121 KiB
title, category, status, created, updated
| title | category | status | created | updated |
|---|---|---|---|---|
| Agent-Fleet | systems | active | 2026-10-22 | 2026-10-29 |
Agent-Fleet (Multi-Agent-Plattform)
Projekt: Corporation-scale Agent-Fleet mit CEO+SRE-Team, Org-as-Code, zentralem LLM-Chokepoint und objektiver Telemetrie.
STATUS 25.10.2026: Iteration 1 (MVP, 7 Hermes-CTs 161/163/164/165/202/205/206) per Q8a-GO EINGEFROREN (Crons
.frozen-20261025, Protokoll/srv/fleet-board-freeze/auf PVE); Deprovisionierung erst nach Phase-1-Grün. Aktiv ist der Rebuild v2.5 (lebende Verfassung, Commit 391c9fa): 9 Agenten (ceo; cto/ciso/chro/coo/cmo unter ceo; agile-coach unter chro; research unter cto; devops unter cto) auf RKE2 (CP 10.0.30.51–53, Worker .63–65), Git-Truthiac-homelab/clusters/main/fleet-truth/org.yaml. Dieser Wiki-Abschnitt Iteration-1-Betrieb ist historisch (CTs, Poller, WebUI v0.x, B-Inputs, Chair-Ticks, Value-Streams) — Rebuild-Details siee Abschnitt „Fleet-Rebuild v2.5 (Phase 0)" unten.
NACHTRAG 01.11.2026 — vs-ual + sec-ops gemergt, Org-Quellen DRIFTEN: Merge-Kommissionen #9/#10 sind nach
maindurch (ArgoCD-Pfad, nicht HTTPS!):f6ef8e3..5af61ec, rein additiv, 3 Dateien/+118 Zeilen. Live belegt: Appagent-fleetSynced @5af61ecd…health=Healthy; ConfigMapbeacon-org-yamlenthältid: vs-ual(parent cto, caps 2/5, hrp-vs-ual-v1) undid: sec-ops(parent ciso, caps 0/0, hrp-sec-ops-v1);fleet-webui-orgmitgezogen (Org-Chart zeigt beide). ABER: Es gibt ZWEI Org-Quellen mit verschiedenem Schema —agent-fleet/beacon.yaml(Schemaid/caps, wird deployed, jetzt 10 Members) undfleet-truth/org.yaml(Schemaagent_id, deklariert sich als einzige Wahrheit fuer Struktur, 9 Members, ohne vs-ual/sec-ops, dafür MITagile-coach, das im Deploy fehlt). Kein Konsument der Truth-Datei im Repo gefunden. Kanon-Frage liegt beim Chair (Fail-loud-Mailownerlane-failloud-org-quellen-drift-2026-11-01.md); Truth-Datei wurde bewusst NICHT eigenmächtig nachgezogen. Status ehrlich: 10 Rollen definiert/deployt · 9 in der Truth-Datei · 0 neue Sandboxes (kein vs-ual/sec-ops-CT → kein Heartbeat,agents_upunverändert 7 → nicht 10 Agenten live melden). Clone-Gates unberührt: DI-6-Sequenzsperre + Clone-Window. PR-8 (research) und M1-Poller bleiben BLOCKIERT (Chair-Corrigenda: research-Stanza existiert mit caps 999/99; M1-Datei 3 misst 15.051 B/aff29d8c…≠ Pin 13.623 B/ee90f486…).
Fleet-Rebuild v2.5 (Phase 0, ab 25.10.2026)
BETRIEBSSTATUS 01.11.2026 15:55 UTC (gemessen) — KONZERN WIEDERBELEBT: Stillstand-Ursache war kein Defekt: in allen 8 CTs waren
<rolle>-heartbeat.timerundfleet-mail.servicedisabled(CT201/CT202 zusätzlichceo-heartbeat.timermasked); letzter Lauf 25.10. 18:39:45, letzter Poller-Stop 19:45:50. Nachenable --now: 7/7 Heartbeat-Timer + 7/7 Mail-Poller active, Heartbeats landen im 60-s-Takt infleet.heartbeats(Beleg 14:53:11–14:53:46Z). CT201 (research) bleibt dunkel: kein Bifrost-Key + kein research-Timer. Inagent-fleetlaufen weiterhin nur 4 Pods (pg, beacon, bifrost, fleet-webui) — die Agenten sind CT-Prozesse, keine K8s-Pods; das ist Soll, kein Mangel. VK-INVENTAR 18 → 15 (revoked:agile-coach,ceo,fleet; Rollback-Anker/home/debian/tmp/vk-inventar-vor-revoke-2026-11-01.json). Ist-Verteilung (Join über Key-Suffix): CT161 ceo=ceo-v2, CT163 cto/CT164 ciso/CT165 chro/ CT202 coo/CT205 cmo/CT206 devops = Legacy-Namen, alle HTTP 200. Die Rotation vom 24.10. ist nur für CEO vollzogen; die 6-v2-Keys sind nirgends installiert und ihr Klartext nicht mehr beschaffbar (Admin-API maskiertvalueauch beim Einzel-GET) → als Migrationsziel unbrauchbar, Neuaustellung nötig. Host-Hermes hat toten Keysk-bf-…a6a7(401) inconfig.yaml. ZWEI BEACONS:agent-fleet/beacon(LB 10.0.30.211, org aus ConfigMapbeacon-org-yaml=agent-fleet/beacon.yaml, 10 Rollen, empfängt die Heartbeats) vsfleet/fleet-beacon(nur ClusterIP 10.43.220.85:8000, org ausfleet-truth/org.yaml, 9 Rollen inkl. agile-coach; Appfleet= Progressing). Kanon für den Betrieb =agent-fleet/beacon.yaml; Befund als Kopfkommentar infleet-truth/org.yamlfestgeschrieben (Commita2fa75a), Datei bewusst NICHT gespiegelt (Schema-Divergenzagent_id/wave/alvsid/caps/hrProfileId). B3-Quarantäne gepurged (10 Dateien/308 K, danach 0). SEED-E2/E5/E6 + D-5: GO erging 24.10. („Go für alle Punkte"), Vollzug im Board nicht belegt. C1-Bind-Pin:config.yamlSOLLplatforms.webhook.extra.host: 10.0.30.230, IST lauscht Gateway-PID auf0.0.0.0:8644→ Pin wirkt am laufenden Prozess nicht; C2-iptables deckt ab (-A INPUT -s 10.0.30.0/24 --dport 8644 ACCEPT, RestDROP, reboot-fest). Ursache (Config-Key vs. Bind-Code) offen.
- Verfassung: Prompt v2.5 = lebendes Dokument (Q9b), Owner-GO 25.10. Kernfeatures 1–5 unabänderlich; ereignisgetriebene Starts statt Zeittakt; max. 26 Agenten; Handover an Org nach Phase-1-E2E (danach Chair read-only).
- Phasen: 0.1 Landlock ✓ · 0.2 Git-Truth ✓ · 0.3 CephFS ✓ · 0.4 OpenShell- Gateway ✓ (Chart 0.1.5, OIDC Authelia, Enforcement via grpcurl verifiziert) · 0.5 p0-image ✓ GRÜN (25.10. spät) · 0.6 Bifrost-VKs ✓ GRÜN (26.10.) · 0.7 Spool+Watcher ✓ GRÜN (26.10.) · 0.8 MCP-Facilities ✓ ALLE 4 GRÜN (26.10.) · 0.9 Sandboxes ✓ GRÜN (26./27.10., 9/9 Ready) · 0.10 Fleet-DB ✓ GRÜN (26.10.) · 0.11 Beacon ✓ GRÜN (26.10.) · 0.12 Deadman ✓ GRÜN (26.10.) · 0.13 Control Tower ✓ GRÜN (27.10., DOM-Smoke 23/23) · 0.14 E2E ✓ GRÜN (27.10. abends, 8/8 Kaskaden) → Phase 1 Onboarding.
- Value-Streams (31.10., Owner-Direktiven): Dauermmandate als VS im Board: vs-eigenentwicklung (Owner CTO) = eigenständige Weiterentwicklung des Fleet-Betriebs (card-to-operate: Idee→Bewertung→Bau mit FREIGABE+CISO-Review via deploy-facility→Review→Messung); Seeds vs-mandat/vs-retro/ vs-facility-cho-e2e (Facility-E2E notfall-runbook, grant 8c82f94e, CHO 03c73e24, tag tower-v0.2.1); Kick-off-Task 7b199415→CEO. vs-schoenkitchen (Owner CMO) = SchönKitchen-Produktentwicklung im Operating Mode; Seeds sk-ops-mandat/sk-e2e-regression/sk-feature-backlog/sk-weekly-pitch; Kick-off-Task c8561b4b→CEO. SchönKitchen-Push-to-Deploy verdrahtet: git push main → Gitea Actions (gitea-runner-0, NS schoenkitchen) → Image :latest+:sha → Deployment Recreate+Always-Pull+ArgoCD selfHeal; devops- Sandbox git.schoen.codes-Egress. Register-Konvention: Neue VS-Zeile via Board-PVC register.md (kein ArgoCD-Manifest), Karten via add_backlog_card (titel≤200, Score 1–10 je Dim).
- p0-image (0.5) final: Agent-Image
git.schoen.codes/dominik/hermes-agentTagfleet-v1= digestsha256:32eda4136f62ef15920f9414c30dd33e9c7736b53a6f02c1658b5584c45a41b7(1,07 GB; Basis nousresearch/hermes-agent digest-gepinnt + jq; Dockerfileclusters/main/fleet/agent-image/Dockerfile; gebaut auf mgmt-runner .124). - p1-image v5.1 (28.10., AKTUELL): Tag
fleet-v5.1= digestsha256:7f141019695cf38468c3930a0bf39523c09f0b0fad364364b1f7e4b74a23094d(Commits d60b7c0+55dcc9a+c0666eb). Fixes seit v5: (a) NAR-Verfahren (Owner-Mandat 28.10.): Netz-Freigaben über CISO-Antrag statt Scan- Improvisation — FLEET-POLICIES.md (ro im Image) + CISO-Triage-Kriterien- Worker-Tool-Prompt-Verweis;
to: tower-ownerNUR durch ciso und nurtype: escalation|fyi, kodiert in 3 Validierungsschichten (submit_task.py - CM-Kopie fleet-submit-task, watcher_main.py, board-service server.py),
E2E bewiesen (ciso→tower-owner durch, ceo geblockt); (b) Worker
Resume-on-Disconnect:
Gateway disconnectedstartet KEIN Re-Execute, sondern beobachtet die Session-DB bis 900 s und completed mit der finalen assistant-Nachricht — Turns laufen im Daemon weiter, Scan-Loops (RCA: 500m-Cgroup-Verhungern, IPC-Riss) sind der verbotene Auslöser; (c) reasoning_effort max + LLM_TIMEOUT 1800 s (aus v5 übernommen). Rollout 28.10. 19:0xZ: 9/9 recreate (Gateway-Restart vor Rollout — default_image wird erst bei Neustart gelesen), Digest je Pod verifiziert. Digest-Pin live in OpenShell-Values (sandbox.image.digest) + Prepuller-DSclusters/main/fleet/agent-image-prepull.yaml→ gateway.tomldefault_image→ ArgoCD Synced/Healthy. Board-Service 0.16 (Digest sha256:4ea9f7bf…, NAR-Lane + submit_task.py aus CM fleet-submit-task) - Watcher 0.16 (Digest sha256:77657260…) synchron gepingt. Pull-Secret
agent-fleet-registry-pullout-of-band im NS fleet (default-SA imagePullSecrets; nicht im Git). Push-Root-Causes + Runbook: siehesystems/gitea.md„Container Registry". SolDoc:docs/solutions/bug-fixes/2026-10-28-fleet-gateway-disconnect-scan-cpu-nar.md.
- Worker-Tool-Prompt-Verweis;
- OpenShell: NS openshell, Pod openshell-0, Helm-Chart ghcr.io/nvidia 0.1.5
digest-gepinnt; sandbox_image_pull_policy if_not_present; Workspace IMMER
/sandbox, UID 1000. Helm-Pitfall: gatewayConfig-Mapping mit EINEM quoted dotted
Key "openshell.gateway" (inline
values:, nie ArgoCD-parameters — dotted Keys brechen --set-Parsing, CrashLoop). - ArgoCD-Lektionen (wiederkehrend): dotted Keys nur inline
values:; nach Git-Push Root-App (app-of-apps) refreshen; Sync viakubectl -n argocd exec sts/argocd-application-controller -- argocd app sync <app> --core; org.yaml NICHT im ArgoCD-App-Pfad (CR ohne CRD blockiert Sync) → fleet-truth/. - Bifrost (Wiederverwendung Iteration 1): NS agent-fleet, VIP 10.0.30.210:8080,
App 2.3.1; 18 VKs live, davon 9 im Rebuild genutzt (s. Tabelle). EIN VK je Member
benannt
<agent_id>[-v<n>], Rotation-v<n>; Allowlist^(noris/)?vllm/release/.*,key_ids ["*"], deny-by-default. Abnahme je VK: Completion-Call 200 + Prometheus-Gegenprobe 10.0.30.202:9090.
p0-bifrost VK-Tabelle (26.10., live + Secrets in NS fleet)
| agent_id | VK | Modell (noris/vllm/release/…) | Secret |
|---|---|---|---|
| ceo | ceo-v3 | glm-5-3 | fleet-vk-ceo |
| cto | cto-v2 | glm-5-3 | fleet-vk-cto |
| ciso | ciso-v2 | glm-5-3 | fleet-vk-ciso |
| chro | chro-v2 | glm-5-3-flash | fleet-vk-chro |
| cmo | cmo-v2 | glm-5-3-flash | fleet-vk-cmo |
| agile-coach | agile-coach | glm-5-3-flash | fleet-vk-agile-coach |
| coo | coo-v2 | deepseek-v41-flash (reasoning_effort max) | fleet-vk-coo |
| devops | devops-v2 | deepseek-v41-flash | fleet-vk-devops |
| research | research | deepseek-v41-flash | fleet-vk-research |
- Secrets:
kubernetes.ioESO-ExternalSecrets ausclusters/main/fleet/vk-secrets.yaml(1P-Vault „Kubernetes ESO", ItemsAgent-Fleet VK <vk>, Feldpassword); Keysapi-key+key-name; ZieldateiFLEET_BIFROST_API_KEYdefiniert infleet-truth/bifrost-vks.yaml(Phase-0.9-Injektion). - Bifrost-API-Pitfalls:
POST /api/governance/virtual-keysverwirftallow_all_keys→ Key ohne Schlüssel (400 „no keys found"); Fix perPUT …/{id}mitkey_ids:["*"](PATCH = 405). Echte API nur unter/api/…(/api/v1/…= SPA-HTML 200!). Modellnamen brauchen Provider-Präfixnoris/. Reasoning-Modelle liefern beimax_tokens-Knappheit leeren Content → Smoke über HTTP-Status +usage.total_tokens. ESO-Defaults (conversionStrategy/decodingStrategy/metadataPolicy,deletionPolicy: Retain) müssen in Git gepinnt werden, sonst ArgoCD-Dauerdrift bei leerem Diff. - Offen (Owner-GO): 9 Alt-VKs (
fleet,ceo,ceo-v2,cto,ciso,chro,coo,cmo,devops) noch aktiv; 4 1P-Items mit 13-Zeichen-Platzhaltern (VK ceo (v2),coo (v2),cmo (v2),devops (v2)) löschen. - Solution Doc:
docs/solutions/integrations/2026-10-26-bifrost-virtual-keys-per-agent.md
p0-spool (0.7) ✓ GRÜN (26.10.) — Live-Facts
-
Deployment
fleet-spool-watcher(NS fleet, 1 Replika, Recreate, automountServiceAccountToken false, Labelfleet.noris.de/deadman-cascade: "true"). Imagegit.schoen.codes/dominik/fleet-spool-watcher— live 0.26 (01.11.2026): digestsha256:aeb6efc672feabde882ad0256ba8b459b7f348870dba06b94f6e5f8d5ad30beb(python:3.11-slim + pyyaml, non-root UID 1000, Kaniko-Podwatcher-build-026d; 026/026b scheiterten an TLS-CA bzw.BLOB_UPLOAD_UNKNOWN—--compressed-caching=false- frischer Pod loeste es).
Code:
clusters/main/fleet/spool/(submit_task.py, watcher/watcher_main.py, watcher/deployment.yaml, tests/smoke_test_local.py — 32/32 PASS).
- frischer Pod loeste es).
Code:
-
Watcher-Konfig: scan 10 s, WIP max 2 je to-Agent, Agent-Cooldown 30 s, Budget 2/Zyklus, global max 4 inflight, run_timeout 900 s; TASK_RUN_CMD default
hermes chat {input}(Platzhalter {input} {agent} {task_id}). -
CephFS-Fix: initContainer
spool-perms(busybox:1.36, root) legt_journal/ _runs/ _invalid/an + chown 1000:1000 — sonst PermissionError (CephFS-Root root:root vs. Watcher non-root). RWO/RWX-PVC-Mount /srv/fleet/tasks. -
E2E bewiesen: submitted→dispatched→run_started→run_finished, Status- Writeback ins Envelope; completed-Variante via touch-CMD, failed-Variante (exit 127) — beides im Journal + Envelope nachgewiesen.
-
Befehlsmuster: Toolbox-Pod
kubectl -n fleet run spool-e2e --image=python:3.11-slim- PVC-Mount per --overrides; Einreichung via
kubectl cp+kubectl exec -iheredoc; Watcher-E2E-Overrides NUR via Git (selfHeal reverts kubectl-Patches sofort).
- PVC-Mount per --overrides; Einreichung via
-
Watcher 0.25-Fix (01.11.): fyi-Tasks zählen NICHT mehr als offene Arbeit im Idle-Gate (
_open_task_count,maybe_fire.real_ready). Korrektur einer frueheren Fehlaussage: von 664 fyi waren 651completed— geblockt haben nur 12submittedfyi (+1 failed). Echte Arbeit zählt weiter,to=tower-owner(0.22) bleibt ausgenommen. Liveness nur über_journal/watcher.tick(mtime, 10 s) prüfbar — kein Startup-Log by design. -
Watcher 0.26 fyi-Retention (01.11.):
phase_archive()verschiebt fyi älterFLEET_FYI_ARCHIVE_DAYS(default 1, 0=aus) peros.replacenach_archive/(Move, NIE Delete; Unterordner ausserhalb des Scan-Globs), maxFLEET_FYI_ARCHIVE_MAX(250) pro Lauf, alle 300 s; Journalfyi_archived(task_id/file/to/status/alter_tage). Zwei Laeufe: 319 Dateien (alle fyi1 d), top-level 1574→1255; Rest 345 fyi, alle ≤1,0 d.
-
Spool-Bestand 01.11.: 1574 Envelopes, 664 fyi (651 completed), 34 submitted (24 tower-owner, 10 ceo).
-
ArgoCD-Sync-Blocker: Der
fleet-App-Sync hängt beiDaemonSet/fleet-agent-image-prepuller(8 desired / 7 ready, weil rke2-worker-05 NotReady ist). ArgoCD wartet auf Healthy und blockiert die gesamte Sync-Welle. Workaround: Soll-Zustand direkt perkubectl set imagesetzen (identisch zum Git-Pin) → App danachSynced; Root-Fix = Node-Availability (Parallel-Session) oder Sync-Wave entkoppeln.
p0-db (0.10) ✓ GRÜN (26.10.) — Live-Facts
- CNPG-Cluster
fleet-db(NS fleet, 1 Instanz, pg 16.4, ceph-flash 5Gi, healthy; App-Secrets via CNPG:fleet-db-appService fleet-db-rw:5432 DB fleet). Manifeste:clusters/main/fleet/db/(fleet-db.yaml, schema.yaml). - App-User
app_fleet= CNPG Managed Role (spec.managed.roles: login, connectionLimit 50, passwordSecret-Reffleet-db-app-user[username+ password]; KEIN superuser/createdb/createrole). Bootstrap-Ownerfleet(Secretfleet-db-ownerout-of-band) hat KEIN CREATEROLE — CREATE ROLE im Schema-Job schlägt fehl → Managed Roles sind der Weg. - 7 Tabellen (additiv, IF NOT EXISTS): members, org_snapshots, provisioning_events, sandboxes, trace_meta, heartbeats, gov_samples. heartbeats-Spalten: agent_id, status, task_id, ts, tok_in, tok_out, meta.
- Beweise: psql select count je Tabelle (Selftest), DROP-Negativtest
(verweigert für app_fleet),
SECRET_READBACK_OK, ArgoCD Synced+Healthy. - ArgoCD ignoreDifferences-Pitfalls (Commits 3931c63, 34179d4): K8s-1.35
status.terminatingReplicas(jsonPointers) + ~45 CNPG-Webhook-Defaults via jqPathExpressions in jq-Punktnotation (.spec.probes— Slash-Syntax failt im Diff-Normalizer; Wildcards[]nicht*). Solution Doc:docs/solutions/bug-fixes/2026-10-26-argocd-ignoredifferences-jq-syntax.md.
p0-beacon (0.11) ✓ GRÜN (26.10.) — Live-Facts
- Deployment
fleet-beacon(NS fleet, 1/1, digest55718277…), Code aus/home/debian/workspace/agent-fleet/src/beacon/(FastAPI, 14/14 Tests), deployt unterclusters/main/fleet/beacon/(app.py, deployment.yaml, containerPort 8000, sync-wave 6). Persistenz via Secretfleet-db-app. - 3 Root-Causes auf dem Weg (alle gefixt): (1) app.py liest
DATABASE_URL,envFrom: secretRefliefert aber nur Einzelkeys → healthz 503 (fail-closed). Fix:valueFrom.secretKeyRef{name: fleet-db-app, key: uri}(Commit f13c744). (2) Patch-Indent-Bug:name:neben statt untersecretRef→ ArgoCDComparisonError: envFrom[0].name: field not declared in schemablockierte den GESAMTEN App-Sync (Commit fe5cc10). (3)app_fleethatte Tabellen- aber keine Sequence-Rechte →permission denied for sequence heartbeats_heartbeat_id_seqbeim INSERT. Live-GRANT + Git-Fix in schema.yaml (GRANT USAGE, SELECT ON ALL SEQUENCES+ ALTER DEFAULT PRIVILEGES, Commit ca7660b). - E2E: POST /heartbeat ceo → 200 + DB-Row; unbekannter Agent → 422 (nicht 403 — Strict-Gate); /metrics counter + age-Gauge; TTL 3600 s.
- Sequence-Lektion: BIGSERIAL-PKs brauchen GRANT USAGE auf Sequences — Tabellen-Grants allein reichen nicht (gilt für alle künftigen Facility-Inserts).
p0-deadman (0.12) ✓ GRÜN (26.10.) — Live-Facts
- Deployment
fleet-deadman(NS fleet, 1/1, sync-wave 7, digestsha256:f700e772dc434af15b9d88330cbe7e3392332d5c753e1b29ce955331e55e267e— v2 „coldstart-fix", Pod fleet-deadman-68cb6d9f6f-*), Codeclusters/main/fleet/deadman/{deadman_main.py, Dockerfile, deployment.yaml}. Image python:3.11-slim + pyyaml, KEIN LLM, kein hermes (bewiesen:NO_HERMES, pip list = stdlib+PyYAML), non-root UID 1000,/metrics+/healthzauf 8100, readiness/liveness tcpSocket. Board-PVC rw gemountet (FLEET_BOARD_DIR). - VIER Kaskaden (§3.5, v2): Agent-Silence 1800 s (Quelle Beacon
/metrics→beacon_last_heartbeat_age_seconds), Watcher-Tick 180 s (_journal/watcher.tickmtime), Bifrost-Gateway 120 s anhaltend (/health), Beacon-Unerreichbarkeit fail-closed (EINbeacon-Alarm, KEINE 9 Fake-Alarme; Zustand unbekannt ≠ Stille; kein Heal bestehender Alarme). Edge-Trigger: ein P1-Eskalations-Task je OK→ALARM an ceo; Heilung löscht den Alert (GEHEILT-Log), kein Task-Spam. - Cold-Start-Semantik (Fix 26.10.): Agent OHNE je gesehenen Heartbeat
= pending (KEIN Alarm; Metrik
deadman_agents_pending). ALARM erst wenn Heartbeat da WAR und dann 30 min still. Begründung: Phase-1-Agenten senden noch keine Heartbeats — 9 Fehlalarme ab Tag 1 wären Spec-Verstoß. Unit-Test bewiesen: Cold-Start → 0agent:*-Alarme; Heilung → RESOLVED. - DEADMAN-ALARM.md (Board-PVC, HITL-Kanal §3.5): je Ursache EINE
[AKTIV]-Zeile, Zustandswechsel-Updates statt Spam, Heilung schreibt[RESOLVED]in den append-only-Verlauf; temporäre Datei + os.replace (atomic). Schreibfehler = Log, nie Crash (Task+/metrics bleiben primär). - Metrics: deadman_silence_seconds{agent}, deadman_alert_active{source}, deadman_agents_pending, deadman_beacon_ok, deadman_watcher_tick_age_seconds, deadman_gateway_ok, deadman_last_scrape_age_seconds, deadman_up.
- Live-Beweis (26.10.):
agents_pending 8,beacon_ok 1, keineagent:*-Alarme, Watcher-Tick 6 s; Board-rw (touch-Test) OK. - Validator-Konflikt (kritisch): submit_task.py UND watcher_main.py
erlaubten from/to nur aus der 9er-Org → Deadman-Tasks wären quarantäniert.
Fix:
VALID_SYSTEM_SENDERS=["deadman-watchdog"]/SUBMIT_SYSTEM_SENDERS, nur als Absender, nurtype=escalation,tobleibt 9er-Org. Envelope-Feld heißtbody(Watcher-Whitelist REQUIRED_FIELDS + KNOWN_OPTIONAL_FIELDS = reply_to|requires_ack|agent_card_ref|thread_id|topic|body;input→ Quarantäne). Beweis: 9/9 Tasks durchvalidate_schema_loose. - Watcher v2 (digest
sha256:e7bc819cf8b83ba64d0f4494972f812422b786e11dc73d396e0c9ac3f7ed36a8): schreibt_journal/watcher.tick(epoch-int, fsync) je Zyklus als Liveness-Signal; System-Sender-Whitelist. - E2E live: 8 Agenten ohne Heartbeat → 8 Alarme (ceo korrekt aus, hatte
Heartbeat); Gateway 0, Watcher 0. Watcher-Kaskade bewiesen: replicas 0
(via Git, Commit-Historie) → Tick 105→300 s → bei 196 s ALARM + Task
ac15c65b→ replicas 1 →GEHEILT watcher, alert 0, Tick 3 s. - ArgoCD-Job-Immutabilität (neue Lektion):
fleet-db-schemaJob blockierte JEDEN App-Sync („field is immutable";Replace=truescheitert an fehlendem selector). Lösung: Job als PostSync-Hook (argocd.argoproj.io/hook: PostSynchook-delete-policy: BeforeHookCreation) → nicht getrackt, konvergiert idempotent bei jedem Sync. Commit 077c5c8.
- Grenze des Kill-Tests:
kill -STOP 1im Pod wirkt NICHT (PID-Namespace-Init ignoriert Signale ohne Handler, kein CAP_KILL) — Kaskadentest deshalb über Git-replicas, nicht über Signale.kubectl scalewird von ArgoCD selfHeal binnen ~3 min revertiert → Overrides IMMER via Git.
p0-mcp (0.8) ✓ ALLE 4 FACILITIES GRÜN (26.10.) — Live-Facts
- Baukasten: alle 4 Facilities nach demselben Muster (mcp==2.3.0,
MCPServer+run(transport="streamable-http", stateless_http=True), tcpSocket-Probe — httpGet auf /mcp = 406, sync-wave 5, Recreate, automountServiceAccountToken false, deadman-cascade-Label, UID 1000, Digest-Pins). Vorlage:clusters/main/fleet/mcp/org-registry/. Solution-Doc:docs/solutions/architecture/2026-10-26-fleet-mcp-facility-baukasten.md. - 1/4 org-registry (digest
sha256:dc3f53e2f57e91ba5796426046cbda08c51c4f832103f9ee028bd9ae6949913e): Tools list_members/get_member/health aus org.yaml (CM fleet-org-truth, Datei-Mount, fail-loud SystemExit 2). In-cluster E2E 9 Agents. - 2/4 board-service (digest
sha256:6bf3890e227f46776b2d84fc9da69cbf32de3217056ea18d9f705a85c6d44d9a, Commit beb85d5, 27.10. ToolError-Fix): 9 Tools (add_backlog_card, add_release_note, get_backlog, get_kanban, health, list_value_streams, move_card, submit_task, submit_owner_task); Single-Writer aufs Board-PVC, Spool-Submit. 27.10. Fix: alle 54 Validierungen raisen jetztToolErrorstattValueError— das MCP-SDK verdeckt bei non-ToolError die Message (Agent sah nur "Error executing tool", CEO verbrannte 40 Iterationen blind, Task failed). Limits jetzt in Tool-Docstrings: eintrag≤500, titel≤200, body≤8000, thread_id nur bei type=chat. Live-Verify 27.10.: >500-Call liefert lesbare Meldung. Solution-Doc:docs/solutions/bug-fixes/2026-10-27-mcp-server-toolerror-statt-valueerror.md. - 3/4 telemetry (digest
sha256:601435d3ca1fb84e6ccc4f05c97e201cbc066560e2729531267025c33e12bba7, Commit aec669d): Tools query_prometheus (NUR GET, PromQL frei), get_agent_tokens (9 Default-VKs, rate[2m] in+out), get_beacon_status (Heartbeat-Age je Agent), health. E2E 6/6 in-cluster + fail-loud (kaputtes PromQL → isError true). Prometheus/Beacon-ENV konfigurierbar. - 4/4 provisioning (digest
sha256:fa39b7cd3abd99158e9de5918507ea4d75a9596740c5e70f656b378cf54fd4b1, Commit f07c7d0): Tools validate_hire (Pflichtfelder + member_id-Doppelt- ausschluss + A16-Vote-Datei im Board-PVC + CISO/CHRO-Gates → ok/fehlerliste), record_provisioning_event (INSERT provisioning_events, psql-bewiesen event_id=1), get_sandbox_status (Strict-Gate: member_id ∈ org.yaml sonst isError;none= noch nicht provisioniert), health (DB-Connect). Gateway-Call STUBBED (provision_sandbox_stub → NotImplementedError, Aktivierung 0.9 laut sandbox-design.md). Board-PVC RO + initContainer board-perms chown. envFrom fleet-db-app: Keys heißen user/password/host/ port/db (NICHT DB_USER — ENV-Name = Secret-Key!). - E2E-Muster (wiederverwendbar): Test-Skript als ConfigMap + python:3.11-alpine-
Pod mit --overrides-Mount; RPC via POST +
Accept: application/json, text/event-stream, letztedata:-Zeile parsen. python:3.11-alpine hat KEIN kubectl — Board-Test-Dateien vom Host via kubectl exec anlegen.
p0-tower (0.13) ✓ GRÜN (27.10.) — Live-Facts
- Fleet Control Tower = Fork
dominik/openshell_controller(Upstream nemo-shell-dashboard), Next.js 15 Custom-Serverserver.mjs(kein standalone), ns fleet, Podfleet-tower-…-bsc2p1/1 auf rke2-worker-03. Imagegit.schoen.codes/dominik/fleet-tower@sha256:0ddad26520e9d4345012b814 588117ac03fdeb8c0f2094a90e70dfff34f2e9d2(Git==Live verifiziert). 5 Kernfeatures: Org-Chart (tok/s, Inbox, Heartbeat), Message-Feed (Journal, Epoch-Cursor), VS-Kanban, Owner-Kanäle (Idee→Backlog, VS→CEO-Task, CEO-Chat-Threads), Escalation-Historie. 7 API-Routen/api/fleet/*, force-dynamic no-store; Import@/app/lib/fleet/fleetSource(nicht@/lib/…— tsconfig@/*→./*). 29.10.: Tower 0.15 (Digestsha256:00a82fefd1e350b73ae2f1ed288dbf71e04 c719b7b39be96cd314c6a11878854, Commit4ecb30e) = fleet-native Sandboxes-View (/api/fleet/sandboxes→ read-only PromQL gegen kube-state-metrics, NS openshell, Podsdefault--<agent>; 9/9 Running, node/cpu/mem/restarts/image_digest/heartbeat_age). Upstream-Views (Sandboxes/Settings/MCP/Wizards) sind tot (brauchen openshell-CLI auf dem Tower-HOST) — Option „fleet-native View" vom Owner gewählt; Wizards/Create bewusst NICHT (Creates laufen über Provisioning-Pipeline). - ⚠️ 29.10. Traefik-Regression (behoben): ArgoCD-
proxy-Sync 28.10. 22:21:53 (Rev4ecb30e) fiel mit Helm-Release #96 zusammen, das OHNE HelmChartConfig-Werte rendert (keine internen EntryPoints, kein allowCrossNamespace) → Tower (.213) + fleet-webui (.212) down, Pods trotzdem 1/1 Ready. Fix: Kommentar invaluesContent(Hash-Änderung) → Release #97 mittower-internal:8445/web-internal:8001/websecure-internal:8444; verify: 200 von 10.0.20.92, 403 von VLAN 30. Merksatz: nach jedem proxy-App-Synchelm get values rke2-traefikprüfen;rc=7= VIP announced/Port zu, Timeout = VIP-Problem. SolDoc: bug-fixes/2026-10-29-traefik-interne-entrypoints-nach-argocd-sync-verloren.md - Exposure: VIP 10.0.30.213 (Cilium LB-IPAM, dedizierter LB-Service
traefik-tower-lb, port 443→targetPort 8445, entryPointtower-internal:8445 — neu inclusters/main/proxy/rke2-traefik-helmchartconfig.yaml), IngressRoute PathPrefix/+ ipAllowList (10.0.20.0/24 + 10.0.40.0/24 + 172.16.0.0/24, VLAN 30 bewusst ausgesperrt), TLS fleet-tower-tls (Interim-CA bis 24.01.2027, CN tower.schoen.codes).externalTrafficPolicy: LocalPFLICHT für ACL (sonst SNAT). ingressClass-Annotations PFLICHT (sonst still ignoriert, PAT-017). Kein DNS-Record tower.schoen.codes → Owner-Zugang per VIP-IPhttps://10.0.30.213/(ohne Portangabe! :8445 ist nur der Container-Port; Cert-Warnung wegklicken). - Single-Writer: Tower schreibt NIE auf Spool-/Board-PVC; Owner-Inputs
via board-service MCP-Tool
submit_owner_task(from=tower-owner, type ∈ {chat,build}; chat⇒thread_id+topic Pflicht, build⇒thread verboten; body ≤8000; kein Escalation-Spoofing). Tower liest Spool/Journal RO. - DOM-Smoke 23/23 PASS (scripts/dom-smoke.mjs im Pod, TOWER_URL=Pod-IP — Custom-Server lauscht auf os.hostname(), NICHT 127.0.0.1): Shell+CSP+ nosniff, 9 Agent-Karten mit tok/inbox/hb, Messages ≥10 (200 geliefert), Kanban 4 Spalten+1 Karte, Escalations, Owner-Chat, Next-Assets.
- Abnahme-Status: werkzeugseitig GRÜN (23/23 + 5/5 API 200). Offen: Owner-G1-Browsertest aus erlaubtem Segment (10.0.20/24 oder WG) — aus 10.0.30.x design-gemäß 403.
- Solution-Doc:
docs/solutions/tooling/2026-10-27-nextjs-custom-server-docker-build.md(Builder-Toolchain node-pty, UID 1001, Child-Prozesse, Hostname-Binding); Evidence-Updates in Gitea-Push- + ingressClass-Docs; PAT-017.
p0-e2e (0.14) ✓ GRÜN (27.10. abends) — Abnahme-Evidenz
- Owner-Kanäle: Idee→Backlog via Tower-API (Karte e2e-014-owner-idee, score 16, ursprung=owner, physisch im ideen-register.md); Duplikat/Invalid/ Pflichtfeld fail-loud (500/500/400). Neuer VS→CEO-Task a295dc32 (type=build, P2, from=tower-owner, Spool-File+Journal accepted bewiesen); Validierungen 400 (topic Pflicht, >200 Z.). Chat: Thread e2e-thread-014 mit Owner-Frage + CEO-Testantwort (manuell gelegt, uuid4-Gate!) gerendert über GET /api/fleet/owner/chat — §8-Kriterium erfüllt.
- Beacon Strict-Gate: ghost→422, devops→200, psql-Zeile sichtbar.
- DB-Selftest: 7 Tabellen via app_fleet; DROP verweigert („must be owner"); NOTE: app_fleet ist DML-Rolle — DELETE geht DURCH (Vorfall: heartbeats geleert, durch 9 Repair-Heartbeats wiederhergestellt, Alt-Alarme RESOLVED).
- Deadman: pending 9→0 nach Heartbeats; Watcher-Kill-Kaskade E2E-7 vollständig bewiesen: Git-replicas 0 (f9cbde2) → ALARM 18:28:43 (tick 234 s > 180 s) → Escalation-Task 935b3d3e (P1, to=ceo) im Spool → Restore (c5f26af) → RESOLVED 18:30:43. Landlock 8/8 Nodes via SSH (kubectl-debug-Pfad blockiert TTY — nicht als Kriterium prüfen).
- Produktionsbug gefunden+gefixt (992cdfb): tower-owner fehlte in VALID_SYSTEM_SENDERS (Typ-Map allein wirkt nicht — Gate 1 weist zuerst ab); Fix an Disk + CM-Embed (EMBED==DISK). Board-service+watcher Images neu gebaut+gepinnt (69e806a5/92b1470b, 89ed639) — waren 0.8/0.7-stale. SolDoc: bug-fixes/2026-10-27-tower-owner-sender-whitelist-zwei-gates.md.
- Abschluss: 8 Deployments 1/1, ArgoCD fleet+proxy Synced/Healthy, Sandboxes 9/9 Running. Phase 0 KOMPLETT — Phase 1 (Onboarding) ist frei.
Repos & Struktur (Iteration 1 — historisch)
- agent-fleet (Gitea, lokal
/home/debian/workspace/agent-fleet): Org-YAML, Beacon-Scaffold (src/beacon/), Pläne (docs/plans/2026-10-22-agent-fleet-phase0.md, inkl. Bifrost-Pivot-Vermerk — LiteLLM-Abschnitte A3/A4 sind superseded). - iac-homelab (
/home/debian/iac-homelab, Remotecanonical= SSH): K8s-Manifeste. Push viagit push canonical HEAD:main(HTTPS-Auth defekt).
K8s-Basis (Namespace agent-fleet)
- ResourceQuota: 8 vCPU / 16 Gi (CNPG belegt ~250m/512Mi Requests).
- CNPG
agent-fleet-pg(Postgres 17.x): Ready, Hourly-Backups. DBfleetfür Beacon-Heartbeats (Tabellen heartbeats, gov_samples — Schema liegt im Beacon-Repo). - ArgoCD-Apps:
agent-fleet(Root-App für den NS, Synced/Healthy) undagent-fleet-bifrost(Helm, sync-wave 2).
LLM-Ingress: Bifrost (A3', produktiv)
- maximhq/bifrost, Helm-Chart 2.1.45, app v2.3.1, StatefulSet
bifrost-0, NS agent-fleet, LoadBalancer-VIP 10.0.30.210:8080 (cilium lb-ipam). - SQLite-Store auf ceph-flash PVC 5 Gi (Bifrost-Konzern, getrennt von CNPG-fleet).
- Provider
noris: custom provider,base_provider_type: openai,base_url: https://ai.noris.de, Key viaenv.NORIS_API_KEY← ESO-Secretbifrost-noris-key← 1Pnoris-api-key(Feldcredential, NICHT dupliziert). - Admin-API: Basic Auth (ESO-Secret
bifrost-admin← 1PAgent-Fleet Bifrost Admin), Routen/api/governance/virtual-keys[/{id}],/api/keys,/api/providers. ACHTUNG: unbekannte Routen → SPA-Fallback mit HTTP 200 (nur application/json ist eine echte Route). - Governance: Plugin aktiv, VK
vk-fleet(Namefleet), Headerx-bf-vk. Policy (Nutzer-Regel 22.10.): nurvllm/release/*-Modelle — kein qsu-Kanal, keine Anthropic-Modelle. Kodiert als Regex-Allowlist^(noris/)?vllm/release/.*inprovider_configs[].allowed_models, deny-by-default (keinallow_all_providers). Kein Budget-Cap (Amendment A10). - Telemetry: Plugin aktiv,
/metricsauf dem Haupt-Port hinter Auth → ServiceMonitorbifrost(NS agent-fleet!, Labelrelease: monitoring) mit basicAuth gegenbifrost-admin. Prometheus-Target UP. - VK-Wert in 1P-Item
Agent-Fleet Fleet-vkey(Vault Kubernetes ESO, Feldcredential). Bifrost regeneriert das VK-Secret bei Config-Änderungen NICHT — 1P-Referenz bleibt über Rollouts stabil.
1P-Items (Vault „Kubernetes ESO")
| Item | Zweck | Feld(er) |
|---|---|---|
Agent-Fleet Bifrost Admin |
Dashboard/Admin-API | username, password |
Agent-Fleet Bifrost Encryption |
DB-Verschlüsselung | key |
Agent-Fleet Fleet-vkey |
VK vk-fleet für Agenten |
credential |
Agent-Fleet PG Owner |
CNPG owner | (siehe CNPG) |
noris-api-key (bestehend) |
Upstream-Key ai.noris.de | credential |
Beacon (B1+B2, PRODUKTIV seit 22.10.)
FastAPI-Heartbeat-Service: POST /heartbeat (Org-Gate), GET /metrics
(beacon_heartbeats_total, beacon_last_heartbeat_age_seconds{agent},
beacon_agents_up ≤120s), GET /healthz. 10 Tests grün (Review APPROVED,
Important-Fixes committed b3b4b9f).
- Deploy: iac-homelab
clusters/main/agent-fleet/beacon.yaml+beacon-registry-pull.yaml(ESO ← 1PSchoenKitchen Registry Pull, dockerconfigjson für git.familie-schoen.com). Deploymentbeacon1 Replica (100m/128Mi), Service ClusterIP :80, ServiceMonitorrelease: monitoring. - Image:
git.familie-schoen.com/dominik/beacon:{SHA,latest}(CI-Workflow build+push; Registry-Push via dind-Daemon verifiziert — CI-Run 94 flakte am größten Blob, manuelles docker push aus demselben Daemon ging sofort). - DB: schema.sql auf CNPG fleet angewendet (heartbeats, gov_samples — inkl. task_id/tok_in/tok_out, die im Original-Schema fehlten).
- E2E (22.10.): healthz 200 · hb ceo 200 → PG-Row · hb intruder 403 (Strict-Org-Gate live) · Prometheus-Target UP.
- org.yaml-Seed als ConfigMap
beacon-org-yaml(Genesis W0/W1: ceo, cto, ciso, chro) — Quelle: Phase-0-Plan Task E1.
CEO-Sandbox (Genesis W0, 22.10. — A15/ADR-018)
- CT 161
ceoauf ms-a2-1, IP 10.0.30.162 (VLAN 30), 4 vCPU/8 GB/ 20 GB rootfs aufvm_disks(Regel: Agent-CTs ≈ 20 GiB — Zahl hinter:ist GRÖSSE, nicht VMID; 161-GiB-Fehlcreation wurde destroyed+neu gebaut). Blueprint: CT 160 (fleet-control); Provisionierung via PVE-RESTpvesh, SSHroot@10.0.20.92+pct push/exec 161. - Harness: Hermes (Installer NousResearch) im CT; config.yaml mit Provider
bifrost→http://10.0.30.210:8080/v1, VK literal inline (keine Env-Expansion!), Modellnoris/vllm/release/glm-5-3. Inferenz via Bifrost verifiziert (9× POST /v1/chat/completions 200 im Bifrost-Log). - Herzschlag:
/usr/local/bin/ceo-heartbeat.shvia systemd-Timerceo-heartbeat.timer(60 s, Persistent, oneshot-Service fail-loud); Task-ID aus/var/local/fleet/last_task_id, Defaultidle; BEACON_URL=http://10.0.30.211. Verifiziert: Rows inheartbeats(task_id board-w1-memo) + Prometheus. - Identität:
/root/fleet/CHARTER.md(Mandat: Board aus kritischen Gegenspielern + Lead-Hiring),/root/.hermes/memories/USER.md(Owner-Profil),/root/fleet/spec.md(v5.1-Stand),/root/fleet/org.yaml(= ConfigMap beacon-org-yaml). Kopien im Repo:genesis/. - W1-Memo:
/root/fleet/board/memo-2026-10-22-board-w1.md(205 Z., MEMO-2026-10-22-W1): Board-Roster CTO „Occam"/CISO „Hadrian"/CHRO „Diogenes" mit Blindspot-Zuordnung, W2-Lead-Sequenz (VS-Lead UAL → sq-sw-dev → sq-design → sq-ea), Dissens-Protokoll, Caps-Check. Liegt zur Genehmigung beim Owner.
Board-Sandboxes W1 (23.10. — A16/ADR-019)
- CT 163
cto(Occam, 10.0.30.163) · CT 164ciso(Hadrian, 10.0.30.164) · CT 165chro(Diogenes, 10.0.30.165) — Vollklone von CT 161 (Snapshotw1seed, danach gelöscht) inkl. komplettem Hermes-Stack; danach sanitisiert (state.db, sessions, kanban, gateway-State, spawn-ledger entfernt — Klone „erinnern" sich nicht, CEO zu sein) und mit eigener Identität versehen (CHARTER, USER.md, Kickoff). - Mandate: CTO = Technology (Mission #1: Hiring-Pipeline + Parent-Orphan-Test, Governor-Baseline; Gegenspieler B1/B2/B6) · CISO = Security (Preset-Matrix, Audit-Chain, Threat-Modell der Org selbst; Gegenspieler B1/B4; Self-Disclosure-Pflicht für die eigene Sandbox) · CHRO = People (HR-Profil-Veto persönlich bis HR-Agent existiert, Bedarfs-Gate, Caps-Wächter; Gegenspieler B3/B5).
- Betriebsregeln für alle: Inferenz nur via Bifrost (VK inline), Heartbeat 60 s → Beacon mit eigener agent_id, Dissens-Protokoll BLOCK/CONCERN/NOTE/CONSENT mit Eskalationsleiter, Fail-loud, NICHTS löschen ohne Freigabe, keine Auto-Mails.
- Ghost-Heartbeat-Zwischenfall (23.10., behoben): Klone erbten CEO-Timer +
last_task_id— feuerten ~7,5 h alsceo(1.438 Rows). Bereinigt per Timer-Phase-Clustering (308 echte CEO-Rows im Fenster erhalten), Member-Timer ersetzt CEO-Units. Pitfall für alle zukünftigen Klone: systemd-Timer + State-Files im Snapshot mitdenken. - Hiring-Governance A16: W1 hiret der CEO allein; ab W2 hiret das Board kollektiv (Decision Item, Mehrheit; Patt → CEO-Eskalation zum Owner). Worker-Sandboxes ab W2 Slim-Sizing 2 vCPU/4 GB; Backup sekundär.
- Owner-Delegation A17 (24.10., Direktive „Ich möchte keine operativen Pläne freigeben müssen"): Operative Pläne + Umsetzungsentscheidungen genehmigt der Konzern selbst (CEO/CTO-Lane im A16-Vote), KEINE Genehmigungsanfragen an Owner. Owner-GO bleibt NUR für destruktive Operationen + strategische Entscheidungen (Zaun-Änderungen, Gremien, Budget). Grauzone: destruktiv → Owner-GO; im Zweifel nicht-destruktiv → Konzern. CISO-Gates/Vetos unberührt. Zustellung 1792824363.
- W1-Onboarding-Memos GELIEFERT (23.10., 06:30 UTC): CTO →
memo-2026-10-22-cto-pipeline.md(Hiring-Pipeline-Plan D1–D4, Owner-Bedarfsliste B1–B7, Pipeline-Go-Ziel 26.10.) · CISO →memo-2026-10-22-ciso-baseline.md(Preset-Matrix DI-1, Audit-Chain/Sampling DI-2, Threat-Modell T1–T5, Self-Disclosure DI-4) · CHRO →memo-2026-10-22-chro-w2-profiles.md(W2-Lead-Profile Staffel 1/2, Scorecard ≥10/12, Caps-Matrix, Attention-Budget). Alle im Repogenesis/(Commit901f3ac, Gitea gepusht) und per Stopgap ins CEO-Board-Verzeichnis verteilt. Heartbeats verifiziert: je Member eigene Task-ID (cto-pipeline-plan-memo, ciso-memo-…-baseline, chro-memo-…-w2-profiles).
Board-Kanal & Fleet-Mail (23.10., Interims-Kommunikation bis Control Tower)
- Fleet-Mail (Herzstück der 24/7-Autonomie): Host-Verz.
/srv/fleet-mailmitinbox-<agent>/{new,processed}je Agent (ceo/cto/ciso/chro), viapct set <ct> -mp1 /srv/fleet-mail,mp=/mnt/fleet-mailin alle 4 CTs gemountet (2777). Nachrichten = MD-Dateien<epoch>-von-<agent>-<thema>.mdmit From/To/Subject-Kopf; Mailboxen allseitig beschreibbar. - Poller: systemd
fleet-mail.serviceje CT (Restart=always) →/usr/local/bin/fleet-mail-poller.sh <agent>: v3.7 (25.10. früh) — v3.6.2 + SILENT-ACK-KONSUM (Chair-Direktive COMMUNICATION-STOP 25.10.): Reine Quittungs-Mails (ACK/Konsum-/Corrigenda-Ketten, Dateiname- Muster*ack*|*quittung*|*ok-already*|*konsum-*) werden vom Poller selbst erkannt (is_ack_chain) und STILL konsumiert (mv → processed/), OHNE Subagent/LLM-Call, OHNE Antwort-Mail. Behebt die Quittungs-Kaskade (ACK-of-ACK-Perpetuum-Mobile, 25.10.: Zustrom ~179 Mails/h ≈ Abfluss → Backlog stagnierte; CEO 44 Mails obwohl chro 26→3 gedreht hatte). Kein Datenverlust: Archiv bleibt lesbar, Backfill-Verbot unberührt; Ausnahmen: Corrigenda mit aktiver Frage/Freigabe im Subject + Absender verlangt ausdrücklich Antwort → normal verarbeitet. Vor Deploy Mock-Klassifikation am echten Backlog: 27/43 CEO-Mails korrekt als terminal erkannt, 16 regulär. EVIDENZ: Zustrom nach Deploy −88 % (179/h → 11/30 min), CEO 43→12, CTO 72→26, CISO 52→30 binnen ~80 min. Design-Entwicklung aus der Triage-Failserie: v3.4 (Retry+Gateway-Wait+K=3), v3.5 (Chunks à 15 + Mini-Prompt head -c 150 + Fail-safe P2), v3.6 SLOTGUARD (Triage feuert nur bei <K laufenden hermes-Calls; Waisen-timeout 1500-Kinder überleben Restart), v3.6.1 NUMMERIERTE TRIAGE (Modell antwortet nur<Nr>=P<n>; Poller mappt lokal auf Dateinamen zurück — Output-15×- Reduktion), v3.6.2 (TTIMEOUT=900 s: Triage darf auf freien vLLM-Slot warten + TRIAGE_CAP=900 s Phasen-Kappe → bei Sättigung sofort verarbeiten statt endlos priorisieren). ROOT CAUSE der Failserie: NICHT Prompt-Größe/Encoding (beides widerlegt), sondern vLLM-Slot- sättigung — Subagenten belegen Sequenzen 8–15 min; Triage-Requests stehen in der vLLM-Warteschlange bis zum Timeout. Subagent je Mail (timeout 1500 s, K=3), Archivierung nur bei RC 0 (memory-Guard v2). Unit-ExecStartPre killt verwaistehermes chat/gateway run(Zombie- Gateway-Syndrom 24.10., s. Solutions 2026-10-24). DIAGNOSE: Journal nach syslog-TAGjournalctl -t fleet-mail, NICHT-u; Zustand:cycle <agent> n=… chunks=X/Y p1..p4=…(X=getriagt, Y=davon OK). Fleet- Erstanlauf nach Restart: erste Triage fastfail rc=1 (Gateway-Race) → Retry deckt ab. Deploy IMMER gestaffelt (Thundering Herd auf Bifrost); Restart killt Waisen-Subagenten via pkill "timeout 1500". - Mailprompt v2
/root/fleet/mailprompt.txtje Agent (25.10.): Zeile 1 agent-spezifisch („Du bist ()…"), Kontext CHARTER/spec/org, dann COMMUNICATION-STOP-Regeln (bindend, Chair-Direktive 25.10.): (1) Reine Quittungen (ACK/Konsum-Quittung/ok-already/Corrigenda-zu-ACKs) sind TERMINAL — still konsumieren, KEINE Antwort, auch keine Meta-Quittung; (2) Ausnahme: Absender verlangt Antwort oder Fehler zu korrigieren; (3) max. eine Dialogrunde, dann Konvergenz; (4) terminale Quittung ins eigenes run.log, nicht in fremde INBOX. Kaskadenstopp-Hebel 1 von 2. (Roster, Antwort in Absender-INBOX, Alle-an-Alle erlaubt, CEO-only für Digests an Owner), Dissens-Klassifikation, A16-Board-Kollektiv. Deploy 25.10.: base64-Transfer + je CT ERST dekodieren, DANN %AGENT%/ %ROLE% substituieren (Pitfall: sed auf base64 substituiert nicht); Verifikation stop-section=1 terminal-rule=1 auf allen 7 CTs. - Board-Board:
/srv/fleet-board(mp0) —/digest-*.md(CEO-final),challenges/,inbox/. Owner liest dort freizügig. - Kadenz (A7):
/etc/cron.d/fleet-meetingim CEO-CT — werktäglich 09:00 Europe/Berlin (CT-Zeitzone Europe/Berlin gesetzt, DST-safe) → Trigger-Nachricht in inbox-ceo/new → CEO fährt Meeting autonom über Fleet-Mail. - SC6-Watchdog: Hermes-Cron
b28227374068(monitor-Modus, Mo–Fr 08:20 UTC = 09:20 Berlin), Script~/.hermes/scripts/fleet-digest-watch.sh, deliver=all — Alert nur wenn Digest<date>-final.mdfehlt oder fleet-mail inaktiv (OK = deterministisch, still). Board-Meeting #1 (23.10.) lief vollautonom in 13 min: r1-Digest → 5 Challenges → Final-Digest (F-1–F-11, alle Board-GO 4/0, Artefakte im Repogenesis/board-2026-10-23/, Commit0917144). - Gotcha Detach:
nohup hermes chat &starb lautlos (Exit ohne Log) — niemals Detach-Runs der Members bauen; serielle Nachrichtenverarbeitung über den systemd-Poller ist der stabile Weg.
Konventionen & Regeln
- Fleet-Standard-Modelle:
noris/vllm/release/*. Model-Split 25.10. (Owner- Direktive „Last verteilen auf glm5.3, glm flash und deepseek"): CEO/CTO/CISO =glm-5-3(Reasoning-lastig) · CHRO/CMO =glm-5-3-flash· COO/devops =deepseek-v41-flash. Pinned viamodel.defaultje CT-Config (/root/.hermes/config.yaml), Backups.bak-model-split-20261025. PITFALL DeepSeek: V4.1 akzeptiert Hermes' Default-reasoning_effortnicht („must be low, high, xhigh, max or integer [1,100]") → HTTP 400 → Subagenten failen sofort rc=1. Fix:agent.reasoning_effort: lowin der CT-Config (202/206). PITFALL Hermes-Config-Schema: Feld heißtapi_key(snake_case), nichtapiKey. Flash-Modelle brauchen kein reasoning_effort. Verifikation: Chat-OK je CT, Bifrost-Lastverteilung 33,9k (glm-5-3) / 16,4k (deepseek) / 208 tok/s (flash) + req/1h je Modell, Queues drainen. - Token-/Cost-Messung AM INGRESS (KRITIS-Requirement, kein Agent-Self-Reporting).
- ArgoCD: kein prune bis Besitz-Konsolidierung; Overlap-Regel: Helm-Release
bifrostverwaltet nur bifrost-*-Objekte. - ArgoCD-CLI vom Host nicht erreichbar (argocd-server ClusterIP) → Refresh via
kubectl -n argocd annotate application <name> argocd.argoproj.io/refresh=normal.
Offene Punkte
- W1-Board-Genehmigung (DI-1…DI-4 aus MEMO-2026-10-22-W1) — Owner- Entscheidung ausstehend; nach Go: W1-Provisionierung (CTs cto/ciso/chro).
- Governor-Skeleton (A8): Baseline-Messung aus Bifrost-/metrics.
- Aliase/Tiers heavy/default/light (A10) — derzeit nur ein VK.
- Bekannter Defekt (niedrige Prio): Secret
git-schoen-codes-tls(ns gitea) doppelt-base64 → Traefik serviert intern das Default-Cert; Workaround: Registry/CI via git.familie-schoen.com routen. - D1 ERLDIGT: CT fleet-control (10.0.30.161) — Hermes-Spike bestanden („BETRIEB" via Bifrost; VK direkt in config.yaml, KEINE env.-Expansion in Hermes-Configs).
B-Inputs PB1–PB3 geliefert (23.10., Owner-Proxy, AL3-Freigabe)
- PB1 Fleet-DB-Zugang CTO: CNPG-Managed-Role
fleet_rw(managed.rolesinclusters/main/agent-fleet/postgres-cnpg.yaml,Agent-Fleet PG fleet_rw;connectionLimit: 10— SINGULAR, CRD v0.21). Grants als Ownerfleet: CONNECT/TEMP auf DB, USAGE/CREATE auf schema public, DML+Default-Privileges auf alle Tabellen. Zugang vom VLAN 30 über rw-LB-VIP 10.0.30.214:5432 (agent-fleet-pg-rw-lb, Cilium lb-ipam). CT 163: postgresql-client +~/.pgpass. Reconciler-Jobs im K8s nutzen internagent-fleet-pg-r…svcstatt VIP. PW-Sofort-Rotation: CNPG zieht Secret-Änderungen nicht sekundenschnell →kubectl exec … psql -U postgres(Socket, ohne -h)ALTER ROLE fleet_rw …(DB-Owner fleet darf KEIN ALTER ROLE). Solutions-Doc:docs/solutions/integrations/2026-10-23-cnpg-managed-role-password-rotation.md - PB2 openshell_controller-Vertrag v0 (Controller selbst noch nicht
implementiert, CT 160 leer; Adapter loggt DRY-RUN gegen den Vertrag):
API-Doku + Blueprint
hermes-sandboxv1 (hash-gepinnt, sha256a5611966…b3f1, Board:blueprint-hermes-sandbox-v1.yaml) + Machine-Token (1P-Itemopenshell_controller Machine-Token+/root/.secrets/openshell-machine-tokenin CT 163). T08: preset_hash ≠ Blueprint → 422 BLOCK. - PB3 Deploy-Recht NS agent-fleet: SA
cto-deployer+ Role + Token-Secret (clusters/main/agent-fleet/cto-deployer-rbac.yaml), NS- scoped (kein ClusterScope, kein secrets-read, argocd/kube-system/default verweigert, Negativ-Tests live). Kubeconfig/root/.kube/config+ kubectl v1.35.0 in CT 163 (Symlink /usr/bin — pct-PATH-Pitfall). Zweck: Ad-hoc-Deploys (Web-UI v0 M5), GitOps bleibt Prime-Pfad. - Board-Doks:
/srv/fleet-board/b1-fleet-db-input.md,b2-openshell-controller-api-v0.md,b3-deploy-recht-input.md,b1-fleet-schema-dump.sql. Mail an inbox-cto + inbox-ceo (*-von-eigentuemerproxy-b123-*.md). - Neu in 1P (Vault Kubernetes ESO):
Agent-Fleet PG fleet_rw,openshell_controller Machine-Token.
B-Inputs PB4+PB5+PB7 geliefert (23.10. nachmittags, „Go")
- PB4 Bifrost-Admin + Monitoring: Admin-API-Creds an CT 163
(
~/.secrets/bifrost-admin.json, 600). Scope NUR VK-Anlage (/api/governance/virtual-keys); Provider-/Policy-Änderungen TABU. Monitoring read-only: Prometheus 10.0.30.202:9090, Grafana 10.0.30.201:3000, Loki 10.0.30.207:3100 — anonym erreichbar im VLAN 30 (F-2-Thema beim CISO). VK-Create/Delete-Pfad live verifiziert (Probe-VK sofort wieder gelöscht). - PB5 Test-NS
agent-fleet-test: ArgoCD-Appagent-fleet-test(app-of-appsclusters/main/apps/agent-fleet-test.yaml) — NS + Quota (4 vCPU/8 Gi/20 Pods) + Ingress-Deny-NetPol + Fixture-org-ConfigMap (ft-ceo/ft-cto) + cto-deployer-RBAC (inkl. pods/exec+log für E2E). E2E gegen Fixture, nicht master-org.yaml; Teardown nur nach Owner-Freigabe. - PB7 Capacity: Zaun 12 host-tragfähig (Agent-CTs real ~0,7 GiB RAM/8 GiB, CPU ~0 %; 8 freie Slots × 50 GB = 400 GiB << 1,3 TiB Ceph-avail). F-7 Option B (4/8/50) damit formal bestätigt.
- PITFALL ArgoCD (neu): Manifest einer unbekannten CustomResource im
App-Pfad → Auto-Sync blockiert im Retry-Loop („synchronization tasks are
not valid"); Dotfiles werden NICHT geskippt; JSON-Patch auf
/status/operationabgelehnt. Fix: File aus App-Pfad entfernen (Content → ConfigMap), dem Retry ~3–5 min geben — selbtheilend. Solutions-Doc:integrations/2026-10-23-argocd-unknown-crd-blocks-autosync.md - Board-Doks:
b4-bifrost-admin-input.md,b5-test-ns-input.md,b7-capacity-input.md; Mails an inbox-cto + inbox-ceo (*-von-eigentuemerproxy-b457-*.md, 13:42).
Web-UI v1-Zugang: IP-only, kein Client-Cert/Login (23.10., Owner-Direktive)
- Zugang:
http://10.0.30.212(plaintext, kein Browser-Warning) oderhttps://10.0.30.212(TLS, einmalige Self-Signed-Warnung: no-SNI → Traefik-Default-Cert). Kein Client-Zertifikat, kein Login in v1. mTLS-Material (fleet-webui-clientca, Owner-P12) bleibt vorgehalten → v2/OIDC. Nichts gelöscht. - Edge: Intern-only LB
traefik-internal-lb(VIP 10.0.30.212)::443 → 8444(EntryPointwebsecure-internal) und:80 → 8001(NEUER dedizierter PLAINTEXT-EntryPointweb-internal). Warum dediziert: EntryPointweb(8000) ist geteilt mit öffentlichemtraefik-lb(.203) → Catch-all hätte gespooft werden können; dediziert ⇒.203:80mit Host-Spoof → 404 (verifiziert). - IngressRoutes (Git,
clusters/main/agent-fleet/):fleet-webui(HTTPS,PathPrefix(/), middlewarefleet-webui-headers, tlsfleet-webui-tls),fleet-webui-http(EntryPointweb-internal). Provider-Filterproviders.kubernetescrd.ingressClass=traefik⇒ jede IngressRoute brauchttraefik.io/ingress.class: traefik— sonst still ignoriert (404, kein Log). Das war der ursprüngliche Bug. - App: Deployment
fleet-webuienvREQUIRE_CERT_HEADER=0(Backend verlangt keinen Cert-Header mehr);auth_interimin CMfleet-webui-appehrlich = „v1: ip-only, no client-cert". CM hat 2 Keys (server.pysanitize_md.py) —--from-filemuss beide liefern (sonst CrashLoop).
- Noch live-only (CTO-App-Manifest-Lane): Deployment-Env, CM, Middleware, TLSOption, NetPol, Services, board-CMs. Routen + Edge sind Git-persistiert (Commits 37f40ec/8d915d2/efa983e/08a3533/1d35b1f).
- Solutions-Doc:
integrations/2026-10-23-traefik-ingressroute-ingressclass-ignored-404.md.
Web-UI v0.2 (23.10. abend, Owner-Direktive 24/7-Loop): Organigramm + Live tok/s
- Neue Endpunkte:
/api/org(org.yaml aus CMfleet-webui-org— Kopie vonbeacon-org-yaml, Mount/org, Mini-Parser stdlib-only, fail-loud),/api/live/tokens(Prometheus10.0.30.202:9090,sum by (virtual_key_name)überbifrost_input/output_tokens_totalrate[2m], 10 s-Cache). UI-Tab „Live" pollt 15 s. APP_VERSION=v0.2.0-live. - Per-Agent-VKs:
key_ids:["*"]-Fix (s. Solution-Doc bifrost-vk-key- binding) — Attribution je virtual_key_name verifiziert (Solo-Smoke: ceo-Counter 16→332, cto konstant). vk-fleet bleibt Fallback. - NetPol-Pitfall (2. Mal): Prometheus-VIP .202 per
ipBlock-Egress ⇒ FAIL (Cilium DNAT'd VIP → Pod-IP; ipBlock matcht nicht post-DNAT). Fix:namespaceSelectoraufmonitoring+ Port 9090 — gleiche Klasse wie beacon-Regel. VIPs in Agent-Fleet-NetPol nie per ipBlock erlauben, immer den Backend-NS selektieren. - 24/7-Loop: Cron
konzern-loop(23d4769ec873, alle 15 min seit 23.10. abends, Owner-Direktive, deliver origin): CEO-INBOX-FIFO, Fleet-Health, Open-Items-Treiber (W2/W3: Seed 199, COO/CMO, Tofu-Pipeline), Board-Refresh (CM-Snapshot bei neuen Board-Entscheidungen), Takt-Report.
v0.2-Backfill-Merge (23.10. abend): Mandat, Incidents, Härtung
- Final-State: Package landete mandatkonform in
clusters/main/_archive/webui-v02-backfill/(Commit 478da727, AUSSERHALB aller 23 ArgoCD-App-Sync-Pfade — Merge-Kommission Board-Inbox 19:37 forderte tracking-freie Platzierung; Underscore-Trick funktioniert NICHT, ArgoCD trackt hier per instance-LABEL und scanned_webui-v02trotzdem). Board-CMs bewusst NICHT im Git (live-only, One-Truth-per- Concern; org-CM-Snapshot war innerhalb 2 h stale = Werkstück). - INCIDENT (unaufgeklärt): Zwischen 19:47–19:52 wurden alle 6
fleet-webui-CMs aus NS agent-fleet GELÖSCHT, während der Pod lief (stale
Volume-Projektionen; FailedMount-Burst als Alarmsignal). Kein Audit-Log
im Cluster ⇒ Löscher unklar (ArgoCD-Partial-Sync + simultanes
Label-Strippen ODER manueller Delete eines parallelen Actors).
Restore byte-exakt aus 3 Quellen (lokale JSON-Dumps 17:35, Stage-
Manifeste, Git e823c20): Hash-Gegenprobe 5/5 MATCH. Danach Härtung:
alle 6 CMs + Deploy/NetPol/SVC/IngressRoute mit Annotations
argocd.argoproj.io/compare-options=IgnoreDifference+sync-options=Prune=false,Delete=false. - Parallel-Actor-Race: Zweite aktive Session-Linie fuhr dasselbe Thema (VLAN-40-ACL 9b029641, Merge-Kommission, Auto-Sync-Toggles, eigene Mails) — mein syncPolicy-Pause-Patch wurde binnen Sekunden resumed. Regel: niemals davon ausgehen, dass ein Toggle hält; lieber Schutz-Annotations (persistieren) als transiente Spec-Changes.
- Open: API-Server-Audit-Logging absent (destruktive Ops ohne Zuordnung) — Aktivierung prüfen; Varianten-Wahl Board-CM-Fix (B/C/ Re-Bake) bei Owner; Adoption-PR am v0.3/v1-Gate.
Fleet-Board-CM-Sync & LB-Pools (23.10.2026)
- Board-CMs (fleet-webui-board/-challenges/-inbox, NS agent-fleet): live Plaintext-Werte (Restore 19:50 via kubectl-CSA). NICHT mit /tmp/board-cm-gen.py (base64!) neu anlegen — WebUI dekodiert nicht. Update nur via kubectl patch --type=json Plaintext (umgeht auch 262144-Byte-Annotation-Limit bei apply). Patch ohne Deployment-Neustart wirksam (Volume-Mount), Rollout-Restart optional.
- LB-IP-Pool: EIN CiliumLoadBalancerIPPool "default-pool" 10.0.30.200-250 (Quelle: /var/lib/rancher/rke2/server/manifests/cilium-l2-lb.yaml auf rke2-cp-01 10.0.30.51, identisch iac-homelab ansible playbook Z.86-95). KEIN kube-vip. API-VIP 10.0.30.50 = statisch /32 auf cp-01. Speaker-MAC-"Wanderung" = Cilium-L2-per-Node-ARP. .212 = fleet-webui (traefik-internal-lb, io.cilium/lb-ipam-ips), .213 frei (Authelia-Kandidat), .214 = agent-fleet-pg-rw-lb.
- Fleet-Mail: Zustellung = Datei in inbox-/new/ + delivery.log-Zeile (epoch TAB name TAB bytes TAB sha256). Mails an andere Rollen als Eigentümer-Proxy: From "Eigentümer (Dominik, über Eigentümer-Proxy Hermes)".
- CT-Admin: ssh debian@10.0.30.51 mit id_ed25519_cloudinit; RKE2-manifests ohne sudo lesbar; kubectl cto-deployer (auf PVE-Host via cto-deployer-kubeconfig) ist NS-scoped (agent-fleet only).
openshell_controller v0 (23.10. abend: B2 implementiert, E2E grün; Clone blockiert)
- Service: CT 160 (
10.0.30.161:8081), systemdopenshell-controller.service(Unit IM CT, nicht Host — Fehlinstallation passiert), stdlib-Python, Bearer-Auth fail-closed (401 ohne Token), Deploy-Kette Workspace → scp PVE → pct push → systemctl restart (nach JEDEM Patch komplett, sonst testet man alten Stand). - API: GET /v1/health (200
db:true), GET/POST /v1/sandboxes. Gates verifiziert: T08 preset_hash ≠ Pin → 422; org.yaml-Strict-Gate → 422 (journalisiert); False-409 gefixt. DB (CNPG fleet, 10.0.30.214): Tabellensandboxes(UNIQUE member_id, Broken-Recycle per UPDATE) +provisioning_eventsadditiv. - Blueprint-Pin: BLUEPRINT_SHA256
a5611966…b3f1(Board-Datei live gehasht; CISO gegengeprüft 21:31 — Baseline intakt). Hash-Typo…1418…vs…2818…war Bug 1 der Fünf-Bug-Kette (Solution-Doc:docs/solutions/bug-fixes/2026-10-23-openshell-controller-v0-bug-chain-and-pve-clone-blocker.md). - Pitfalls (verifiziert): (1) LXC- UND QEMU-VMIDs teilen den Nummernraum —
ID-Vergabe 200–299 muss
/lxcUND/qemuprüfen (VM 200 mgmt-runner-01 kollidierte);pct listzeigt nur CTs. (2) psql-Empty-Checks brauchen-t -A. (3) JSONB vialit(json.dumps(x)), niejson.dumps(json.dumps(x)). (4) CTs mit Bind-Mounts sind NICHT klonbar (Snapshot + Full-Clone → API 500,unable to clone mountpoint mp0 type bind) — W1-Klone liefen vor dem Mount-Anhängen; vzdump/restore umgeht (dump bind-mounts nicht mit). - Aktiver Blocker/Beauftragung: Seed-CT 199 mount-frei via vzdump/restore aus CT 161 (Owner-GO 23.10.), Scrubbing (onboot=0, CEO-Timer aus, Creds scrubben), CISO-Gate vor First-Sandbox-Go; danach COO- + CMO-Sandbox F-7 Option B (4 vCPU/8 GB/50 GB) — Auftrag 1792784178. Tofu-GitOps-Hiring-Pipeline: Auftrag 1792782897 (OpenTofu, nicht Terraform-Runner). Beide in inbox-ceo/new.
W2-Nacht-Vollzug (24.10., Owner-Proxy im Nacht-Mandat 1792787120)
- Blueprint v1.1 ADOPTIERT: Controller-Pin v1→v1.1 (0f1496d5…e607d6, Single Active Pin); Basis CISO-Re-Check GRÜN [1792786716]. Backup: openshell-controller.py.bak.pin-v1-adopt.
- COO „Taylor" LIVE: CT 202, 10.0.30.166 (vlan30), phase=verified (sbx-1792788409-e5306264), Heartbeat autark, agents_up=5. Weg: POST crashte 2× (ACL-403 → Grant; _wait_task-AttributeError → Fix), Clone detached fertig, Owner-Lane-Harvest + DB-Repair + 3 Journal-Events.
- Controller-Fixes: _wait_task shape-robust, next_ct_id cluster-wide, Traceback-Logging, negative Smoke 422 OK. PVE-ACLs openshell@pve (USER-Level! privsep=0 ignoriert Token-ACLs): PVEVMAdmin /vms, PVEDatastoreUser /storage/vm_disks, TaskPoller(Sys.Audit) /nodes/ms-a2-1.
- Pitfalls (live erlebt): pct unlock während Create-Task = Task-Abort; pct mount ohne Zielarg (MP immer /var/lib/lxc//rootfs); Hollow-Confs unsichtbar in Resources-View.
- Offen: CMO-Tranche (Kit: /srv/fleet-board/provisioning-kit/), W3-Votes, hohler CT 201 (Purge nur mit Owner-Freigabe), WebUI-/api/health-Check, Morning-Report 07:30 Berlin.
W2-Mail-Isolation-Fix (24.10. nachts, Tick 12)
- Lücke: Seed 199 ist bewusst mount-frei; Harvest zog mp0/mp1 NICHT nach → CT 202 (coo) + CT 205 (cmo) liefen ohne Bind-Mounts, und inbox-coo/inbox-cmo fehlten auf dem Host (nur W1-Mailboxen angelegt) → coo/cmo mail-isoliert (Poller gegen leere lokale Pfade).
- Fix (live attach ohne Restart nötig):
pct set <ct> -mp0 /srv/fleet-board,mp=/mnt/fleet-board -mp1 /srv/fleet-mail,mp=/mnt/fleet-mail+-onboot 1+ Mailbox-Hostdirs 2777 anlegen (/srv/fleet-mail/inbox-<role>/{new,processed}) +pct unmount 202(stale lock). - VK-Injektion CT205: Placeholder
VK-PLACEHOLDER-SET-BY-PROVISIONER→ Wert aus CT161 (whitespace-safe sed-Extraktion, Wert via env in python, kein Logging). - Für jeden künftigen Klon (Kit-Ergänzung): Mailbox-Anlage + mp0/mp1 + onboot=1 +
VK-Injektion sind Pflichtschritte; provisioning_events-Schema: member_id, sandbox_id,
phase, outcome, detail(jsonb). Controller-Token liegt in CT160
/root/.secrets/openshell-machine-token(64 B — der 1P-Wert ist ein ANDERER/älterer!).
Klammer-VK-Bug (24.10. Tick, gefixt)
- VK-Injektion hinterließ
api_key: <sk-bf-...>(Spitzklammern) in CT 202/205/206 → Hermes 401 "virtual key is required" gegen Bifrost, obwohl Curl mit demselben Key 200 lief. Fix: sed Klammern entfernen; Inferenz je CT verifiziert (OK). - Stray-CEO-Poller auf CT206 (PID, Arg ceo statt devops — systemd-Erbe aus Clone-Verarbeitung) killen; konsumierte CEO-Mails aus processed/ nach new/ re-queueen.
- WebUI /api/health 403 von VLAN 30 ist ERWARTET: G1-Middleware fleet-webui-owner-acl erlaubt nur 10.0.20.0/24+10.0.40.0/24+172.16.0.0/24 (Owner-Segmente + WireGuard, Owner-Direktive 24.10.). Health-Verifikation immer aus Owner-Segment (z.B. via PVE-Host).
- Hire-Grenzen ENTFERNT (Owner-GO 24.10. „Kein rate limit"): Zaun 999 (beacon.yaml d06750b), Validator-SCOPE_PIN = _UnlimitedPin, capacity_ledger 999, Loop-Tranchen-Regel raus; S-01-PIN-Testfall entfernt (CT163 19 Tests OK). Unberührt: A16-Vote, CISO-Gates, hrProfileId, B2. Vollzugs-Ledger:
/srv/fleet-board/ownerproxy-vollzug-2026-10-24-hire-limits-removed.md.
Takt-Learnings 24.10. ~09:00 (Tick 13)
- last_task_id Invalid-UTF-8 → Beacon 400: Poller schreibt Subject (cut -c1-60) raw in last_task_id; Subject mit defekten Umlaut-Bytes → JSON-Payload bricht → Heartbeat-POST 400. coo fiel dadurch 5 min aus (agents_up 7→6). Interim: ASCII-Sanitize des Files; v3-Kandidat (cto): Task-ID-Sanitization + plain Mail-Koepfe (N2-Klasse). Heartbeat-Skripte: JSON NIE via Shell-String mit rohen Bytes bauen.
- Requeue-Akteur-These fuer CT161 widerlegt: journal -t fleet-mail 06:30-08:08 durchgaengig ok, 0 RC=1, kein nobody-Prozess/cron/at. Erstversuch-RC=1-Serie (CTO-Beobachtung) stammt aus CT206-Klon-Erbe-Sicht. Lehrstueck: Journal-Gegenprobe vor These-Uebernahme.
- SSH+Heredoc-Pitfall: Mail-Bodies via ssh heredoc scheitern am Quoting — robust: base64-Transport (lokal b64, remote dekodieren), Zustellzeile remote per printf.
- Owner-Gundsatz [1792824363, dauerhaft]: operative Planlae/Umsetzungsentscheidungen = Konzern-Selbst (A16-Vote), KEINE Plan-Freigaben mehr an Owner. Destruktiv/strategisch bleibt Owner-GO. DI-10-Vote Mo 09:00 entscheidet selbst.
- coo/cmo operabel: Inferenz live verifiziert (RC=0); Klammer-VK-401 transient/bereits gefixt. Offen: Send-Werkzeug-Retrofit (cto-Lane) + coo-3-Outbox-Entwuerfe.
DI-10 WebUI v0.3 (24.10. — Org-Chart/Themen/Kanban/Owner-Notiz)
- Root Cause des Verzugs: Verfahrens-Gate (Plan v0.1 wartete auf A16-Vote Mo 09:00), NICHT Technik. Owner-Accountability-Direktive ersetzte das Warten; GO-Vermerk im Board-Plan; A16 ratifizierend nach; CISO-Gates hart (Z3-POST hinter Flag default OFF bis CISO-GRUEN).
- CM-Fix Variante B: fleet-webui-org (live-only CM, IgnoreDifference+Prune=false) mit beacon-org-yaml-Inhalt befüllt +
kubectl -n agent-fleet rollout restart deploy/fleet-webui(App cached Org-Daten Point-in-Time). /api/org schachtelt unterorg.members(nicht top-level!). WebUI-CMs sind NICHT Git-getrackt — selfHeal greift nicht, live-apply ist der Weg. - Daten: topics.yaml (13 Themen) + topics-history/ in /srv/fleet-board/ = Z2/Z5-Basis (Chair-kuratiert). Kanban-Quelle: backlog-Items + wartet_auf + status je Thema.
- Bau-Routing: CTO-FIFO-Backlog 16 Mails (serial 10–25 min/Mail) → Bau-Auftrag ZUSÄTZLICH direkt an inbox-devops (CT 206, leer, 60-s-Poller) — devops zog <90 s. CTO bleibt Lead/Architekt.
- Überwachung: cron
7423f0a98e8f(*/30, monitor=di10-deploy-watch.sh) feuert bei v0.3-Deploy/Health-Down/18:00-Verzug; konzern-loop-Prompt (23d4769ec873) um DI-10-Open-Item erweitert (jobs.json direkt editiert). - Provenienz-Konflikt (wichtig für Chair-Direktmails): Loop-Agent meldete Owner-Proxy-Mails als Spoof-Verdacht (Future-Epoch-Filenames, keine Zustellzeile, Signatur-Abweichung). Geklärt via hygiene-nachbuchung-chair-2026-10-24.md Addendum 2: Owner-Proxy-Session > Loop-Tick bei Widerspruch; legitim bei Substanz-Alignment mit Owner-Kanal. Künftig: Zustellzeilen + einheitliche Signatur in Direktmails.
- Pitfalls: APP_VERSION-env im WebUI-Deployment dupliziert (Warning bei apply); curl-Checks nur vom PVE-Host (VLAN 30 = 403 by design G1); topics bake in neue CM fleet-webui-topics mit Snapshot-Badge (kein Fake-Live).
24.10.2026 12:15 CEST — Chair-Tick 30 (Delta)
- Fleet: 7/7 Agents up (devops CT-devops LIVE seit 09:42); WebUI v0.2.0-live (DE-Lane: DI-10 v0.3.1 reviewt 58/58, Deploy ETA ~13:30, Ready -> PVE-E2E).
- Controller CT160 openshell-controller.service ACTIVE. Beacon .211 (7/7, Age<62s). WebUI /api/health 403 aus Host-Sicht = interim ip-only-ACL (kein Defekt; PVE-Host-Sicht 200 ok).
- CHAIR-KANAL ab jetzt ZEILIG (K1): Helper v1 byteidentisch vendort CT161 /root/fleet/tools/deliverylog_helper_chair.py (sha b1d48773...); Aufruf: dd(conv=fsync) -> helper . Roster-Whitelist der CT163-Wrapper-Variante gilt nicht fuer Chair (von-ceo-Naming).
- Governance-Entscheidungen T30: PR-Paket-Konsistenz-Fix GO (Merge-gated KW43 2/2); Anti-Spoof E1/E2/E3 CONSENT; Hygiene-Addendum 3 (Erstwellen-Nachtrag, sha 088fda41); AL3 999/99 CONSENT mit Auflagen; Urheberschaft Vollzug=Owner-Proxy-Session (Host-Evidenz workspace/journal_hire_limits.sh df547692 + 3 Patch-Skripte).
- Offen: W3 #8 research am CISO-Gate (pc-research-egress FINAL); DI-11 1/4 (Frist 17:00); Backlog-Altbestand ~19 Mails.
24.10.2026 13:2x CEST — Chair-Tick 31 (Delta)
- DI-11 ABGESCHLOSSEN: Tally 3/4 (chro O4 + cto O4 + ciso O4 12:51; beratend coo/cmo O4) => BESCHLUSS Option 4 Hybrid (CTO Process-Owner, COO Delivery Master, Chair Taktung; Hire-Neubewertung nach 2 Retros <=07.11.). Resolution an cto+chro zustellzeilig.
- Owner-Auftrag CISO-Departement-Struktur (Dublette 8611/8646 konsolidiert; Termin-Korrektur Mo->Di 27.10. 12:00) an ciso verteilt + Owner-Quittung.
- Tranche fleet_devops_ro (2)-(4): C1+B+D+E1+F VOLLZOGEN — C1 GitOps commits 1c5baa2/e20301e (pg_hba 4 User-Regeln incl. podselector-Expansion 10.42.4.203/32, log_connections=on, RELOAD ohne Restart), B Rolle+Grants (shortsha 2b20c301b5c2), D .pgpass CT206 Match OK, E1 5 Counts + Probe(a) permission-denied, F Guard GREEN 13:12:56. C2/E2/G offen (Inventur >=8h, fruehester C2 ~21:00 CEST). Evidenz: cto-fleet-devops-ro-anlage-evidenz-2026-10-24.md.
- PITFALLS neu: CNPG podselector-Adresse ohne YAML-Quotes; CSV-Logs=FIFO (kubectl logs statt tail); Helper v1 BASE=/mnt (Host-Dispatch via pct exec 161); Duplikat-Dispatch => mv quarantine.
Chair-Tick 32 (24.10. ~18:45 CEST) — Learnings & Betriebszustand
- dd if=X of=X TRUNCATED: Selbstkopie via dd schrieb Quelldatei auf 0 B (delivery.log bekam e3b0c442-Geisterzeilen). Fix: nach cat-Heredoc
sync -f <file>statt dd-Selbstkopie; 0-Byte-Geister vor Redelivery entfernen. Betrifft Chair-Dispatcher auf PVE-Host. - Phantom-CT-Mapping: coo/cmo/devops = CT 202/205/206 (IPs .166/.167/.168) — CT 166/167/168 existieren NICHT (pct exec failed lautlos mit "does not exist"). Mapping immer gegen
pct listprüfen, bevor Skripte CT-IDs hardcoden. - openshell-controller Unit lebt IM CT 160: Host-Sicht
systemctl is-active= "not-found" (EXPECTED, kein Defekt). Realer Check:pct exec 160 -- systemctl is-active openshell-controller.service+ curl /v1/health mit Bearer aus /root/.secrets/openshell-machine-token (auch via pct exec 160). - v2.1-Threshold-Activator (host-seitig, /root/fleet-tools/v21_threshold_activator.sh auf PVE): restart fleet-mail je CT nur bei Queue<20 ∧ 0 in-flight hermes-chat ∧ 0 Mail-Aktivität <60 s (Cross-Write-Schutz); Staffel 240 s; Singleton via flock; Order 202/205/206/163/164/165/161; Lifetime 4 h; Log /var/local/fleet/v21-threshold-activator.log. Umgeht den poller_idle()-False-Negative-Deadlock der Watcher v1.1 (Root cause cmo-RCA [1792855529]).
- E-2-Rollout-Forensik 24.10. abend: unabhängige Chair-Messung deckungsgleich CISO-Kickoff [1792856060]: nft 0 Regeln + sshd listening auf allen 4 W1-CTs (161/163/164/165), kein Ship-Skript auf CT164 (/root/fleet/security/ fehlt) — Rollout nie materiell ausgeführt; Operator-Stellungnahme CTO ausstehend (Bit [1792857720]).
- research #8 entblockt: ciso-preset-register ## #8 FINAL (15:32, preset_hash v1.1-Vollstring, Zeilen-Hash 2f4278f6…78cebe); Chain: CHRO hrp-Mint → CTO Merge-Lane (active_pin-Precondition) → Chair Controller-POST. Drives [1792859874]/[1792859875].
- CHRO-Config-Lifecycle: Tooling war bereits exekutiert (Owner-Proxy, ASAP Ziff. 5); CHRO lieferte Inventar (7/7 Agenten, sha 369ed4a4…) + Selfbericht-Lane; Chair-Zeile CT161 + IP-Klarstellung (massgeblich 10.0.30.162, NICHT .161) geliefert [1792860031].
Chair-Learnings 24.10. abend (E-2 + WebUI-Topics)
- E-2 ceo/CT161 LANDED-GRÜN 20:13 (Kit-Lauf CT-Poller; Reassign [1792863449]). nft
fleet_e2(Egress NUR .210:8080+.211:80, 3x policy drop), sshd/postfix disable --now. Kit-BUG Ziff. 10:SSHD_AFTER=$(systemctl is-active ssh || echo unknown)hängt bei rc=3 (stdoutinactive+ Fallbackunknown) → false-NEGATIV-Abbruch NACH materiellem Vollzug. Kit v1.1 nötig für CT163-165. Zweitlauf stoppt korrekt am VORHER==0-Assert (anti-doppelvollzug intakt). - PITFALL (selbst verschulbt, 20:3x):
kubectl patch --type=jsonmit Platzhalter-Value als "Test" zerstört live CM-Daten SOFORT (topics.yaml → 11 B "PLACEHOLDER", WebUI topics ok:false). Nie Test-Patches auf live CMs — immer Full-Value + Verify. Restore-Quelle:kubectl.kubernetes.io/last-applied-configuration-Annotation (hier 9819 B, aktuell da kubectl-apply-basiert). Nach Restore: kubelet-Projektion kann stale bleiben → rollout restart erzwingt frischen Mount; danach health-Verify (topics count 15, v0.3.4). - Fleet-WebUI Health-Check: https://10.0.30.212/api/health via PVE-Host .92 (IP-ACL 10.0.20.0/24 erlaubt) — Beacon .211/metrics, Controller .161:8081 antwortet 401 ohne Token (fail-closed SOLL). Hermes-WebUI (Runner) separat: 10.0.30.230:8790/health.
- Chair-Session läuft auf hermes-agent-01 (.230) — NICHT auf CT161/ceo. Fleet-CTs via
pct exec(PVE .92) steuern; pct exec überlebt nft-input-drop + sshd-off auf Ziel-CT.
Value-Stream-System (25.10., Owner-Direktive "Fokus echten Wert")
- Struktur:
/srv/fleet-board/value-streams/= register.md (VS + Leads), ideen-register.md (Score=Wert×Machbarkeit), release-notes.md (append-only, nur Verifiziertes); Templatetemplates/value-stream-template.md. Neue VS intern beschlossen (A16/Lead), keine Owner-Freigabe (A17). - VS-1 Control Tower (Lead CTO, devops+cmo): WebUI-Self-Audit + Weiterentwicklung. VS-2 Agent Excellence (Lead CHRO): Agenten-Prompts/Einstellungen messbar verbessern. Agile Coach COO: stündl. Kadenz, WIP max 2/Lead, Anti-Meta-Wachhund.
- Kadenz: min. 1 verifiziertes Deliverable/Stunde fleet-weit (WebUI | Einstellung | Artefakt); Stundentakt
/etc/cron.d/fleet-valuestream(CT 161) → TAKT-Mail an CEO. - WebUI v0.4.3: Tab "Value Streams" (
/api/valuestreams, fail-loud), CMfleet-webui-valuestreams(register/ideen/release-notes.md), Volume-Mount/board/value-streams. Sync:/usr/local/bin/fleet-vs-sync.shauf CT 163 (Board → CM). CSS-Original:/srv/fleet-board/webui-v032/v032-artifacts/v03/static/style.css(PITFALL: jsonpath-Abfrage von Keys mit Punkten wiestyle.cssliefert LEER → CM-Key versehentlich mit 488 B überschrieben; Restore aus v032-Artefakten). - B3-Vollzug: E-2-Egress auf CT 163 additiv um 10.0.30.50:6443 (Regel
b3-k8s-api) erweitert + reboot-Persistenz (/etc/fleet-e2-egress.nft+ systemdfleet-e2-egress.service) — das CISO-Preset war sonst reboot-empfindlich (Basis-conf machtflush ruleset). CTO hat kubectl, deployt WebUI-Content autonom.
29.10.2026 — Autonomie-Fix v5.3: Idle-Trigger + Abschluss-Kopplung (GRÜN, live bewiesen)
- Owner-Befund: 11,5 h Stille nach 28.10. 21:08; Karten klebten auf Neu/In Bau. Kein Ausfall — Deadman grün. Ursache: Spool ist Pull-System, Leerlauf war kein Ereignis (Spec §5 nie gebaut), complete_task erzeugte keine Folgearbeit, Deadman misst Liveness statt Fortschritt.
- Fix (iac-homelab
f70fe30):fleet-spool-watcher 0.17.1=sha256:5451e8770fcf91ee7b3ebb284051aa0a3905e86bdc822423104ef590bf3757d7— IdleScheduler: Spool still ≥IDLE_SILENCE_SECONDS=900+ keine offenen Tasks → genau EIN Taskfrom=fleet-scheduler,to=ceo,type=build,P3; Cooldown 1800 s, Backoff ×2 bis 14400 s; Reset nur bei Arbeit OHNE fleet-scheduler (sonst Selbstzählung = Endlos-Leerlauf).fleet-board-service 0.18=sha256:69c26496e56360a3902007c0ebd49127f0d6ee7c720245dfd37ca79552c5fe72—complete_taskmitkarte_id/vs→ Karte „Fertig" + Review-Task an VS-Owner (P2); kein Selbst-Loop bei Owner==Agent.hermes-agent v5.3=sha256:357fdee942f4599dfbbe4c82e94ca186f4b13ba999fc802009b1ad36a4f59067—FLEET_BEACON_URLFQDN im Image (10.0.30.211 = Iteration-1-Beacon), TOOL_HINT Backlog-Kopplung.submit_task.py:fleet-schedulerSystem-Sender (nurbuild), optionale Felderkarte_id/vs(Regex^[a-z0-9][a-z0-9-]{2,63}$).
- Beweis 29.10.: 08:39:51
idle_trigger_created(silence 45108 s) → CEO claim 2 s → Planungs-Turn 2:09 min → Delegation5db4e788ceo→devops mitkarte_id=rueckbau-nar-edd15ff1→card_auto_fertig+review_task_created→ CEO „ABGENOMMEN" 08:58:41 → Release-Note; 09:13:51 zweiter Idle-Zyklus (Backoff korrekt zurückgesetzt), Karteit1-tower-02-telemetry-fallbackdelegiert. Karte rueckbau: Neu→In Bau→Fertig. - Rollout: 9/9 Sandboxes auf v5.3 (09:01–09:05), Heartbeat-Alter 23–234 s,
deadman_agents_pending 0, allealert_active 0. - PITFALL neu (OpenShell-CLI):
openshell sandbox create --templateschließt--envaus → alles startrelevante (Beacon-URL!) MUSS im Image-Default stehen. Gateway liestdefault_imagenur beim Start → nach Digest-Pinrollout restart sts/openshell+systemctl restart openshell-portforward.service(.124). - PITFALL neu (systemd):
fleet-oidc-login.servicescheiterte 4-h-taktend mit „Unknown gateway 'fleet'" — Service-Kontext hat kein HOME →Environment=HOME=/rootin der Unit; danach „Token gueltig — kein Re-Login noetig". Kein Refresh-Token → nach Ablauf (~4 h) ist ein Re-Login zwingend,openshell sandbox listbricht sonst ab. - SolDoc
docs/solutions/architecture/2026-10-29-fleet-autonomie-idle-trigger-abschluss-kopplung.md(INDEX Architecture 16), Hindsight-Sync. - Nachtrag 10:40 — 5. Deadman-Kaskade
progress(Lücke 4 geschlossen), Commitf098091, Imagefleet-deadman@sha256:73cc59885de35a1c6172650b0bfd952208b3b8afbadc1294a3437a934a3deaaa: offener Task (submitted|working) mit mtime-Alter >TASK_STALL_S=5400→ ALARM-Quelleprogress+ escalation-Task an ceo (P1) + DEADMAN-ALARM.md;from=deadman-watchdogwird übersprungen, Spool unlesbar = fail-closed. Metrikendeadman_open_tasks,deadman_oldest_open_task_age_seconds,deadman_alert_active{source="progress"}. E2E: ALARM 10:38:29 → RESOLVED 10:39:29; Unit-Test 13/13. PITFALL: Test-Tasks mit Nicht-UUID-task_idquarantänisiert der Watcher in Sekunden (_invalid/) — Test-Tasks immeruuid4()+status: working(nicht claimbar). - Autonomie-Bilanz 29.10. 08:39–10:30 UTC ohne Owner-Kick: 3 Idle-Trigger (08:39, 09:13, 10:09), 4 Karten auf Fertig (
rueckbau-nar-edd15ff1,it1-tower-02,it1-tower-03, +1), 4 Review-Tasks durch ceo abgenommen, NAR-Zyklus: ciso erteilt Freigabetower-healthz-readonly→ neue Karterueckbau-nar-tower-healthz-readonly(Ablauf 30.11.). Spool 116 Tasks, 0 hängend.
29.10.2026 (11:00–11:40) — Identität + Ideations-Pflicht: warum der Loop trotz v5.3 verstummte
- Owner-Befund (dritte Iteration desselben Symptoms): „Loop läuft nicht sauber — keine neuen Ideen, Kanban-Tickets bewegen sich nicht, keine Token-Consumption." v5.3 (Idle-Trigger + Abschluss-Kopplung) war grün, das Symptom blieb. Ursache lag eine Ebene tiefer: Prompt- und Kostenebene, nicht Trigger-Ebene.
- RC-1 Identität: Der Hermes-Identitäts-Slot ist
SOUL.mdim Workspace (/sandbox/.hermes/SOUL.md, Loaderagent/system_prompt.py), NICHT Image und NICHTconfig.yaml. Dort lag nur generischer Hermes-Boilerplate (667 B);cto/research/devopshatten gar keine Datei → 9 rollenlose Agenten ohne Vorgesetzten, Auftragsprotokoll, Fähigkeitsgrenzen, Kostendisziplin.- Fix (Commit
a362144):agent-image/fleet/gen_soul.pyerzeugt 9SOUL.md(2,9–4,0 KB) ausorg.yaml+FLEET-POLICIES.md(Rolle, authority_level, parent, Org-Chart, VS, Board-MCP-Signaturen, NAR-Policy, ReportERGEBNIS/EVIDENZ/ARTEFAKTE/OFFEN, harte Fähigkeitsgrenzen).deploy_soul.shschreibt live +max_turns 40→20+reasoning_effort(coo/research/devopslow, Restmax).start-agent.shensure_soul()kopiertsoul/<agent_id>.mdaus/opt/hermes/fleet/soul/bei fehlend/abweichend. - Wirkung: Turns 32 s (research), 61 s (CEO-Idle-Planung), 138 s (devops) — vorher 30 min →
rc=1ammax_turns=40-Cap. Beweis: research-Selbstauskunft nennt Rolle, Vorgesetzten (cto) und Grenzen („kein git, kubectl, openshell-CLI, Internet") in 32 s.
- Fix (Commit
- RC-2 Kosten-Anzeige: devops verbrannte 8,5 Mio Input-Tokens in 30 min mit Meta-Analyse der eigenen
state.db-Sessions (40 Turns Selbstbeschäftigung). Gleichzeitig Tower0 tok/sfür alle:fleetSource.tsnutzterate(bifrost_input_tokens_total[2m])ohne Aggregation —rate()liefert je VK mehrere Serien (method/model/provider/fallback_index),out[vk].in = vüberschrieb mit der letzten (meist 0).- Fix (Commit
1407c0e, Towersha256:84a79b99…):sum by (virtual_key_name)(rate(...))+ additives+=. Beweis: Towerceo 4489 / ciso 3516 / devops 9424 tok/s— identisch mit Prometheus-Gegenprobe.
- Fix (Commit
- RC-3 Ideen waren verboten: Der Idle-Auftrag des Watchers enthielt wörtlich „Regeln: … Keine neuen Karten erfinden." Der CEO hielt sich daran → die Organisation konnte nur den geseedeten Backlog abarbeiten und verstummte danach. (Der Idle-Task ist die User-Message des Turns und damit stärker als das SOUL-Mandat.)
- Fix (Commits
ce38c34watcher 0.18,3f9f0cdwatcher 0.19, livesha256:93777fc0…): Pflicht-Schritt 4 IDEATION — sind < 3 Kartenstatus=Neu(ohnerueckbau-*, ohne Dauerauftragdauer-tower-dev), erzeugt der CEO genau EINE Idee: selbst eine Karte (add_backlog_card,wert/machbarkeitje 1–10, Score = Produkt max 100) ODER Ideations-Auftrag an die Tagesrolle aus Rotationcto/cmo/coo/research(IDLE_IDEATION_ROLES,(epoch//86400) % 4, kein State). Schritt 3 bleibt „genau eine bestehende Karte"; Regeln entwirrt („Schritt 3 … Schritt 4 ZUSÄTZLICH höchstens EINE neue Idee").
- Fix (Commits
- Nebenbeweise für Loop-Qualität (gleicher Zeitraum):
complete_taskmitkarte_id→ Karterueckbau-nar-tower-healthz-readonlyautomatischFertig+ Review anceo; CEO hat die Abnahme ZURÜCKGEWIESEN (Karte zurück auf „In Bau", Nachbesserungsauftrag an devops); ciso triagiert NAR als KRITISCH (Schreibzugriff Policy-Repo) und eskaliert antower-ownerstatt zu genehmigen; devops erkennt fehlenden Cluster-Zugriff und stellt Änderungsauftrag ([CHANGE-ORDER]) anciso. - PITFALLS: (1)
SOUL.mdliegt im Workspace-PVC — Image-Rebuild ändert bestehende Sandboxes NICHT. (2) Idle-Auftrag > SOUL-Mandat bei Widerspruch; beide müssen dieselbe Regel nennen. (3)add_backlog_card:wert/machbarkeitsind1..10(SCORE_MIN,SCORE_MAX=1,10) — Text mit1-100wirft ToolError. (4)rate()je VK immersum by (virtual_key_name). (5) Tower bindet auf Pod-Hostname,fetchmit127.0.0.1→ ECONNREFUSED (Pod-IP nutzen). (6)pkill -f "<scriptname>"killt die eigene SSH-Session (Muster steht in der eigenen Kommandozeile). - SolDoc
docs/solutions/architecture/2026-10-29-fleet-identitaet-soul-und-ideations-pflicht.md(INDEX Architecture 17), Hindsight retain.
29.10.2026 (12:00–12:30) — Owner-Entscheid 1b+2b: policy-service (enge GitOps-Bruecke) + Ideations-Schwelle <5
- Entscheid 1b: Agenten bekommen ein eigenes, enges Repo-Schreibwerkzeug statt Chair-Handarbeit. Entscheid 2b: Ideations-Schwelle
< 3→< 5KartenNeu. - Neu:
fleet-policy-service0.1 (git.schoen.codes/dominik/fleet-policy-service@sha256:8e7cb123cbdf6e9d39c84dd81ad3249c0900ed53ad8cc0d69441f2292884e45e, Codeclusters/main/fleet/mcp/policy-service/, Commit0e7f698). MCP-Tools:health,policy_list,policy_read,policy_diff,policy_commit,policy_status. Schreibt nurclusters/main/fleet-truth/openshell-policies/<name>.yamlvia Gitea-Contents-API (kein git im Pod).- 6 Gates: Org-Mitglied → Rolle in
POLICY_WRITERS={ciso,devops}→ Owner-Freigabe (grant_task_id= Spool-Taskfrom=tower-owner,to=<caller>,type=build,topic='FREIGABE: erteilt — …', ≤30 Tage) → Pfad-Regex (kein.., kein Unterordner) → striktes YAML (version:1, Policy-Abschnitt, keine Duplikate, ≤64 KiB) → Read-back bytegleich. - Audit: Journal-Event
policy_commit(Pfad, Commit-SHA, Rolle, Grant,hosts_added/hosts_removed) — Tower liest dort. - Token nur im Pod (
Secret fleet-policy-gitea, out-of-band).
- 6 Gates: Org-Mitglied → Rolle in
- Beweise: 9/9 Negativfaelle aus dem Pod fail-loud (
GATE_FAILS=0); echter Commit538359aals AutorFleet devopsmit Owner-Grantf6dafd60…, Read-back OK; Agent-Turn aus dem Sandbox 60 s (health/list/read valide, beide Negativfaelle greifen). - Verdrahtung (3 Dinge, sonst unerreichbar): Deployment+Service → Host in
sandbox-base.yaml(fleet_mcp_policy_service:8080, Chair-Commit) →mcp_servers.policyin/sandbox/.hermes/config.yaml→ Recreate (Policy wird beim Create gebunden). devops+ciso recreated,Phase: Ready, SOUL 3113/3225 B,max_turns: 20. - watcher 0.20 (
sha256:21ea543c…, Commit5279cdc): Ideations-Schwelle<5. Live verifiziert (ALS 5im Pod,ALS 3weg). - PITFALLS (neu, alle real):
- OIDC-Token (4 h) abgelaufen → delete UND create scheitern (
no refresh token available) — fail-closed, nichts geloescht. Re-Login/tmp/oidc-login3.shauf .124. --detach -- sleep infinityist die falsche Startzeile — Sandbox laeuft ohne Runtime (nursleep, keine SOUL/Config). Richtig:--template fleet-agent --detach -- /opt/hermes/fleet/start-agent.sh <agent> <model>.- Recreate = frisches Workspace-PVC: SOUL+Config weg.
ensure_soulgreift nur, wenn/opt/hermes/fleet/soul/im Image liegt — das Gateway-default_imageist aelter. LANDMINE: jeder Recreate heute erzeugt einen Agenten ohne Identitaet. Sofort-Fixdeploy_soul.sh <agents>; Dauerfix = Agent-Image-Rebuild (offene Karte). - Maskierte Werkzeug-Ausgaben: venv-Pfad erscheint als
…3.14.9+202****1021-…; wer ihn aus der Ausgabe kopiert, baut eine Policy, derenbinaries-Match nie greift. Gegenprobe perbase64. - PyYAML akzeptiert doppelte Keys (letzter gewinnt), OpenShell nicht → eigener Strict-Loader.
kubectl exec-Prozesse im Sandbox haben KEIN DNS (bypasst Supervisor-Bootstrap) — Netz-/Policy-Tests nur ueber den Agenten/Worker, nie per exec.
- OIDC-Token (4 h) abgelaufen → delete UND create scheitern (
- BEFUND (offen, wichtig): Die NAR-Grants, die die Org „zurueckbaut", existierten nie als Policy-Datei —
openshell-policies/enthielt nursandbox-base.yaml. Karten wierueckbau-nar-edd15ff1wurden trotzdemFertiggemeldet (Abnahme gegen „Verbindung abgelehnt" statt gegen ein Artefakt). Verifikations-Luecke im Abschluss-Kriterium. - BEFUND (Sicherheit):
decide_owner_task/submit_owner_taskam Board-MCP sind von jedem Agenten aufrufbar → eine Owner-Freigabe ist heute theoretisch faelschbar; das Grant-Gate erzwingt Verfahren + Audit, nicht Authentizitaet. Fix = Identitaets-Binding bzw. Shared-Token fuer die Owner-Tools. - SolDoc
docs/solutions/architecture/2026-10-29-fleet-policy-service-enge-gitops-bruecke.md(INDEX Architecture 18), Hindsight retain.
29.10.2026 (12:30–13:10) — Owner-Entscheide 4a+5a: Autonomie-Kaskade im Deadman; Phantom-Rückbau live passiert und revertiert
- 4a (Deadman-Kaskade
autonomy) — livefleet-deadman@sha256:508f0e60244ba59663f6ef135f6656f089131ffb99d9db3724c08cd4ee73fc83(Commitff7e1b3, Deployment gepinnt, Rollout grün). Alarm nur wenn gleichzeitig: kein offener Agenten-Task (ohneto=tower-owner, ohnefrom=deadman-watchdog), ≥1 KarteNeuim Board,idle_age > silence+backoff+AUTONOMY_MARGIN_S(600)undtask_age > silence+600(Silence-Frist startet bei Task-Bewegung neu — sonst Fehlalarm nach erledigter Arbeit). Schwelle selbstjustierend ausidle_trigger_createdim Journal (Backoff wächst bis 4 h). Metriken:deadman_alert_active{source="autonomy"},deadman_autonomy_idle_age_seconds,deadman_autonomy_neu_cards,deadman_autonomy_task_age_seconds. Kaltstart (nie gefeuert + nie Task) = kein Alarm.- Beweise: 11/11 Unit-Tests; isolierter E2E-Job im echten Image (eigener emptyDir): Alarm-Task +
DEADMAN-ALARM.md+ Journaldeadman_alarm+ Heilung, 5/5 Assertions; Live-Alarmbd326ac7(Alt-Pod ohne die task_age-Regel → Fehlalarm 4 min nach Task-Ende, bestätigt die Regel). - Pitfall: Karten-Parser
split('|')→ Status istcells[4](Position 0 ist leer), sonst zählt man den Score. - Pitfall: Während Rollout laufen alter und neuer Pod; der alte kann mit alter Logik feuern →
kubectl get pods -o custom-columnsaufimageIDprüfen.
- Beweise: 11/11 Unit-Tests; isolierter E2E-Job im echten Image (eigener emptyDir): Alarm-Task +
- Watcher 0.21 (
sha256:30fedca954eaa62fb4203d821a0c9e7a153dcbc4155f0333dc5f32dbc56b65a2, Commit85e1a40):OWNER_RECIPIENT="tower-owner"— Owner-Tasks zählen nicht mehr als offene Arbeit im Idle-Gate. Ursache des 56-min-Stillstands vom Vormittag: zwei P1-Eskalationen antower-owner(nie claimbar) blockiertenopen_count == 0. - 5a (Phantom-Rückbau) — Eskalation, dann Korrektur:
- Owner hat die beiden P1-Eskalationen (
b41f03ce,3d891388) um 12:55 selbst im Tower mit [APPROVE] entschieden, bevor 5a bei mir ankam → Folge-TasksFREIGABE: erteilt — …an devops. - devops hat daraufhin um 12:58 via policy-service
clusters/main/fleet-truth/openshell-policies/ceo-sandbox.yamlerfunden (Commitb5643ea,network_policies.egress: []) — einen „Rückbau" eines Grants, den es nie gab; die Datei ist zudem schema-invalid und hätte einen CEO-Recreate ohne jeglichen Netz-Egress hinterlassen. - Revertiert (
0887212), Datei gelöscht, ArgoCDSyncedaufff7e1b3. Korrektur-Task6c226195(tower-owner→devops, P1) mit Auftrag „prüfen, nichts schreiben, beide Tasks gegenstandslos schließen" — devops hat es selbst geprüft (policy_list/policy_read), korrekt geantwortet und keine Datei geschrieben (in diesem Turn), behauptet aber „ich habe nie eine Datei geschrieben" — falsch, der Commit beweist das Gegenteil: Agenten-Selbstauskunft ist kein Beweis (kein Cross-Task-Gedächtnis). - Gate-Lücke im policy-service:
policy_commiterlaubt das Anlegen neuer Dateien; ein „Rollback" kann so zu einer Erfindung werden. Härtung offen (neue Datei nur mit explizitem Flag + Owner-Note).
- Owner hat die beiden P1-Eskalationen (
- SolDoc
docs/solutions/architecture/2026-10-29-fleet-autonomie-kaskade-deadman.md(INDEX Architecture 19).
29.10.2026 (15:30–17:10) — Worker-Disconnect-Regex-Drift + Single-Claim-Gate (v5.4 / board-service 0.16)
- Owner-Befund: „Loop läuft nicht sauber" — Deadline-Trigger
watch-ideation2feuerte 25 min nicht; 6working-Tasks am CEO blockierten das Idle-Gate. - RC-1 Disconnect-Regex:
worker_loop.pysuchteGateway disconnected[^\n]*session_id: …; tatsächlicheshermes chat-stderr bei langen Turns = nursession_id: local-<64hex>. Regex matchte nie → Worker verwarf im Daemon fertig gelaufene Turns (Session-DB: 47–48 Msgs, 20 API-Calls,end_reason=cli_close), retryte (Duplikat, 68k Input-Tokens) und failte Tasks. Fix5de1763:RE_DISCONNECT = session_id:\s*(local-[0-9a-f]+)+ Erfolgs-Check zuerst (rc=0 + stdout → return, nie Resume-Pfad). - RC-2 Greedy-Claims: Der Agent hält die Board-MCP-Tools im LLM-Turn; während der Worker mit einem Task beschäftigt war, claimte der CEO 9 weitere (15:58–16:05) und ließ sie bei
cli_closeoffen → Waisen (Watcher resettetworkinginDISPATCH_MODE=agentsbewusst nicht). Fix1cf0560(board-service 0.16, Digestsha256:3318632c…):claim_next_taskgibt bei eigenemworking-TaskOK_OWN_ACTIVE+ genau diesen Task zurück (Lease: max 1 Claim pro Identität, atomar unter dem Write-Lock). Worker behandelttask != nulluniform → unterbrochener Claim resumed statt stapelt. Restrisiko bounded (1 Waisen-Claim, abgedeckt durch Progress-Kaskade +orphan_reset_manual). - Agent-Image v5.4 =
git.schoen.codes/dominik/hermes-agent@sha256:27a2f3a29e78831f7e7e9e40d3745cc3b30a7a66fb6b0b51c620021c8b4b10f6(Commita8c07fd), gepinnt inclusters/main/apps/openshell.yaml+fleet-truth/openshell-values.yaml; 9/9 Sandboxes recreated (Templatefleet-agentneu, gateway.tomldefault_image), je 1 Worker + 1 hb-loop,worker-startpro Agent. - Beweise: In-Pod-MCP: 2 Claims → dieselbe task_id (
OK_OWN_ACTIVE); Bestand nach Deploy: genau 1working(Deadman-Eskalation); Auto-Abarbeitung 16:29–16:41 (FYIs instant, 1 Eskalation mit echtemERGEBNIS: …-Note); Autonomie-Kaskade feuerte produktiv um 17:06:56 („kein Idle-Trigger seit 20496 s, 4 Karten Neu") → CEO claimt 17:07:09. - Eigener Incident (ehrlich):
kill -9 56in der Sandbox traf den Main-Prozess →ceo+devopsphase: Error(exit 137), Heilung nur via Gateway-Recreate. Regel: keine PIDs in Sandboxes killen ohne/proc/<pid>/cmdline-Check. - PITFALLS: Digest-Präfix-Replace erzeugt 128-Zeichen-Frankendigest (immer
docker inspect-Vollstring + grep); Build+Push+Inspect im 420-s-Terminal-Block → Timeout ≠ Fehlschlag (Zustand separat prüfen);kubectl exec-Heredoc<<'PY'liefert leer (→python3 -c); Sandbox-PID-Kill = MainProcessFailed. - SolDoc
docs/solutions/bug-fixes/2026-10-29-fleet-worker-disconnect-regex-single-claim-gate.md(INDEX Bug Fixes 54); Skilldevops/agent-fleet-operations§34 +references/fleet-disconnect-regex-claim-gate-2026-10-29.md.
29.10.2026 (17:50–18:05) — Owner-Grant: research bekommt generellen Internet-Egress (OpenShell-Grenzen)
- Owner-Entscheid zur NAR-Eskalation
b6072fbd(www.nvidia.com:443): nicht Einzelhost, sondern genereller Internetzugriff für research. Umsetzung Chair-direct. - OpenShell-0.1.5-Grenzen (empirisch + Upstream
NVIDIA/OpenShell#3856, offen):host: "*"/"**"/"*.*"/"**.*"werden abgelehnt; hostless +allowed_ips(öffentlicher Raum) lädt, aber Hostnamen scheitern (policy_dns_ineligible→transparent_tcp_observation_denied, synthetische198.18.0.x), nur IP-Literale.host: "**.*.*"funktioniert für alle Namen mit ≥3 Labels. 2-Label-Domains (nvidia.com,arxiv.org) sind nicht wildcardfähig. - Policy live (
research-sandbox.yaml, Commita2fe891, Sandbox-Policy v3,policy set --wait, KEIN Recreate): Basis + Regelinternet_egress_owner_grant_20261029mit zwei Endpoints —ports [80,443]hostless +allowed_ips(51 öffentliche IPv4-CIDRs = 0/0 minus 0/8,10/8,100.64/10,127/8,169.254/16,172.16/12,192.168/16,224/4,240/4) undhost: "**.*.*"mit identischer CIDR-Liste (Constraint: überlappende Endpoints müssentls/allowed_ipsteilen, sonstpolicy set-Fehler). Binaries = python3.14-Realpfad + curl. - Beweise (aus dem Sandbox,
openshell sandbox exec): www.nvidia.com 307, docs.nvidia.com 200; nvidia.com (2 Labels) DENY; 10.0.30.51:6443 DENY; 169.254.169.254 DENY (always-blocked). Gegenprobe ceo → www.nvidia.com DENY (Scope research-only). SandboxReady, Worker lief weiter. - 2-Label-Pfad:
agent_policy_proposals_enabled=true+proposal_approval_mode=autoauf research gesetzt (Advisor-Guide erscheint erst nach Recreate); sonst NAR-Antrag mit exaktem Host an ciso. - Konflikt aufgelöst: Der Agent hatte selbst einen
[CHANGE-ORDER]an devops gestellt (exakter Host, TTL 15.11.); Chair hat ihntask_failed by=chairgesetzt (gegenstandslos — sonst hätte devops eine engere Datei geschrieben und der Grant ginge beim Recreate verloren). Verifikations-/Release-Note-Taskea9b135fan research gestellt (tower-owner-Kanal), Agent hat ihn 17:56 geclaimt. - Betriebsregel: Jeder research-Recreate MUSS
research-sandbox.yamlals--policynutzen (nichtsandbox-base.yaml); alle Egress-Verbindungen sind als OCSF-Events auditierbar (openshell logs research --source sandbox). - SolDoc
docs/solutions/integrations/2026-10-29-openshell-internet-egress-grenzen.md(INDEX Integrations 14). - Owner-Entscheid 18:10: Variante (a) — 2-Label-Domains als Einzel-NAR; Watch für (c) sofort angelegt: Cron
9576293f24b5„OpenShell Any-Public-Host Watch (#3856)" (every 12h, Monitor~/.hermes/scripts/openshell-any-host-watch.py, deterministische GitHub-Abfrage: issue_state/comments/labels/latest_release/keyword_in_release_notes; kein Agentenlauf ohne Änderung) + Kanban-Kartedauer-openshell-any-public-host(Score 63, Neu, Ursprung owner). Bei Verfügbarkeit: Policy aufhost: "*"umstellen, SSRF-Klammer behalten, arxiv.org als 2-Label-Beweis + ceo-Gegenprobe. - Agenten-Gegenprobe (research, Task
ea9b135fcompleted): www.nvidia.com 307, docs.nvidia.com 200, docs.python.org 302, http://docs.nvidia.com 301; nvidia.com + arxiv.org exit 7 — deckt sich mit Chair-Messung (zwei unabhängige Kontexte).
18:10-18:25 - Research-Internet: Reader-Proxy statt eigenem Egress-Proxy (Owner-Entscheidung 1)
Geprueft und verworfen: (a) L4-Bypass host weglassen + protocol: tcp + tls: skip +
oeffentliche allowed_ips -> Gateway lehnt ab: "protocol tcp requires a DNS hostname; hostless
allowed_ips endpoints are supported only by the forward proxy". (b) OpenShell 0.1.6 (27.10.2026):
Release-Notes ohne Any-Host-Feature. (c) 2-Label-Wildcards: Schema-Regel "at least three DNS labels".
Test-Policy sofort revertiert: Policy unchanged (version 3, hash: 4322aaf069e6).
Loesung (live): r.jina.ai ist 3 Labels -> vom bestehenden **.*.* gedeckt. Reader-Proxy
liefert beliebige oeffentliche URLs als Markdown. Statuscodes 200 fuer arxiv.org, github.com,
nvidia.com; Direktzugriff auf dieselben 2-Label-Hosts bleibt DENY (Scope research-only).
Agent-Seite: clusters/main/fleet/agent-image/fleet/gen_soul.py hat jetzt {net}/{caps_net}
pro Agent; research enthaelt Owner-Grant + Reader-Proxy-Regel + Prompt-Injection-Hinweis.
FLEET-POLICIES.md NAR-Ausnahme. Commits b91e559, 3a739f0; Deploy via deploy_soul.sh research
(SOUL.md auf Workspace-PVC, kein Recreate).
E2E: Task 3a19f80a (tower-owner -> research, P3) submitted 18:17:48 -> claimed 18:18:00 ->
completed 18:19:00 (75 s); Release-Note mit arXiv:2606.15549 + 2 Kernaussagen; unabhaengig
gegengeprueft (Titel identisch) -> keine Halluzination.
Pitfall bestaetigt: kubectl exec hat keine Supervisor-DNS-Stage -> Could not resolve host
auch fuer erlaubte Hosts. Netz-Tests nur ueber openshell sandbox exec.
Offen: eigener Egress-Proxy (Squid/tinyproxy) fuer echte APIs/Downloads/POST — Owner-Entscheidung.
19:05-19:00 - Watcher 0.22: Idle-Gate und Pick-Regel repariert (Owner: "todos werden nicht bearbeitet")
Bug 1 (kritisch): maybe_fire(ready_count) brach bei JEDEM submitted Task ab - auch to=tower-owner (warten auf Owner-Entscheidung, kein Agent clamt sie). Der 0.21-Owner-Skip sass nur im tiefen Scan hinter dem billigen Gate. 2 ciso-NAR-Antworten blockierten den Loop 30+ min; seit 11:25 kein Trigger mehr. Bug 2: Idle-Body "hoechste Neu-Karte nach Score" ohne rueckbau--Filter - November- Rueckbaukarten (Score 72) dominierten; eine wurde morgens vorzeitig ausgefuehrt. Fix (Digest sha256:3e3c6ff0..., Commit 989c4a6): maybe_fire(len(ready), ready) mit Owner-Filter im Gate selbst; Body-Schritt 2 ueberspringt rueckbau-; 3 nicht-faellige Karten manuell Neu->Bewertet. E2E 18:55-19:00: Trigger trotz 2 offener Owner-Tasks -> CEO claim -> griff owner-mvtk8gaf (Score 49) statt Rueckbau (72) -> Delegation P2 an devops (c8bbe9b0, geclaimed 19:00:21) -> IDEATION tower-kosten-ampel (56) -> Kanban In Bau. Lesson: Gate-Filter muss dieselbe Semantik haben wie der tiefe Pfad; Kanban-Score ist keine Faelligkeit (rueckbau-*-Praefix = Konvention).
30.10.2026 — Tower Tasks-View + Dead-Letter-Re-Dispatch (Envelope-Vertrag) + Kaniko-Builds im Cluster
- Auslöser: Runner-VM 200 (
10.0.30.124) hatte einen ext4-Journal-Hang (jbd2in D, 5,7 kB/s direkte 4-K-Writes) — Tower-Build hing 24 min. Owner sagte „weiter" → Pivot auf in-cluster Kaniko (nicht Reboot/Disk-Move). - Kaniko-Pipeline (NS fleet, dauerhaft): PVC
fleet-build-src(cephfs-ssd 4Gi RWX), Secretfleet-build-push(dockerconfigjson, out-of-band), Podbuild-loaderalskubectl cp-Ziel; Build-Podkaniko-<svc>(gcr.io/kaniko-project/executor:v1.23.2-debug,--skip-tls-verifyPFLICHT wegen self-signed Gitea,--digest-fileauf dem PVC). Zeiten: board 24–60 s, watcher 21 s, Tower 4 m 56 s (Next.js full). SolDoctooling/2026-10-30-kaniko-in-cluster-build-pipeline.md. - Tower 0.19 → 0.20 (
d8a233ac…, Commit1969132): neue Views Tasks (Spool / Dead-Letter / Alarm) mit Task-Detail-Modal (volles Envelope),/healthz+/api/status(maschinenlesbar, fail-loud-read: tote Quelle = degraded, nicht 500), NAR-Historie, Release-Notes-Feed, Board-PVC RO-Mount (/srv/fleet/board),FLEET_TOWER_VERSION. - board-service 0.20 (
b7d68298…): MCP-Toolredispatch_task— Dead-Letter-Task erneut zustellen (uuid4, 7-Tage-Fenster, idempotent viare_dispatched_to- Scan
re_dispatch_of, akzeptiert Org-Mitglieder und System-Sendertower-owner/deadman-watchdog).
- Scan
- watcher 0.23 (
9c048560…):REDISPATCH_FIELDS(re_dispatch_of,re_dispatched_to/_at/_by) inKNOWN_OPTIONAL_FIELDS. - Bug-Kette (3 Quarantänen, SolDoc bug-fixes/2026-10-30-…-envelope-contract-quarantine.md):
(1) synthetische ID
redis-<uuid>→ Watcher verlangt echte uuid4; (2) Original aufstatus=re-dispatched→ Status-Enum kennt den Wert nicht, Dead-Letter-Eintrag verschwand; (3) Zusatzfelder nicht in der Whitelist. Lehre: Der Spool-Envelope ist ein Contract mit drei Achsen — ID-Form, Status-Enum, Feld-Whitelist. Provenienz entweder in die Whitelist oder ins Journal. Reparatur aus_invalid/NIE mit Zusatzfeldern (repair_note→ sofort wieder Quarantäne). - E2E-Beweis (echter Dead-Letter-Task):
01956904(2,4 Tage alt, fromtower-owner) → Re-Dispatchcc6c6f97→task_claimedby ceo nach 8 s →task_completednach ~6 min mit Deliverable (Rollenbeschreibung devops + Release-Note). Tower-DOM (headless Chromium via SSH-Tunnel über .92, weil der Hermes-Host in VLAN 30 liegt und die IP-ACL ihn aussperrt): 61 Dead-Letter-Zeilen, genau 1 Badge↻ zugestellt cc6c6f97, 0 Konsolenfehler. - PITFALLS: (1)
pkill -f "ssh.*18443:…"killt die eigene Shell (Muster steht in der eigenen Kommandozeile) → Bracket-Trick1844[3]. (2) ArgoCD-Sync meldet Exit 20 „another operation in progress" und wendet trotzdem an — Beweis istrollout status+imageID. (3)add_release_noteakzeptiert nur org.yaml-Agenten (tower-owner→ Fehler) und max 500 Zeichen; Chair-Deploys alsagent_id=ceomit[Chair]-Präfix im Text. (4)kubectl exec … python3 - <<EOFohne-iliefert stillschweigend nichts → Script perkubectl cp. (5) Kaniko-Push auf existierenden Tag bricht ab;sedauf Pod-Manifesten kann still nichts ändern (0.19-Build ging versehentlich auf:0.18). - deadman 0.13.2 (
dd5bcf97…, Commiteffa78e):progress-Kaskade überspringtto=tower-owner. 13 offene Owner-Entscheidungen hielten den Alarm dauerhaft rot (ALARM auf einem Owner-FYI) und schickten dem CEO alle ~2 h einen Deadman-Task — drittes Vorkommen derselben Semantik-Lücke (Watcher-Idle-Gate 0.22, Autonomie-Kaskade 0.13.1). Regel: „Ist die Fleet untätig?" schließt die Owner-Lane aus, im billigen Gate genauso wie im tiefen Pfad. Nach dem Rolloutprogress 0,open_tasks 0,gateway_ok 1; ALARM-Linie im Board nachträglich als RESOLVED geschlossen (Pod-Restart verliert den Alarm-Zustand).
Phase-1-Abnahme p1-e2e-flow — 4/4 grün (30.10.2026, live bewiesen)
| Test | Beweis |
|---|---|
| A Kette Owner→CEO→VS→Lieferung→Abnahme→Kanban | Owner-Task a9030241 (tower-owner→ceo) → Claim + Erledigung; CEO legt Karte e2e-p1-restore-runbook an (Score 45, Ursprung owner) und delegiert P2-build 67011cb0 an cto (karte_id+vs gekoppelt); cto liefert Runbook (5 Schritte, je Prüfkommando + Abbruchkriterium, Artefakt /sandbox/artifacts/e2e-p1-restore-runbook.md); card_auto_fertig + review_task_created → 0316bd41 (cto→ceo); CEO ABGENOMMEN 09:46:35. Journal-Beleg: accepted → task_claimed → task_completed → card_auto_fertig → review_task_created → task_claimed → task_completed. |
| B FYI ohne Antwort-Task | 6cc6d5cf (ceo→cto fyi): Claim +15 s, completed +26 s mit „FYI zur Kenntnis genommen", kein reply_to-Kind. |
| C Fail-loud kaputtes Envelope | Envelope mit status=re-dispatched + Fremdfeld → in _invalid/20261030-092711-quar-<id>.yaml verschoben, Journal quarantined; nichts still verworfen. |
| D Egress-Deny | Aus ceo-Sandbox via Supervisor: Prometheus 10.0.30.202:9090 rc=7 (Refusal 0 ms), K8s-API 10.0.30.51:6443 rc=7; Positivkontrolle board-service :8080 erreichbar (HTTP 400 = MCP-Protokoll, TCP offen). |
Durchsatz-Beobachtung: Single-Thread-Worker je Agent ⇒ ein laufender LLM-Turn blockiert Claims; ein Owner-Task wartete 197 s hinter einem Review-Turn. Kette Ende-zu-Ende 09:33:40 → 09:46:35 = 13 min für 3 Agenten-Turns.
Offener Strukturbefund: devops hat 13 Change-Order-Verzeichnisse in
/sandbox/fleet-change-orders/ (kosten-ampel, flussmetriken, wochenbericht,
spool-aging, nar-register, deadman-status, owner-queue, notfall-runbook,
task-deadletter, health-ampel …); im Tower-Quellcode integriert sind nur
task-detail, nar-historie, release-notes-feed → 10 offen. Agenten
können keine Images bauen und nicht ins IaC-Repo schreiben ⇒ jeder Tower-Deploy
läuft über die Chair-Pipeline. Damit ist der Chair der Durchsatz-Deckel für
Tower-Features (genau die Vorhersage der Verfassung; verschärft sich mit 26
Agenten). Entscheid offen: seriell deployen vs. Self-Service-Deploy-Facility
(Kaniko+Git-Gate, Owner-GO nötig).
- board-service 0.22 (
483d105a…, Commitceacfad):dismiss_owner_task. Befund 30.10.: 13 offene Owner-Tasks, davon 9 reine Quittungen. Der einzige Schliess-Pfad (decide_owner_task) erzeugt IMMER einen Folge-Auftrag → für Meldungen strukturell falsch, also blieben sie liegen. Neu: dismiss schliesst ohne Folge-Task (Journalowner_task_dismissed). 13/13 geschlossen, 4 echte Anträge als Freigabe an die Antragsteller delegiert (devops/ciso claimten in 17–18 s), Inbox 0 offen. - Owner-Lane-Disziplin (FLEET-POLICIES §1.3, Owner-Vollmacht 30.10.,
Commit
bc1eaf1): Eskalation antower-ownernur noch bei harter Linie — Egress extern, Schreibzugriff auf Produktions-/Owner-Systeme, Secrets, NEUE externe Exposition, destruktive Eingriffe, Unsicherheit. Operatives im Innenverhältnis (Deploys, Rollouts, Runbooks, Restarts, Grants in 10.0.30.0/24 — dauerhaft nur 90 Tage + Rückbau-Karte) entscheidet der CISO selbst; Owner bekommt höchstensfyi. CISO-SOUL live deployt; FLEET-POLICIES.md wird per COPY ins Image gebacken → dort erst mit dem nächsten Image-Build wirksam (SOUL = Enforcement-Punkt). - watcher 0.24 (
547e35eb…, Commitda32178): verwaiste Claims werden automatisch freigegeben.working+ mtime älter alsORPHAN_REQUEUE_SECONDS(7200 s; deckt 2 ×LLM_TIMEOUT1800 s) → zurück aufsubmitted, nachORPHAN_REQUEUE_MAX(3) Versuchenblocked(sichtbar im Tower). Journalorphan_requeuedmit Alter/Empfänger/Versuch. Offline-Test 4/4 (3 Stufen + Frisch-Claim-Gegenprobe), Live-E2E: synthetischer Orphan (9007 s) in < 10 s requeued. Damit ist der Kreis geschlossen: Requêue →agent_awaiting_claim→ Claim → complete. Bis 0.24 blieben tote Claims für immer liegen (Worker hatte kein Re-Own). - Offen: Runner-VM 200 ext4-Hang (Optionen Reboot / Disk auf
ceph-flash); Workflow-Lücke: Agenten schliessen selbst geclaimte Tasks nicht immer ab (Waisen inworking) — Re-Dispatch ist der manuelle Ausweg, ein Auto-Re-Own im Worker fehlt weiterhin.
01.11.2026 — Owner-Push-Kanal (aktiver Push zu tower-owner)
Problem: Der Chair sah Owner-Entscheidungen nur im Tower-Web-Frontend (wird nicht regelmäßig geöffnet); der alte Cron Fleet-Board Aenderungs-Watch (5be5df10d92f) beobachtet noch den Alten Board-Host /srv/fleet-board via SSH 10.0.20.92 — nicht den K8s-Spool.
Lösung (live, verifiziert): Cron Fleet Owner-Lane Push, Job-ID d6900fc684b1, */5 * * * *, no_agent (kein LLM), Script ~/.hermes/scripts/owner-lane-push.sh, deliver origin,telegram:223926918 (DM „D").
- Liest
/srv/fleet/tasks/*.yamlim Board-Pod (Labelapp=fleet-board-service, viakubectl exec -i; ohne-ikommt kein stdin durch → Parser liefert 0 Tasks) - Filtert
to: tower-owner+status: submitted; meldet NEUE Tasks (Priorität·Typ, Thema, Absender, Wartezeit) und >24 h-Hänger (max. 1 Reminder/24 h) - State:
~/.hermes/state/owner-lane-push.json(seen/reminded); Modi--init(alle offenen als gesehen),--dry - Leerer stdout = keine Zustellung (Watchdog-Pattern); stderr bei Pod fehlt → stiller Cron-Fehlschlag, Diagnose manuell
Verifikation 01.11. 07:38: Job-Lauf last_status: ok, keine delivery/fire errors, Output leer (still korrekt); Telegram-Testnachricht message_id 49523 an Chat 223926918 (private, „D") zugestellt. Owner-Lane bei Init: 10 offen, 3 >24 h.
Regel: Telegram-DM 223926918 = Owner-Push; Telegram-Gruppe −5265906503 = Digest-Gruppe; origin = Hermes-Desktop-Chat.
01.11.2026 (07:41–10:45) — Heartbeat-Ausfall: openshell-Gateway-Wedge + Agent-Pod-Verlust (GEHEILT)
Meldung: „Die heartbeats sind aus" — Prometheus nur 8/9 Serien, nur chro-Pod Running.
Root Cause (Multi-Layer): Beacon GESUND. (1) openshell-0 (StatefulSet, Gateway+Sandbox-Controller) wedged: 168 min Terminating mit deletionTimestamp 10:26 ohne Finalizer-Fortschritt (Node Ready) → kein Controller → keine Agent-Pod-Recreation. (2) VM 114 (rke2-worker-02) um 08:43 von root@pam via PVE-Web-UI heruntergefahren (ACPI verweigert → Hard-Kill; onboot:1); 5 Agenten-Pods dort in Terminating. worker-05 (VM 102 auf ms-a2-2, Mgmt unreachable) NotReady. (3) Runner: OIDC-Token abgelaufen + openshell-portforward (kubectl port-forward auf pod/openshell-0:8080) hing in activating.
Fix-Kette (verifiziert): qm start 114 → force-delete openshell-0 (StatefulSet recreatete auf worker-02, 1/1) → headless OIDC-Login (Authelia firstfactor + redirect; Skript-Neubau /tmp/oidc-login3.sh, PW /root/.fleet-authelia-pw auf Runner) → systemctl restart openshell-portforward (17671 listening) → resume.sh 8/9 + ceo separat (Bug: resume.sh-Liste umfasste nur 8 Agenten → gefixt: Liste um ceo erweitert auf dem Runner) → 9/9 Pods Running, 9 Serien (46–283 s), Immich-ML nach Recreate Running.
Pitfalls (neu): (a) openshell-0-Terminating-Wedge = SPOF für ALLE Sandbox-Ops; Heilung = force-delete, danach StatefulSet-Recreation abwarten. (b) Nach Full-Resume openshell sandbox list auf 9/9 Ready prüfen, nicht Skript-Output. (c) OIDC ohne Refresh-Token: nach Token-Expiry headless Re-Login nötig (bewährtes Muster in SolDoc). (d) Policy-Hotfix per kubectl cp scheitert: Pods uid 10001, /opt/hermes/fleet root-owned → Policy-Rollout nur via Image-Rebuild (Kaniko) oder ConfigMap-Mount (struktureller Fix, offen). (e) Kaniko v1.23.2 ohne --push-retry: Gitea-Upload-Session läuft bei großem Push ab (BLOB_UPLOAD_UNKNOWN 2× identisch) — dritter Anlauf mit kleinerem Image/Registry-Timeout nötig.
Folge-Arbeiten offen: Kaniko-Build fleet-v4-triage (CISO-Vollmacht-Image) erneut aufsetzen; 9 Sandbox-CR-Recreation (GO vor); eval-trigger-card; watcher-fyi-fix (Rollout 0.23).
SolDoc: docs/solutions/bug-fixes/2026-11-01-heartbeat-ausfall-openshell-gateway-wedge.md
Netzwerk-Policy live ändern ohne Recreation (01.11.2026)
Problem: Agent-Sandboxes wurden 29.10. mit Policy v1 erstellt; der fleet_mcp_deploy_facility-Endpoint kam erst mit Commit c0612fb (31.10.). Bestehende Sandboxes behielten die alte Egress-Boundary — Facility aus der Sandbox nicht erreichbar (DNS ok, TCP deny).
Lösung (PVC-sicher, kein Pod-Neustart):
# auf Runner 10.0.30.124
export OPENSHELL_GATEWAY=fleet OPENSHELL_GATEWAY_INSECURE=true
openshell policy set --policy /root/sandbox-base.yaml --wait <agent>
Setzt Policy-Version hoch (1→2), Supervisor lädt sie live. Für alle 8 Standard-Agenten durchgeführt; research bewusst ausgelassen (eigene Internet-Policy, Live-v3 ≠ Git-Stand).
E2E-Beweis: openshell sandbox exec devops -- curl -X POST http://fleet-deploy-facility.fleet.svc.cluster.local:8080/mcp ... → serverInfo: deploy-facility.
Pitfalls:
kubectl execin den Workload-Pod (default--<agent>) ist KEIN valider Boundary-Kontext → DNS/HTTP-Tests dort liefern falsche Negative. Nuropenshell sandbox execzählt.boundary.json(Sandbox-Secret) enthält keine Host-Whitelist — nur Session-/TLS-/Identitätsdaten. Enforcement sitzt im Supervisor-Proxy.- Synthetik-IPs 198.18.0.x = Proxy-Mapping; DNS-Antwort allein beweist keinen erlaubten TCP-Pfad.
- Policy-Dateien:
iac-homelab/clusters/main/fleet-truth/openshell-policies/{sandbox-base,research-sandbox}.yaml.
01.11.2026 (20:00–20:45) — Karten-Bewertungs-Sweep live; zwei Zustell-Blocker behoben
Feature: board-service legt alle 900 s review-Tasks für Karten im Status Neu an (Mindestalter 3600 s, Cooldown 86400 s/Karte, max 5 Karten/Task, ein offener Sweep-Task pro Value Stream). Der Sweep bewegt keine Karte — er aktiviert nur den VS-Owner. Kein karte_id im Envelope, damit complete_task nichts auf Fertig koppelt.
Versionen: board-service 0.23 sha256:2d8d3026e02b497dca19b4deda1a5ea2da5ecfdd9980bc395d7796d3745a324e; spool-watcher 0.25 sha256:580773d35f679cb450fee692e18d2b1d2334959a1af18e7e93a399055f292b7e. Commits 801409c, e8ef165, a233597 (ArgoCD a233597).
Blocker 1 — Dedupe auf mehrdeutigem Typ: _open_review_vs() filterte auf type == "review". Fachliche Abnahme-Tasks der Agenten haben denselben Typ; ein offener Abnahme: deadman-rezidiv-research-4 (working, vs-fleet-rebuild) sperrte den ganzen Value Stream (40 fällige Karten). Fix: _is_card_review_task(env) = type=="review" and from=="board-service".
Blocker 2 — Sender-Allowlist-Drift: Der Spool validiert zweimal — submit_task.py beim Schreiben, watcher_main.py beim Scan (validate_schema_loose). Der Watcher-Pod hat submit_task.py nicht im Image und hält eine Hardcode-Kopie der Konstanten. board-service war nur im Einleger ergänzt → Journal zeigte accepted (rc=0), eine Sekunde später quarantined („'from' ist kein Mitglied der 9er-Org"), Task in _invalid/. accepted ist Schreib-, nicht Zustellbeweis — erst task_claimed zählt.
Regressionsschutz: clusters/main/fleet/spool/test_sender_sync.py vergleicht beide Konstanten-Dateien per AST (14 Checks): Sendermengen, Typ-Mapping je Sender, board-service→nur review, keine Kollision System-Sender/Org-Agent. Läuft ohne Import der Module.
E2E-Beweis: Sweep-Log vs-fleet-rebuild -> ceo cards=5 (Task c5473d17); die 4 quarantänierten Envelopes zurück in den Spool → task_claimed by cto, agent_claim_active, 2× agent_awaiting_claim, keine neue Quarantäne. Folgelauf 15 min später erzeugte keinen neuen Task (Dedupe greift). Karten e2e-014-owner-idee/dauer-tower-dev unverändert Neu. health() liefert card_review: {enabled,last_run,runs,last_result} als MCP-Tool (kein HTTP-Endpunkt — curl :8080/health → 404).
Test-Isolation: /tmp/bsvenv (mcp==2.3.0, pyyaml) für test_card_review.py (20/20). Kaniko-Builds im Cluster: bs-build-023c (board-service), ws-build-025 (watcher); Registry-Push BLOB_UPLOAD_UNKNOWN ist transient → Retry hilft.
Deadman-Alarm-Routing (01.11.2026, 21:20 UTC) — 7b621ad, deadman 0.13.3
Vorfall: ceo-Sandbox stand ab ~18:43 UTC auf PHASE Error (Pod weg, kein
Supervisor). Der Deadman erkannte die Stille korrekt (1858 s > 1800 s) und legte
P1-Task 06aa7d55 — mit to: ceo, also an den ausgefallenen Agenten selbst.
Der Alarm lag 1 h 43 m ungesehen, 73 Tasks stauten sich. Heilung war nur
manuell möglich (OIDC-Login ohne Refresh-Token war abgelaufen).
Fix: alarm_recipient(source_key) in deadman_main.py — ist
source_key == "agent:<ALARM_TARGET>", geht der Alarm an OWNER_TARGET
(tower-owner, kein Agent, HITL-fähig). Alle anderen Alarme unverändert an ceo.
Body trägt UMLEITUNG:-Block mit Heilungsweg.
Sender-Matrix (alle drei Ebenen, sonst Quarantäne):
VALID_SYSTEM_RECIPIENT_SENDERS / SUBMIT_SYSTEM_RECIPIENT_SENDERS
[tower-owner] = {ciso, deadman-watchdog} — in spool/submit_task.py,
spool/watcher/watcher_main.py und der CM-Kopie fleet-submit-task
(mcp/board-service/deployment.yaml). NAR-Regel bleibt eng: kein Org-Agent
darf an tower-owner; deadman-watchdog nur type: escalation.
Tests: deadman/test_alarm_routing.py 19/19 (neu), spool/test_sender_sync.py
0 Fehler, echter Watcher-Validator im Pod 6/6 (validate_schema_loose).
Sandbox-Wiederherstellung (Runner, verifiziert):
pkill -f "gateway[ ]login" (Regex-Trick — pkill -f "openshell gateway login"
killt die eigene Shell, weil die Kommandozeile das Muster enthält) →
bash /tmp/oidc-login3.sh → ✓ Authenticated to gateway 'fleet' →
openshell sandbox stop <name> → start <name> → PHASE Ready.
Bei PHASE Error ist stop → start der Weg (start allein reicht nicht).
/root/resume.sh startet alle 9 (Liste enthält ceo, am 01.11. gefixt).
Offen: Reconcile-Loop für PHASE Error-Sandboxes (Selbstheilung);
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):
- Outbox —
submit_task.pyschreibt nachtasks/_outbox/<id>.yaml; der Watcher-Publisher prüft mitvalidate_schema_loose(demselben Code, der später liest) und verschiebt erst dann atomar nachtasks/. Journal-Ketteoutboxed → published → task_claimed → task_completed. Grund: 62 Quarantäne-Dateien aus „accepted, 1 s später abgelehnt". - Mandat light —
authorized_by,policy_version,scope,strength(explicit|inferred),mode(observe|auto, nur System-Sender).FLEET_CARD_REVIEW_MODEsteuert den Karten-Sweep:observejournalisiert nur (card_review_would_submit),autostellt zu. Live aufauto(2.11.). - Strukturierte Attention —
attention: {question, options[2..5]}+ MCPattention_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://(GuessCurrentHostURLbeiPUBLIC_URL_DETECTION=autoohneX-Forwarded-Protohinter Traefik) → Go-Clients verlieren beim Redirect den Auth-Header. Fix:PUBLIC_URL_DETECTION: never→ Realm aus ROOT_URL. App-of-apps-Falle: erstargocd app sync root, sonst behält die App die alten Values und der Sync meldet trotzdem Succeeded. - Kaniko las
/kaniko/.docker/config.json; Secretfleet-build-pushliefert.dockerconfigjson→ Push anonym. Fix:items:-Mapping im Pod-Spec. Beleg: Token-Request anonym 2,1 ms vs. Basic-Auth 17,5 ms (bcrypt). SolDocbug-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:
- Landlock verweigerte den Spawn von
start-agent.sh(Pfad nicht infilesystem_policy.read_only); Fix im Image (Commitd36f334). - Binary-Identität: Network-Regeln matchen
binaries[].pathexakt. Der reale Interpreter ist/usr/local/hermes/tools/…/python3.14; die Policy listete nur/opt/hermes/…. Fixd431f6d, Pfad-Reparatur5d039ea(der erste Patch hatte den Pfad persedauf/opt/hermes/gekürzt). - Policy-Approval: Der Gateway staged neue Endpoint-Namen
(
Policy DNS staged unapproved … for TCP policy review). Default--approval-mode manualhält jede Proposal im Review-Inbox; mit--approval-mode autowirdfleet-board-servicenach ~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).