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).
6.2 KiB
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 alsescalationP1 antower-ownerweiter (FLEET-POLICIES 1.3). Direkt-Adressierung antower-ownerist 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.
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:
- Panel -> Deadman-Status: welcher Owner-Task blockiert? Alter auslesen.
- Panel -> Alarm-Feed: juengste Deadman-Kaskade (Zeit, Agent, Ursache, Dauer) - bestaetigt, ob es die laufende Blockade ist.
- Panel -> Health-Ampel (#health): welche Agents stehen rot/gelb (wer ist betroffen)?
- Abgleich: blockierender Task-Typ (Abnahme/Review/NAR/Entscheidung).
Schritte:
- Blockierenden Owner-Task oeffnen und INNERHALB der Queue entscheiden (Abnahme erteilen, Review freigeben/ablehnen, NAR approven).
- Nach Entscheidung Deadman-Status auf
progresspruefen (Auto-Refresh 30 s). - Wenn der Task nicht entscheidbar ist (fehlender Kontext): Task mit Kommentar zurueck an Absender (reply_to) statt liegen zu lassen.
- 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.
Szenario B — Spool-Stau (Tasks haengen, Zustellung klemmt)
Beobachtung: Spool-Aging listet Envelopes >5400 s rot; Zusteller liefern nicht.
Diagnose-Pfad:
- Panel -> Spool-Aging: Envelopes nach Alter + Empfaenger. Aeltester Eintrag zuerst; rot = >5400 s.
- Panel -> Dead-Letter: status=failed (letzte 7 Tage) mit from->to, Alter - bereits verlorene Arbeit (Luecke Spool-Aging vs. Alarm-Feed).
- Panel -> Health-Ampel (#health): ist Empfaenger-Agent rot? -> down.
- Panel -> /api/status: Datenquellen-Zustand Prometheus/Beacon; degraded?
Schritte:
- Einzelner haengender Envelope, Empfaenger gruen -> Zustellung neu anstossen (Task erneut submitten an denselben Empfaenger, reply_to setzen).
- Blockierter ganzer Empfaenger (rot) -> Szenario A/C zuerst loesen; der Spool leert sich danach automatisch.
- Failed-Tasks aus der Dead-Letter-Ansicht pruefen: wiederholbar -> erneut submitten; endgueltig unloesbar -> Task mit Grund neu aufsetzen (nicht still verwerfen).
- 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.).
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):
- Panel -> /healthz: 200 = Server lebt -> Problem ist Datenquelle/UI.
- Panel -> /api/status: Version, Uptime, Datenquellen-Zustand Prometheus/Beacon. Liefert JSON = API ok.
- Degraded-Banner + Datenalter-Anzeige: bei Prometheus-/Beacon-Ausfall zeigt der Tower Datenalter + 60 s-Cache; das ist Degraded, KEIN Totalausfall.
- Wenn /healthz gar nicht antwortet: Panel-/Prozess-Ausfall am Tower-Host.
Schritte:
- 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).
- Totalausfall (healthz kein 200 / Verbindung abgelehnt): Tower braucht Neustart/Deploy -> Aenderungsauftrag an tower-owner (nicht selbst am Host eingreifen).
- Waehrend Ausfall: Diagnose ersatzweise ueber die Agenten-Boards/Beacon (Karten-Status, Heartbeat-Zeitstempel) weiterfuehren, Owner informieren.
- 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".