Agent 运维与发布报告

本页记录 ALemonX Agent 与 AI 运维能力进入生产前需要确认的能力、门禁和已知限制。它是发布验收参考，不等同于“开启自动修复”的授权。

能力摘要

  • TaskService 统一任务创建、启动、等待、取消和恢复。
  • TaskPlan 按 understand → implement → verify 串行推进，验证失败保留在当前步骤。
  • GoalRun 支持 queued、running、终态，重启补偿和目标级互斥。
  • 检查点、事件、快照和报告本地原子持久化；进程重启不会悄悄重放写操作。
  • PM2 日志错误指纹去重，Incident、Todo、MaintenanceRun、项目策略和指标统一持久化。

自动维护状态机

PM2 日志 → fingerprint 去重 → Incident triaged → AI 决策
  → auto_fix → TaskPlan/Reviewer → observing → resolved
  → 失败、复发或高风险 → todo / recovery_required

默认模式为 observe。进入 canary 前需要项目白名单、生产认证、SQLite、受围栏的 PM2 权限、验证契约、告警接收端和未触发紧急停止；准入报告只报告状态，不会自动启用 canary。

生产启用顺序

  1. 设置 ALX_DEPLOYMENT=production，启用身份认证，确认运维数据使用 SQLite（默认 ops.db）。
  2. 保持 observe，验证日志采集、事件聚合、待办和告警链路。
  3. 对单个项目开启 canary，初始仅允许受控的 restart/reload。
  4. 观察 MTTR、回滚率、误修率、告警送达率和租约异常，稳定后再由管理员扩大范围。
  5. 发生异常时使用紧急停止；恢复前先处理 recovery_required 和待办。

查询准入状态：

GET /api/v1/ops/canary-readiness?root=<机器人目录>

指标接口包括 /api/v1/ops/metrics/query 与 /api/v1/ops/metrics/prometheus；Webhook 通过 ALX_OPS_WEBHOOK_URL 配置。

发布检查清单

项目必须确认
权限认证、角色、项目白名单和高风险人工审批可用
执行PM2 写操作有租约、fencing token、预算和紧急停止保护
验证每个自动写任务都有受控 verificationCommand、Reviewer 输出和快照
数据SQLite 打开成功，JSON 迁移有备份，租约/告警/游标可恢复
观测SSE、Webhook、Prometheus 和审计记录能够追踪一次完整任务
回滚当前文件 hash 未改变时才允许快照回滚，冲突必须转人工

已知限制：自动维护仍是当前进程内能力；生产环境建议单主实例灰度。多实例租约具备竞争保护，但跨区域扩缩容、厂商级值班升级和远程 MCP 网关不在本版本范围内。