feat(Phase 3.5 + Phase 4): AI 學習成果持久化到 PostgreSQL — 修正「AI 失憶」架構缺陷

ADR-085: AI 學習成果不可存在 Cache

架構鐵律確立：
- PostgreSQL = System of Record（AI 的永久記憶）
- Redis = Warm Cache（加速讀取，TTL 到期從 PG 復原）

核心變更：
1. models.py: 新增 PlaybookRecord / DynamicBaselineRecord / LogClusterRecord ORM
2. base.py: ALTER TABLE playbooks 補加 trust_score / requires_approval_level 等欄位
3. playbook_repository.py: 完整雙寫實作（PG upsert + Redis cache）
4. dynamic_baseline_service.py: Holt-Winters 訓練結果寫入 PG，Redis 只作 24h warm cache
5. log_anomaly_detector.py: Drain3 cluster template 寫入 PG（UPSERT on cluster_id）
6. main.py: 啟動時執行 backfill_redis_to_pg()（Redis → PG 冪等補救）

修正的問題：
- Playbook 7天 Redis TTL 到期 → AI 失去所有修復知識
- trust_score EWMA 隨 Redis TTL 歸零 → AI 重新回到初始信任度 0.3
- Holt-Winters 基線 24h TTL → AI 每天重新學習「正常」的定義
- Drain3 cluster 沒有持久化 → AI 把已知 log pattern 反覆當新 pattern

Phase 4 新服務（requirements.txt 已加入 statsmodels + drain3 + numpy）

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

apps/api/src/db/base.py

@@ -186,6 +186,19 @@ async def init_db() -> None:
             """)
         )
 
+        # 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3.5 Playbook PostgreSQL 持久化
+        # ADR-085: AI 學習成果不可存 Cache — trust_score、EWMA 必須永久保存
+        # playbooks 表已存在（15 筆舊資料），補加新欄位
+        await conn.execute(
+            text("""
+            ALTER TABLE playbooks
+                ADD COLUMN IF NOT EXISTS trust_score FLOAT NOT NULL DEFAULT 0.3,
+                ADD COLUMN IF NOT EXISTS requires_approval_level VARCHAR(20) NOT NULL DEFAULT 'auto',
+                ADD COLUMN IF NOT EXISTS stateful_targets JSONB NOT NULL DEFAULT '[]',
+                ADD COLUMN IF NOT EXISTS requires_pre_backup BOOLEAN NOT NULL DEFAULT FALSE;
+            """)
+        )
+
 
 async def close_db() -> None:
     """

apps/api/src/db/models.py

@@ -835,6 +835,207 @@ class IncidentEvidence(Base):
     )
 
 
+# =============================================================================
+# PlaybookRecord — Phase 3.5 Playbook PostgreSQL 持久化 (System of Record)
+# ADR-085: AI 學習成果不可存在 Cache — Playbook 是 AI 的肌肉記憶
+# 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 3.5 初始建立
+#
+# 核心鐵律：
+# - PostgreSQL = System of Record（永久保存，AI 的長期記憶）
+# - Redis = Warm Cache（7天 TTL，加速讀取，DB 為 source of truth）
+# - trust_score, EWMA, 統計數據必須持久化 — 不能因 Redis TTL 消失
+# =============================================================================
+
+class PlaybookRecord(Base):
+    """
+    Playbook 修復劇本 PostgreSQL ORM
+
+    與 Pydantic Playbook 模型對應。
+    Redis 為 warm cache（7d TTL），PostgreSQL 為 source of truth。
+
+    設計原則：
+    - AI 的學習成果（trust_score、success_count、failure_count）永久保存
+    - EWMA 信任度在 Redis TTL 後不會重置，Pod 重啟後 AI 記憶不失
+    - 雙寫：create/update 先寫 PG，再更新 Redis cache
+    - 讀取：Redis-first（cache hit），miss 時從 PG 載入並回填 Redis
+    """
+    __tablename__ = "playbooks"
+
+    # Primary Key
+    playbook_id: Mapped[str] = mapped_column(
+        String(36), primary_key=True,
+        comment="Playbook 唯一識別碼 (PB-YYYYMMDD-XXXXXX)",
+    )
+
+    # Core Fields
+    name: Mapped[str] = mapped_column(String(256), nullable=False)
+    description: Mapped[str] = mapped_column(Text, default="", nullable=False)
+    status: Mapped[str] = mapped_column(String(20), default="draft", nullable=False)
+    source: Mapped[str] = mapped_column(String(20), default="extracted", nullable=False)
+
+    # Complex structures (JSONB)
+    symptom_pattern: Mapped[dict[str, Any]] = mapped_column(JSON, default=dict, nullable=False)
+    repair_steps: Mapped[list[dict[str, Any]]] = mapped_column(JSON, default=list, nullable=False)
+
+    # Timing
+    estimated_duration_minutes: Mapped[int] = mapped_column(Integer, default=5, nullable=False)
+
+    # Source tracing
+    source_incident_ids: Mapped[list[str]] = mapped_column(JSON, default=list, nullable=False)
+    ai_confidence: Mapped[float] = mapped_column(default=0.0, nullable=False)
+
+    # Stats — MUST be in PG (AI learning artifacts, cannot expire)
+    success_count: Mapped[int] = mapped_column(Integer, default=0, nullable=False)
+    failure_count: Mapped[int] = mapped_column(Integer, default=0, nullable=False)
+    last_used_at: Mapped[datetime | None] = mapped_column(DateTime(timezone=True), nullable=True)
+
+    # EWMA trust score — ADR-083 Phase 3, 絕對不能用 Redis TTL 管理
+    # trust_score 是 AI 累積學習的結晶，TTL 到期就歸零 = AI 記憶全部消失
+    trust_score: Mapped[float] = mapped_column(default=0.3, nullable=False,
+        comment="EWMA 動態信任度 (Phase 3)。成功 α=0.1，失敗 α=0.2（2x 衰減）。< 0.1 → 封存")
+
+    # Approval metadata
+    approved_by: Mapped[str | None] = mapped_column(String(100), nullable=True)
+    approved_at: Mapped[datetime | None] = mapped_column(DateTime(timezone=True), nullable=True)
+    tags: Mapped[list[str]] = mapped_column(JSON, default=list, nullable=False)
+    notes: Mapped[str | None] = mapped_column(Text, nullable=True)
+
+    # Sprint 5.1 護欄欄位 (2026-04-08)
+    requires_approval_level: Mapped[str] = mapped_column(
+        String(20), default="auto", nullable=False,
+        comment="auto=直接執行, standard=1票, critical=2票MultiSig",
+    )
+    stateful_targets: Mapped[list[str]] = mapped_column(JSON, default=list, nullable=False)
+    requires_pre_backup: Mapped[bool] = mapped_column(default=False, nullable=False)
+
+    # Timestamps
+    created_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now, nullable=False)
+    updated_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now,
+        onupdate=taipei_now, nullable=False)
+
+    __table_args__ = (
+        Index("ix_playbook_status", "status"),
+        Index("ix_playbook_trust_score", "trust_score"),
+        Index("ix_playbook_created_at", "created_at"),
+    )
+
+
+# =============================================================================
+# DynamicBaselineRecord — Phase 4 Holt-Winters 訓練基線持久化
+# ADR-084: 動態基線不能只存 Redis — AI 每天重學「正常」不是在學習
+# 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 4 初始建立
+#
+# 核心鐵律：
+# - 訓練好的 Holt-Winters 模型必須在 PG 長期保存
+# - Redis 為 24h warm cache（加速 is_anomaly() 讀取）
+# - 基線消失 = AI 對「正常」的認識消失 = 每天從頭學習 = 不是 AI
+# =============================================================================
+
+class DynamicBaselineRecord(Base):
+    """
+    動態基線訓練結果 PostgreSQL ORM
+
+    Holt-Winters 訓練完成後：
+    1. 先寫入 PG（永久保存）
+    2. 再寫入 Redis（24h warm cache，加速讀取）
+
+    Redis key: baseline:{metric_name}
+    PG: 此表，metric_name 為主鍵，最新一筆 = 有效基線
+    """
+    __tablename__ = "dynamic_baselines"
+
+    id: Mapped[str] = mapped_column(String(36), primary_key=True, default=generate_uuid)
+
+    # 基線識別
+    metric_name: Mapped[str] = mapped_column(
+        String(200), nullable=False, index=True,
+        comment="基線識別名 (e.g. cpu_usage_node_mon)",
+    )
+
+    # 訓練結果（Holt-Winters 統計）
+    mean: Mapped[float] = mapped_column(nullable=False, comment="擬合值均值")
+    std: Mapped[float] = mapped_column(nullable=False, comment="殘差標準差")
+
+    # 24h 季節性因子（JSON 陣列，長度 24）
+    seasonal_factors: Mapped[list[float]] = mapped_column(
+        JSON, default=list, nullable=False,
+        comment="24h 週期季節性因子（乘法形式，均值 ≈ 1.0）",
+    )
+
+    # 訓練元資料
+    datapoint_count: Mapped[int] = mapped_column(Integer, default=0, nullable=False)
+    promql: Mapped[str] = mapped_column(Text, default="", nullable=False,
+        comment="訓練使用的 PromQL 查詢")
+    lookback_hours: Mapped[int] = mapped_column(Integer, default=336, nullable=False)
+
+    # Timestamps
+    trained_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now, nullable=False)
+    created_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now, nullable=False)
+
+    __table_args__ = (
+        Index("ix_dynamic_baseline_metric", "metric_name"),
+        Index("ix_dynamic_baseline_trained_at", "trained_at"),
+    )
+
+
+# =============================================================================
+# LogClusterRecord — Phase 4 Drain3 學習到的 Log Pattern 持久化
+# ADR-084: Drain3 模板不能只存 Redis — 每次重啟 AI 把已知 pattern 當新 pattern
+# 2026-04-15 ogt + Claude Sonnet 4.6（亞太）: Phase 4 初始建立
+#
+# 核心鐵律：
+# - Drain3 學到的 log cluster template 必須在 PG 長期保存
+# - 新 cluster 事件列表 (log_anomaly:new) 才存 Redis（短期工作記憶）
+# - 基礎知識庫（已學到的 pattern）必須在 PG
+# =============================================================================
+
+class LogClusterRecord(Base):
+    """
+    Drain3 Log Cluster Template 持久化
+
+    每個新 pattern 首次偵測到時：
+    1. 寫入 PG（永久保存，AI 的 log 語意理解）
+    2. 推送到 Redis list log_anomaly:new（短期工作記憶）
+
+    Re-detect 相同 template 時只更新 last_seen_at + size，不重複寫入 PG。
+    """
+    __tablename__ = "log_clusters"
+
+    id: Mapped[str] = mapped_column(String(36), primary_key=True, default=generate_uuid)
+
+    # Cluster 識別（MD5[:8] of template）
+    cluster_id: Mapped[str] = mapped_column(
+        String(16), nullable=False, unique=True, index=True,
+        comment="模板 MD5[:8].upper()，穩定 ID",
+    )
+
+    # Drain3 模板
+    template: Mapped[str] = mapped_column(
+        Text, nullable=False,
+        comment="Drain3 萃取的 log 模板 (e.g. 'ERROR <*> connection failed to <*>')",
+    )
+
+    # 統計
+    size: Mapped[int] = mapped_column(Integer, default=1, nullable=False,
+        comment="命中次數（第一次 = 1）")
+    source: Mapped[str] = mapped_column(String(50), default="k8s_pod", nullable=False,
+        comment="k8s_pod | host_syslog | app_log")
+
+    # 樣本日誌（保留首次觸發的原始行，供事後分析）
+    sample_log: Mapped[str | None] = mapped_column(Text, nullable=True,
+        comment="首次觸發的原始 log 行（前 500 字元）")
+
+    # Timestamps
+    first_seen_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now, nullable=False)
+    last_seen_at: Mapped[datetime] = mapped_column(DateTime(timezone=True), default=taipei_now,
+        onupdate=taipei_now, nullable=False)
+
+    __table_args__ = (
+        Index("ix_log_cluster_first_seen", "first_seen_at"),
+        Index("ix_log_cluster_source", "source"),
+    )
+
+
 # =============================================================================
 # AgentSession — Phase 2 多 Agent 辯證 Audit Trail
 # =============================================================================