feat(watchdog): 卡死执行机械白名单处置——双120命中自动 cancel+reopen+沙箱快照，值守兜底自动化

Abierto
  • ¿Algo no está bien?
#22 3 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
4/5
Tiempo estimado
3-5 días
Aptitud para principiantes
15/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Activo
Stack tecnológico
git
Área
devops

Línea de trabajo

The change belongs in the existing inflight-watch or keeper-shadow watchdog, which the issue says is owned by another automation track, and it depends on the resume ledger at duty/inflight-resume.json and the run directory layout. Read the playbook section on the 120-minute double-threshold criterion and the sandbox-watch cleanup precedent first. Done means the three acceptance checks pass: a matching running execution is auto-cancelled and reopened with salvage-snapshot.patch written, an active impl is not touched, and a third stall in 24h escalates to a duty ticket.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

优先级 P1 · 依赖：无

基线 HEAD = 59cdc5e

Summary

  • 今日（2026-10-09）单日 5 次 cancel 全部同一 signature：sbx 通道条件假分支悬死（引擎缺口已单独立单 jeffkit/plaita#53，其落地前会持续复发）。实测样本：plaita#33（resume retry 假受理后悬死 running）、recursive#145 三连（impl 进程死亡后 checkpoint 零落盘、执行壳空挂到 zombie 线 >7200s）。
  • 现行处置阶梯：inflight-watch 检测（*/15）→ 自动 resume（每执行限 1 次，账本 duty/inflight-resume.json）→ 无效后靠值守人工 cancel+reopen。缺口：值守轮次间隔 30min+ 且消耗 LLM 轮次；值守不在场（夜间）时卡死 run 空跑 2h+ 无人收。
  • 判据已由 playbook §1 验证并经今日样本复核：末节点结束 >120min 且 进度龄（last_update_time 年龄）>120min。双交集天然排除活跃 impl 误杀——健康 impl 周期性写步界/状态刷新进度龄；命中双 120 即 state 两小时未刷新，是确定性死信号。
  • 机械白名单先例：sandbox-watch 自动杀孤儿沙箱实例（capability: delete_cache, level: authorized），体系已有 authorized 机械动作形态。

影响

每例卡死从命中判据到被处置延迟 30min～2h+（夜间无人）；每次值守人工处置消耗一轮 LLM 会话。按今日频率（5 例/日）与 plaita#53 修复排期，积压期将持续多日。

建议

在 inflight-watch（或 keeper-shadow 看门狗）现有检测后追加第二阶梯，全部为 authorized 机械动作：

  1. 触发：执行 running 且（末节点结束 >120min 且进度龄 >120min）且其 resume 额度已用（账本可查）；
  2. 动作：cancel_execution → reopen_issue（自动摘 needs-human）→ 杀对应 AGS 沙箱实例（完整 sandbox_id）；
  3. 快照代替抢救：cancel 前将 worktree git diff HEAD + git log --oneline -5 写入 <run_dir>/salvage-snapshot.patch，run 目录保留不删——复杂修复（如 #33 的 salvage 分支）仍留值守/人工，机械层只保证产物不丢；
  4. 熔断：账本扩展 cancelled 记录；同 issue 24h 内自动 cancel ≥2 次 → 停止自动处置，改递值守工单（防 reopen 后复发死循环）；
  5. 留痕：每动作写 rounds.log + duty requests（capability: cancel_execution / reopen_issue, level: authorized）。

验收条件：

  • 构造双 120 命中的 running 执行 → 30min 内被自动 cancel+reopen，salvage-snapshot.patch 存在，账本与轮报有记录；
  • 活跃 impl（进度龄 <120min，即使末节点结束已久）不触发；
  • 同 issue 第 3 次卡死（24h 内 cancel 已 2 次）不再自动处置，值守工单出现。

边界

  • 不碰引擎缺陷本身（jeffkit/plaita#53 单独修，本单是其落地前的值守兜底）；
  • keeper-shadow / inflight-watch 属 B 班 automation，值守不直接改——本单走排期由管线实现；
  • 与 2026-10-09「不做机器兜底」拍板不冲突：该拍板限制的是判断类动作；本单全部为确定性判据命中的机械白名单动作，判断仍归值守。
Lenguaje dominante
Python
Estrellas
0
Forks
0
Sin PR fusionados en 30 d

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de jeffkit/issue-keeper

Todos los issues de jeffkit/issue-keeper

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.