne Finalizer-Fortschritt) heilen sich
nicht selbst.
- **Token-Abhängigkeiten als Betriebs-Sperre behandeln:** fehlt ein
Refresh-Token, ist die Automatik nach Ablauf handlungsunfähig — genau dann,
wenn sie gebraucht wird.
## Evidence
- **2026-11-01:** `ceo`-Sandbox `PHASE Error` ab ~18:43 UTC. Deadman erkannte
die Stille korrekt (1858 s > 1800 s), legte `06aa7d55` mit `to: ceo` —
1 h 43 m ungesehen. Heilung nur manuell (OIDC-Login + `sandbox stop/start`),
73 Tasks Rückstau. Fix `7b621ad`, deadman `0.13.3`, watcher `0.27`.
SolDoc `bug-fixes/2026-11-01-deadman-alarm-an-toten-ceo.md`.
- **2026-11-01 (früher):** `openshell-0` hing 168 min in `Terminating`
(Gateway-Wedge) — kein Sandbox-Controller, keine Pod-Recreation. Gleiche
Klasse: Fehlerzustand ohne Reconcile. SolDoc
`bug-fixes/2026-11-01-heartbeat-ausfall-openshell-gateway-wedge.md`.