Auto-sync: 2026-11-02

This commit is contained in:
Dominik Schön
2026-11-02 22:00:24 +00:00
parent 21a25a0635
commit 4fbd8bc1a9
11 changed files with 271 additions and 15 deletions
+144
View File
@@ -1220,3 +1220,147 @@ Bei `PHASE Error` ist **stop → start** der Weg (start allein reicht nicht).
OIDC-Refresh-Token auf dem Runner. Images: watcher 0.27 `ced4430b…`,
deadman 0.13.3 `d8dbc57a…`. SolDoc
`bug-fixes/2026-11-01-deadman-alarm-an-toten-ceo.md`, Pattern PAT-019.
## 02.11.2026 — Governance 1–3, attention-Rückkanal, Gitea-OCI-Fix
**Drei strukturelle Übernahmen aus `dsh-superagent`** (Commit `66e3f0a`,
`c71e036`; SolDoc `architecture/2026-11-02-fleet-governance-outbox-mandat-observe.md`):
1. **Outbox** — `submit_task.py` schreibt nach `tasks/_outbox/<id>.yaml`; der
Watcher-Publisher prüft mit `validate_schema_loose` (demselben Code, der
später liest) und verschiebt erst dann atomar nach `tasks/`. Journal-Kette
`outboxed → published → task_claimed → task_completed`. Grund: 62
Quarantäne-Dateien aus „accepted, 1 s später abgelehnt".
2. **Mandat light** — `authorized_by`, `policy_version`, `scope`, `strength`
(`explicit|inferred`), `mode` (`observe|auto`, **nur System-Sender**).
`FLEET_CARD_REVIEW_MODE` steuert den Karten-Sweep: `observe` journalisiert
nur (`card_review_would_submit`), `auto` stellt zu. Live auf `auto` (2.11.).
3. **Strukturierte Attention** — `attention: {question, options[2..5]}` +
MCP `attention_summary()`.
**attention-Rückkanal (board-service 0.25 `59529660…`):** MCP-Tool
`answer_attention(task_id, answer)` setzt `attention.answer/answered_at/
answered_by`, journalisiert `attention_answered` und legt beim fragenden Agenten
einen `fyi`-Reply-Task an (`from=tower-owner`, `reply_to=<task_id>`, P1).
Idempotent (`OK_ALREADY`). `tower-owner` darf als Sender jetzt auch `fyi`
(in `submit_task.py`, `watcher_main.py`, Inline-CM). `attention_summary` zählt
beantwortete Fragen nicht mehr. Live bewiesen: `waiting_on_person` 1 → 0,
Antwort-Task `f0418d90…` bei devops, Idempotenz `OK_ALREADY`.
**SOUL:** `gen_soul.py`-Template hat Regel 5 („Warten auf einen Menschen ist
ein Zustand, kein Freitext") + `attention_*` in der Tool-Signatur; 9/9 live via
`deploy_soul.sh`. Vorher geprüft: Live-SOUL war byte-identisch mit generiert →
kein Handarbeitsverlust.
**Gitea-OCI-Fix (Commit `271d702`)** — zwei Defekte, ein Fehlerbild:
- Realm kam als `http://` (`GuessCurrentHostURL` bei `PUBLIC_URL_DETECTION=auto`
ohne `X-Forwarded-Proto` hinter Traefik) → Go-Clients verlieren beim Redirect
den Auth-Header. Fix: `PUBLIC_URL_DETECTION: never` → Realm aus ROOT_URL.
**App-of-apps-Falle:** erst `argocd app sync root`, sonst behält die App die
alten Values und der Sync meldet trotzdem Succeeded.
- Kaniko las `/kaniko/.docker/config.json`; Secret `fleet-build-push` liefert
`.dockerconfigjson` → Push **anonym**. Fix: `items:`-Mapping im Pod-Spec.
Beleg: Token-Request anonym 2,1 ms vs. Basic-Auth 17,5 ms (bcrypt).
SolDoc `bug-fixes/2026-11-02-kaniko-push-401-gitea-realm-und-secret-mapping.md`.
**Tower:** neue View „Wartet auf mich" (`AttentionPanel` +
`/api/fleet/attention`). Zeigt nur Tasks mit strukturierter Frage, Optionen als
Buttons, Freitextfeld; Antwort via `answer_attention`.
### 02.11.2026 (Nachtrag) — Schema-Drift: der Rückkanal quarantänisierte sich selbst
`answer_attention` schrieb `answer`/`answered_at`/`answered_by` in den
`attention`-Block; beide Validatoren erlaubten nur `question`/`options`. Da
**jeder Statuswechsel neu validiert**, wanderte jeder beantwortete Task nach
`/srv/fleet/tasks/_invalid/` — sichtbar nur am Quarantäne-Zähler (62→63).
Fund war ein Zufall beim Aufräumen, nicht ein Alarm.
**Fix** (`059f7cd`, board-service **0.26** `sha256:1837ef9b`, watcher **0.30**
`sha256:6f415d38`): `ATTENTION_FIELDS` / `GOV_ATTENTION_FIELDS` erweitert **plus**
Validierung des Antwort-Tripels — alle drei Felder oder keins, `answer` 1..2000,
`answered_at` Integer, und `answered_by != from`. Letzteres ist der eigentliche
Gewinn: sonst könnte ein Agent seine eigene Rückfrage mit „ja" beantworten und
sich selbst ein GO geben — ein Autonomie-Leck genau an der Mensch-Schnittstelle.
`test_governance_sync` **31/31** (6 neue Fälle, beide Implementierungen).
Live-E2E mit dem zuvor gestorbenen Task `8281e059`: submitted/working/complete
alle quarantänefrei, `completed`.
**Struktureller Punkt (offen):** Die Wahrheit über ein Envelope-Feld steht an
**drei** Orten — `spool/submit_task.py`, `spool/watcher/watcher_main.py`, Inline-CM
`fleet-submit-task` in `board-service/deployment.yaml`. `sync_submit_cm.py` hält
Kopie 3 synchron, `test_governance_sync.py` prüft 1↔2. Was fehlt: ein Test
„setzt irgendein Schreiber ein Feld, das die Validatoren nicht kennen?".
Zweiter Drift dieser Klasse innerhalb von 24 h (vorher Sender-Allowlist).
**Test-Pitfalls, teuer gelernt:** `claim_next_task` setzt **nur** `status=working`
(`claimed_by`/`claimed_at` sind unerlaubt und quarantänisieren selbst — mein Test
hat seinen eigenen Fehler gemessen); `submit_task` liefert verschachtelt
`{"result","task":{"task_id"}}`; `attention` gibt es nur als flache Parameter
`attention_question`/`attention_options`; `from_agent` unterliegt dem
Strict-Gate (tower-owner ist kein Org-Agent), `to` nicht; Single-Claim-Gate
liefert `OK_OWN_ACTIVE`.
**Build-Infra:** `clusters/main/fleet/build/build-image.sh` — Kaniko-Pod aus
versionierter Vorlage statt `/tmp`-YAML, mit dem Pflicht-`items:`-Mapping.
Erster Praxiseinsatz: beide Images in 4 min.
## 02.11.2026 — CEO-Egress: Landlock-Pfad, Binary-Identität, Policy-Approval
Nach dem Image-Move (`v5.5`, Hermes real unter `/usr/local/hermes`, `/opt/hermes`
als Symlink) war `ceo` als einziger Agent ohne Netz. Drei unabhängige Gates:
1. **Landlock** verweigerte den Spawn von `start-agent.sh` (Pfad nicht in
`filesystem_policy.read_only`); Fix im Image (Commit `d36f334`).
2. **Binary-Identität**: Network-Regeln matchen `binaries[].path` exakt. Der
reale Interpreter ist `/usr/local/hermes/tools/…/python3.14`; die Policy
listete nur `/opt/hermes/…`. Fix `d431f6d`, Pfad-Reparatur `5d039ea`
(der erste Patch hatte den Pfad per `sed` auf `/opt/hermes/` gekürzt).
3. **Policy-Approval**: Der Gateway staged neue Endpoint-Namen
(`Policy DNS staged unapproved … for TCP policy review`). Default
`--approval-mode manual` hält jede Proposal im Review-Inbox; mit
`--approval-mode auto` wird `fleet-board-service` nach ~20 s gemappt
(`CONFIG:PUBLISHED … mapping_id=…`). Freigabe kommt **eine Runde später** —
der Heartbeat 11:09:36 scheiterte, 11:19:36 lief er, danach alle 300 s.
Endzustand: 9/9 Agent-Pods Running, 10/10 Fleet-Deployments ready,
`deadman_silence_seconds{agent="ceo"} 292` (< 300 s), alle
`deadman_alert_active` = 0. Der CEO arbeitet Tasks ab (u. a. die
Deadman-Eskalation seines eigenen Ausfalls).
Lehren: Sandbox-Diagnose nur über das Supervisor-Log (`ALLOWED`/`DENIED` mit
Pfad + Regelname); `kubectl exec` umgeht die Policy und beweist nichts.
Policy-YAML nie per `sed` erzeugen (Pfad-Trunkierung), `policy set` scheitert
auf laufender Sandbox an Bestandspfaden → `policy update`.
### Rollout v5.5 auf alle neun Agenten (02.11., 12:11–12:32)
Alle acht übrigen Agenten wurden migriert (`coo` als Pilot, dann `chro`,
`agile-coach`, `cmo`, `research`, `cto`, `devops`, `ciso`). Skript:
`~/workspace/fleet-rollout/{rollout-agent.sh,run-all.sh}`, Logs daneben,
Backups unter `~/fleet-workspace-backups/<agent>-<ts>.tgz`.
Ablauf je Agent: `tar czf` aus dem Pod → `openshell sandbox delete` →
`create … --approval-mode auto` → auf Ready warten → `kubectl cp` + `tar xzf
-C /sandbox --no-overwrite-dir` → Egress-Check. Dauer ~1–7 min/Agent, weil das
Bild nach dem ersten Pull auf den Nodes gecacht ist (Erstpull: 3 m 48 s).
**Recreate kostet den Workspace:** Der PVC hat einen OwnerRef auf die Sandbox und
wird mitgelöscht; der neue Sandbox erhält einen frischen `workspace-default--*`
PVC. Größen nach Restore deckungsgleich (cto 84 MB, ciso 117, devops 113,
research 38, cmo 30, agile-coach 8, chro 6, coo 1 MB).
**Egress-Freigabe ist ein zweistufiger, asynchroner Vorgang:** Nach dem ersten
Verbindungsversuch staged der Supervisor den DNS-Namen
(`Policy DNS staged unapproved … for TCP policy review`) und reicht selbst
Policy-Chunks ein (`add-rule allow_fleet_beacon_…`, `resolved_from:sandbox`).
Das Gateway gibt sie automatisch frei, solange der Prover-Delta leer ist
(`OCSF CONFIG:APPROVED … auto-approve, prover_delta:empty`, Policy-Revision
`Loaded`). Bis der Supervisor die neue Revision geladen hat, vergeht **ein
weiterer Heartbeat-Zyklus** — pro Agent also 5–10 min bis `hb ok`, mit
`--approval-mode auto` ohne jede Handarbeit.
Endstand: 9/9 Pods auf `013bfac8`, 9/9 `hb ok`, `deadman_alert_active` alle 0
(max. Stille 230 s), 10/10 Deployments ready, Quarantäne unverändert 64.
Offen in der Owner-Lane: 32 Tasks an `tower-owner` (nicht Agenten-Backlog).