auto-sync: 2026-06-01 10:12:45

This commit is contained in:
cfdaily
2026-06-01 10:12:45 +08:00
parent 20c086c7c0
commit 88312db0e6
+416
View File
@@ -0,0 +1,416 @@
# #06 PM2 Crash 恢复设计
> 版本: v1.0
> 日期: 2026-06-01
> 作者: 庞统(副军师)
> 状态: 待评审
> 前置: spawner-monitor-design.md §5 A0Agent crash 恢复)
---
## 一、问题陈述
### 1.1 两个层面的 crash
| 层面 | 触发 | 现有恢复机制 |
|------|------|-------------|
| **Agent crash**(子进程退出) | exit≠0、Gateway timeout、compact 异常 | §5 A0spawner monitor 检测 → counter.release → ticker 重新 dispatch |
| **PM2 crash**moziplus 进程重启) | PM2 重启、服务器重启、OOM kill | ❌ **无恢复机制** |
Agent crash 的设计(§5 A0)是完整的:进程退出 → counter.release → 任务保持当前状态 → ticker 重新 dispatch。这不需要 Fix-3b。
PM2 crash 后,内存状态全部丢失:
- `_sessions`spawner 进程跟踪)→ 空
- `counter`(并发控制)→ 重置
- ticker 不再知道哪些任务有活跃进程
**DB 是持久化的**——tasks/events/task_attempts/routing_decisions/comments/outputs/reviews 全部完好。
### 1.2 Fix-3b 的问题
v2.8.1 Fix-3b 试图用"15 分钟超时推 pending"近似 PM2 crash 恢复,但:
1. **Agent crash 不需要它**——§5 A0 已覆盖
2. **PM2 crash 后首次 tick 就应该恢复**——不应该等 15 分钟
3. **误判场景**——agent busy(未 dispatch)时 Fix-3b 误判为超时,把正在排队的任务推回 pending
4. **违反"spawner 无状态"原则**——spawner 是执行者,不应该有状态判断逻辑
**结论**:回滚 Fix-3b,用专门的启动恢复机制替代。
---
## 二、设计原则
1. **黑板是唯一真相源**——所有恢复线索来自 DB,不依赖内存状态
2. **Event Sourcing 思路**——events 表是不可变事件日志,恢复 = 从事件重建最新一致状态
3. **精确恢复优于粗暴重置**——利用黑板线索(outputs/comments/reviews/routing_decisions)判断任务真实进度,尽量让任务从断点继续
4. **只运行一次**——`_startup_recover()` 在 ticker 首次 tick 前执行一次,不影响运行时性能
---
## 三、恢复数据源
每个非终态任务可查询的线索:
| 数据源 | 表 | 可回答的问题 |
|--------|-----|-------------|
| 任务当前状态 | tasks | status / assignee / current_agent / updated_at |
| 事件日志 | events | 所有状态变化、产出、广播记录(不可变) |
| 执行记录 | task_attempts | 每次 spawn 的 outcomecompleted/crashed/timed_out |
| 路由记录 | routing_decisions | 每次 dispatch 的结果(dispatched/skipped/error |
| 产出物 | outputs | agent 产出了什么 |
| 交接记录 | comments (handoff) | 执行者是否完成并交接 |
| 审查结论 | reviews | reviewer 是否已给出结论 |
| 审查评论 | comments (review) | reviewer 的审查意见 |
---
## 四、恢复策略
### 4.1 总体流程
```
PM2 启动 moziplus v2
→ ticker.__init__()
→ ticker.start()
→ _startup_recover() ← 新增,在首次 tick 前执行
→ 遍历所有项目的 blackboard.db
→ 找出所有非终态任务(claimed/working/review
→ 对每个任务:收集黑板线索 → 判断真实状态 → 执行恢复
→ 正常 tick 循环开始
```
### 4.2 按状态恢复规则
#### claimed 状态
**含义**:任务已广播,等待 agent 认领。
**恢复逻辑**
```
看 task_attempts 最后一条:
- 无记录 → agent 还没 spawn 过 → 推回 pending 重新 broadcast
- outcome=completed → agent 执行完 NO_REPLY 就走了 → 推回 pending 重新 broadcast
- outcome=crashed → agent crash 了 → 推回 pending 重新 broadcast
```
**结论**claimed 状态统一推回 pending。claimed 语义就是"等待认领",没有需要保留的执行进度。
#### working 状态
**含义**agent 正在执行。
**恢复逻辑**
```
1. 看 task_attempts 最后一条:
- 无记录 → agent 还没 spawn → 推回 pending
- outcome=crashed / agent_failed → agent crash → 推回 pending
- outcome=completed → agent 正常退出,看进一步线索:
2. 看 outputs 表:是否有产出物?
- 有产出 → agent 可能已完成工作但没标 review
3. 看 comments (handoff):是否有 handoff 评论?
- 有 handoff + 有 output → agent 已完成 → 恢复为 review
- 有 handoff + 无 output → 产出可能丢失 → 推回 pending
- 无 handoff → agent 中途完成但没交接 → 推回 pending
4. 看 comments (review):是否已有审查结论?
- 有 approved → 恢复为 done
```
**决策树**
```
working + last_attempt.completed?
├─ No → pending
└─ Yes + has_output?
├─ No → pending
└─ Yes + has_handoff?
├─ No → pending(可能标了 working 就 timeout 退出了,产出残留)
└─ Yes → reviewagent 已完成工作并交接)
```
**注意**`pending` 推回后 assignee 被清空,ticker 自然重新 broadcast 或 dispatch。如果原来有 assigneeagent 会看到之前的 outputs 和 comments(黑板数据不丢失),可以选择继续或重新认领。
#### review 状态
**含义**:执行者已交接,等待审查。
**恢复逻辑**
```
1. 看 reviews 表:是否已有审查结论?
- approved → 恢复为 done
- needs_revision → 恢复为 pending(让 dispatcher 重新 dispatch executor
- rejected → 恢复为 pending
2. 看 routing_decisions 最后一条(from_status=review):
- outcome=dispatched → reviewer 已被 dispatch 过
- 看 task_attempts 最后一条(agent=reviewer):
- completed → reviewer 完成 but 结论没写入 reviews 表 → 保持 review,等 ticker 重新 dispatch review
- crashed → reviewer crash → 保持 review,等 ticker 自然 dispatchFix-3c crash 计数仍然有效)
- 无记录 → spawn 可能失败 → 保持 review
- outcome=skipped → reviewer 从未成功 dispatchagent busy)→ 保持 reviewticker 自然会重试
- 无 routing_decision → review 刚进入,还没 dispatch → 保持 review
```
**关键**review 状态**默认保持 review**,不推 pending。因为:
- reviews 表有结论 → 直接标 done/pending
- 无结论 → ticker 的 `_dispatch_reviews` 会在下个 tick 自然尝试 dispatch reviewer
- `_check_recent_routing` 的 5 分钟窗口已过期(PM2 重启间隔 > 5 分钟),不会阻止重新 dispatch
#### escalated / waiting_human / paused 状态
**含义**:需要人工介入。
**恢复逻辑**:不干预。这些状态是人为设定的,保持不变。
---
## 五、实现设计
### 5.1 新增方法
```python
# ticker.py
def _startup_recover(self) -> Dict[str, Any]:
"""PM2 crash 后启动恢复:扫描所有非终态任务,从黑板线索重建一致状态"""
NON_TERMINAL = {"claimed", "working", "review"}
projects = self.registry.list_projects()
recovery_report = {"projects": {}, "total_recovered": 0}
for project_id, project_info in projects.items():
if project_info.get("status") != "active":
continue
project_dir = self.registry.root / project_id
db_path = project_dir / "blackboard.db"
if not db_path.exists():
continue
# init_db 如果还没初始化
db_key = str(db_path)
if db_key not in self._initialized_dbs:
from src.blackboard.db import init_db
init_db(db_path)
self._initialized_dbs.add(db_key)
recovered = self._recover_project(db_path, NON_TERMINAL)
if recovered:
recovery_report["projects"][project_id] = recovered
recovery_report["total_recovered"] += len(recovered)
if recovery_report["total_recovered"] > 0:
logger.info("Startup recovery: %d tasks recovered across %d projects",
recovery_report["total_recovered"],
len(recovery_report["projects"]))
else:
logger.info("Startup recovery: no non-terminal tasks found, clean start")
return recovery_report
def _recover_project(self, db_path: Path, non_terminal: set) -> List[Dict]:
"""恢复单个项目中的非终态任务"""
conn = get_connection(db_path)
recovered = []
try:
for status in non_terminal:
rows = conn.execute(
"SELECT id, assignee, current_agent, updated_at FROM tasks WHERE status=?",
(status,)
).fetchall()
for task in rows:
action = self._determine_recovery_action(conn, task, status, db_path)
if action:
self._execute_recovery(conn, task["id"], action, db_path)
recovered.append({"task_id": task["id"], "from": status, "action": action})
finally:
conn.close()
return recovered
def _determine_recovery_action(self, conn, task, status: str, db_path: Path) -> Optional[str]:
"""根据黑板线索决定恢复动作,返回 None 表示不需要干预"""
task_id = task["id"]
if status == "claimed":
# claimed 统一推 pending
return "push_to_pending"
if status == "working":
return self._recover_working_task(conn, task_id)
if status == "review":
return self._recover_review_task(conn, task_id)
return None
def _recover_working_task(self, conn, task_id: str) -> Optional[str]:
"""working 状态恢复:看黑板线索判断 agent 是否实际完成了工作"""
# 最后一次 attempt
last_attempt = conn.execute(
"SELECT outcome, agent FROM task_attempts WHERE task_id=? ORDER BY id DESC LIMIT 1",
(task_id,)
).fetchone()
if not last_attempt or last_attempt["outcome"] != "completed":
return "push_to_pending"
# agent 正常退出,看是否有产出
has_output = conn.execute(
"SELECT 1 FROM outputs WHERE task_id=? LIMIT 1", (task_id,)
).fetchone() is not None
if not has_output:
return "push_to_pending"
# 看是否有 handoff
has_handoff = conn.execute(
"SELECT 1 FROM comments WHERE task_id=? AND comment_type='handoff' LIMIT 1",
(task_id,)
).fetchone() is not None
if has_handoff:
return "push_to_review" # agent 已完成工作并交接
return "push_to_pending"
def _recover_review_task(self, conn, task_id: str) -> Optional[str]:
"""review 状态恢复:看是否有审查结论"""
# 检查 reviews 表
review = conn.execute(
"SELECT verdict FROM reviews WHERE task_id=? ORDER BY created_at DESC LIMIT 1",
(task_id,)
).fetchone()
if review:
if review["verdict"] == "approved":
return "push_to_done"
else:
# needs_revision / rejected → 推回 pending 重新执行
return "push_to_pending"
# 无审查结论 → 保持 reviewticker 自然会 dispatch reviewer
return None
def _execute_recovery(self, conn, task_id: str, action: str, db_path: Path):
"""执行恢复动作"""
from src.blackboard.db import get_connection as _get_conn
if action == "push_to_pending":
self._transition_status(
conn, task_id, "pending",
agent="daemon",
detail={"reason": "startup_recovery", "original_status":
conn.execute("SELECT status FROM tasks WHERE id=?", (task_id,)).fetchone()["status"]},
)
# 清空 current_agent
conn.execute("UPDATE tasks SET current_agent=NULL WHERE id=?", (task_id,))
conn.commit()
elif action == "push_to_review":
# working → review,恢复 assignee 保持不变
self._transition_status(
conn, task_id, "review",
agent="daemon",
detail={"reason": "startup_recovery", "original_status": "working"},
)
conn.commit()
elif action == "push_to_done":
self._transition_status(
conn, task_id, "done",
agent="daemon",
detail={"reason": "startup_recovery", "original_status": "review"},
)
conn.commit()
# 记录恢复事件
conn.execute(
"INSERT INTO events (task_id, agent, event_type, detail) VALUES (?, ?, ?, ?)",
(task_id, "daemon", "startup_recovery", json.dumps({"action": action}))
)
conn.commit()
logger.info("Recovery: task %s%s (action=%s)", task_id, action, action)
```
### 5.2 调用时机
```python
# ticker.py start() 方法
async def start(self) -> None:
if self._running:
return
self._running = True
# 启动恢复(PM2 crash 后重建一致状态)
self._startup_recover()
self._task = asyncio.create_task(self._loop())
# ... InboxWatcher start ...
```
### 5.3 回滚 Fix-3b
删除 `ticker.py` `_check_timeouts` 方法中 `# v2.8.1 Fix-3b``logger.exception("Failed to reclaim review task %s", task.id)` 的整块代码(约 46 行)。
### 5.4 改动总览
| 文件 | 改动 | 行数 |
|------|------|------|
| `ticker.py` | 新增 `_startup_recover` / `_recover_project` / `_determine_recovery_action` / `_recover_working_task` / `_recover_review_task` / `_execute_recovery` | ~120 行 |
| `ticker.py` | `start()` 中调用 `_startup_recover()` | 2 行 |
| `ticker.py` | 删除 Fix-3b 代码块 | -46 行 |
| **净增** | | **~76 行** |
---
## 六、设计对比
| | Fix-3b(旧) | 本方案(新) |
|---|---|---|
| 触发时机 | 每 tick 检查 | 仅启动时一次 |
| 覆盖状态 | 仅 review | claimed + working + review |
| 恢复策略 | 超时 → 全部推 pending | Event Sourcing → 精确恢复 |
| 误判风险 | 高(agent busy 被误判) | 低(基于黑板事实判断) |
| 运行时开销 | 每 tick 扫描 review 任务 | 仅启动时执行一次 |
| Agent crash 处理 | 混在 Fix-3b 里 | 明确回归 §5 A0 |
---
## 七、优秀实践参考
| 实践 | 来源 | 我们的对应 |
|------|------|-----------|
| Postgres-backed checkpointer | LangGraph | events 表 = 天然的 checkpoint 日志 |
| 不可变事件日志,写入即审计 | #04 黑板设计原则 | 恢复基于 events + 关联表 |
| 可预测骨架 + LLM 动态填充 | 调研共识 | 恢复是确定性的骨架逻辑,不调 LLM |
| propose→validate→commit | Network-AI | 恢复动作通过 _transition_status 验证合法性 |
---
## 八、测试计划
| 用例 | 模拟方式 | 预期 |
|------|---------|------|
| 干净启动 | 无非终态任务 | 无恢复动作,正常启动 |
| claimed 任务 | PM2 重启时有一个 claimed 任务 | → pending 重新 broadcast |
| working + 无产出 | agent crash 后 PM2 重启 | → pending 重新 dispatch |
| working + 有产出 + 有 handoff | agent 完成但 PM2 crash | → review |
| working + 有产出 + 无 handoff | agent 中途完成退出 | → pending |
| review + approved | reviewer 标 approved 后 PM2 crash | → done |
| review + needs_revision | reviewer 标 needs_revision 后 PM2 crash | → pending |
| review + 无结论 | reviewer 从未 dispatch + PM2 crash | 保持 reviewticker 自然 dispatch |
| review + outcome=skipped | agent busy 导致从未 dispatch | 保持 reviewticker 自然 dispatch |