feat(runbook): Notfall-Runbook + Inline-Hints an Alarm-Flaechen (CHO tower-notfall-runbook)

DATEI 1: public/runbook/runbook-tower-notfall.md (statisch, Anker #deadman/#spool/#deadletter/#health)
DATEI 2: /runbook-Route (Server Component, Mini-MD-Renderer, CSP-konform, force-static)
DATEI 3: runbookHints.ts (LAMP_HINTS/buildView/renderHintHtml 1:1 aus runbook_hints.py)
       + RunbookHint.tsx eingebunden an 4 Alarm-Flaechen:
         - EscalationHistory (Deadman, Szenario A)
         - TaskBrowser Spool-Tab (Szenario B) + Dead-Letter-Tab (B3)
         - TaskBrowser/OpsPanels Degraded/Error (Health, Szenario C)
Keine Ampelfarben/Deadman-Logik/Degraded-Banner/Datenpfade angefasst (CHO-NICHT ANFASSEN erfuellt).
Build verifiziert: tsc --noEmit clean, next build gruen (/runbook static).
This commit is contained in:
Dominik Schön
2026-10-30 16:58:17 +00:00
parent adb2286929
commit e5261401fe
7 changed files with 454 additions and 0 deletions
+131
View File
@@ -0,0 +1,131 @@
# Notfall-Runbook Tower (Fleet vs-fleet-rebuild)
Stand: 2026-10-30 · Autor: devops · Karte: tower-notfall-runbook
Geltung: Owner am Tower-Panel (10.0.30.213, tcp/8099). Ziel: in <5 min
entscheiden und handeln, ohne zu raetseln.
## Anker (Deep-Link-Ziele fuer die Alarm-Ampeln)
Die Inline-Hints/Links an den Tower-Ampeln springen genau auf einen dieser
Anker (nur interne Links, kein aktiver Inhalt/Script, keine Secrets):
- **#deadman** -> Deadman-Status / Szenario A
- **#spool** -> Spool-Aging / Szenario B
- **#deadletter** -> Dead-Letter-Ansicht / Szenario B (Punkt 3)
- **#health** -> Health-Ampel / Degraded-Banner / Szenario C
Diese Datei ist reiner Text (Markdown); die Hints rendern daraus nur
Ueberschrift + Link, nichts Ausfuehrbares.
## 0. Grundlagen (immer zuerst lesen)
- Heartbeat-Intervall: 300 s je Agent an den Beacon.
- Ampel Health: gruen <120 s, gelb 120-300 s, rot >300 s (Beacon-Heartbeat-Age).
- Deadman-Schwelle: 5400 s (90 min) blockierte Fleet -> Kaskade reisst.
- Spool-Aging: offene Envelopes (submitted/working), rot >5400 s.
- Diagnose-Oberflaechen am Tower-Panel: Deadman-Status, Spool-Aging,
Dead-Letter, Alarm-Feed, Health-Ampel, /healthz + /api/status.
- Aufgaben des Owners: nur ENTSCHEIDEN + Freigeben. Kein Debugging im Panel.
## ESKALATIONSKONTAKT (Owner)
- Primaer: **Owner** (Dominik). Kanal: Owner-Inbox/Queue im Tower.
- Eskalation aus einem Agenten heraus: ueber den CISO-Kanal
(`submit_task(from_agent=<id>, to=ciso, type=review, topic="[NAR] <ziel>")`);
der CISO leitet kritische Faelle als `escalation` P1 an `tower-owner`
weiter (FLEET-POLICIES 1.3). Direkt-Adressierung an `tower-owner` ist nur
dem CISO erlaubt.
- Owner-Entscheidungen (Abnahme/Review/NAR) laufen ueber die Owner-Queue.
- Bei Netz-Themen: NAR ueber den CISO; bei Infrastruktur/Tower: tower-owner.
---
<a id="deadman"></a>
## Szenario A — Deadman-Blockade (Fleet steht, Ampel "Deadman: blocked")
Beobachtung: Deadman-Status zeigt Zustand `blocked` + blockierenden Owner-Task
(ID, Typ, Alter) im Header; ggf. rot in der Health-Ampel.
Diagnose-Pfad:
1. Panel -> **Deadman-Status**: welcher Owner-Task blockiert? Alter auslesen.
2. Panel -> **Alarm-Feed**: juengste Deadman-Kaskade (Zeit, Agent, Ursache,
Dauer) - bestaetigt, ob es die laufende Blockade ist.
3. Panel -> **Health-Ampel** (#health): welche Agents stehen rot/gelb (wer ist
betroffen)?
4. Abgleich: blockierender Task-Typ (Abnahme/Review/NAR/Entscheidung).
Schritte:
1. Blockierenden Owner-Task oeffnen und INNERHALB der Queue entscheiden
(Abnahme erteilen, Review freigeben/ablehnen, NAR approven).
2. Nach Entscheidung Deadman-Status auf `progress` pruefen (Auto-Refresh 30 s).
3. Wenn der Task nicht entscheidbar ist (fehlender Kontext): Task mit
Kommentar zurueck an Absender (reply_to) statt liegen zu lassen.
4. Verifikation: Health-Ampel der betroffenen Agents wieder gruen <120 s
binnen 2 Heartbeat-Zyklen (<=10 min).
Eskalation: Bleibt die Blockade >5400 s bestehen oder ist der Task unklar ->
Owner direkt ansprechen (Kanal s.o.), Grund + Task-ID nennen.
---
<a id="spool"></a>
## Szenario B — Spool-Stau (Tasks haengen, Zustellung klemmt)
Beobachtung: Spool-Aging listet Envelopes >5400 s rot; Zusteller liefern nicht.
Diagnose-Pfad:
1. Panel -> **Spool-Aging**: Envelopes nach Alter + Empfaenger. Aeltester
Eintrag zuerst; rot = >5400 s.
<a id="deadletter"></a>
2. Panel -> **Dead-Letter**: status=failed (letzte 7 Tage) mit from->to, Alter -
bereits verlorene Arbeit (Luecke Spool-Aging vs. Alarm-Feed).
3. Panel -> **Health-Ampel** (#health): ist Empfaenger-Agent rot? -> down.
4. Panel -> **/api/status**: Datenquellen-Zustand Prometheus/Beacon; degraded?
Schritte:
1. Einzelner haengender Envelope, Empfaenger gruen -> Zustellung neu anstossen
(Task erneut submitten an denselben Empfaenger, reply_to setzen).
2. Blockierter ganzer Empfaenger (rot) -> Szenario A/C zuerst loesen; der Spool
leert sich danach automatisch.
3. Failed-Tasks aus der Dead-Letter-Ansicht pruefen: wiederholbar -> erneut
submitten; endgueltig unloesbar -> Task mit Grund neu aufsetzen (nicht still
verwerfen).
4. Verifikation: keine Eintraege mehr >5400 s im Spool-Aging; Dead-Letter
waechst nicht weiter.
Eskalation: Envelopes >5400 s ohne down-Empfaenger -> Ursache unklar, an
tower-owner mit Screenshot/IDs melden; bei >2 betroffenen Agents zusaetzlich
Owner informieren (Kanal s.o.).
---
<a id="health"></a>
## Szenario C — Panel-Ausfall (Tower nicht erreichbar/leer/fehlerhaft)
Beobachtung: Panel laedt nicht, Leeranzeige oder Crash; /healthz antwortet nicht.
Diagnose-Pfad (Reihenfolge, um Server vs. Daten zu trennen):
1. Panel -> **/healthz**: 200 = Server lebt -> Problem ist Datenquelle/UI.
2. Panel -> **/api/status**: Version, Uptime, Datenquellen-Zustand
Prometheus/Beacon. Liefert JSON = API ok.
3. Degraded-Banner + Datenalter-Anzeige: bei Prometheus-/Beacon-Ausfall zeigt
der Tower Datenalter + 60 s-Cache; das ist Degraded, KEIN Totalausfall.
4. Wenn /healthz gar nicht antwortet: Panel-/Prozess-Ausfall am Tower-Host.
Schritte:
1. Degraded (healthz 200, /api/status zeigt Quelle down): keine Panik -
Betrieb laeuft mit Cache weiter. Ursache der Quelle pruefen (Beacon-Ausfall
= alle Agents rot -> Szenario-A-Umfeld).
2. Totalausfall (healthz kein 200 / Verbindung abgelehnt): Tower braucht
Neustart/Deploy -> Aenderungsauftrag an tower-owner (nicht selbst am Host
eingreifen).
3. Waehrend Ausfall: Diagnose ersatzweise ueber die Agenten-Boards/Beacon
(Karten-Status, Heartbeat-Zeitstempel) weiterfuehren, Owner informieren.
4. Verifikation: /healthz 200 UND /api/status mit allen Quellen "up"; Panel
zeigt Datenalter ~0.
Eskalation: healthz-Ausfall oder Deploy-Bedarf -> sofort P1 an tower-owner
(ueber den CISO-Kanal); parallele Owner-Info, da ohne Panel die Lage ueber
Agenten nicht sichtbar ist.
---
## Kurz-Anhang: Anzeige am Tower
Dieses Runbook + Eskalationskontakt sollen an den Alarm-Ampeln (Deadman-Status
-> #deadman, Spool-Aging -> #spool, Dead-Letter -> #deadletter, Health-Ampel ->
#health) als kontextueller Hilfe-Link/Inline-Hint erscheinen. Der Hint ist
reiner Text (Ueberschrift + interner Link), kein aktives Element; Alarmlogik
und Degraded-Banner bleiben unberuehrt. Aenderungsauftrag an tower-owner siehe
separater Task "[build] tower-notfall-runbook: Runbook-Link an Alarm-Ampeln".