fix(inc-20260425): A1+A2 後續 — Solver/Critic timeout + auto_repair 接線 + Runbook + Grafana

延續 595629c0 INC-20260425 修復，補三段 Agent + 全鏈路觀測：

A1 後續 — Solver/Critic 三段 timeout 接線:
- solver_agent.py: AGENT_SOLVER_TIMEOUT_SEC=20.0（env override）
- critic_agent.py: AGENT_CRITIC_TIMEOUT_SEC=15.0（env override）
- protocol.py: 三 Agent 共用 observe_agent_step() 包裹呼叫
  · success/timeout/error outcome label
  · histogram 寫入 aiops_agent_step_duration_seconds

A2 後續 — auto_repair_service 改用 _diagnose_fallback_chain:
- auto_repair_service.py +46 行 — 切換 DIAGNOSE 路由到新 chain（NEMO→GEMINI→CLAUDE）
- 完全避開 Ollama CPU 238s 二次 timeout

新增 metrics:
- core/metrics.py +59 行 — 配合 observe_agent_step 的 histogram bucket + label cardinality

新增測試 (862 行):
- test_agent_step_timeouts.py (475) — 三 Agent 各 timeout 邊界 + outcome label
- test_ai_router_diagnose_fallback.py (387) — _diagnose_fallback_chain 正確序

新增配套:
- docs/runbooks/RUNBOOK-AGENT-STEP-LATENCY.md (350) — INC 故障排查 + 觀測指引
- ops/monitoring/grafana/agent_step_latency_rules.yaml (160)
  · 三 Agent histogram alert rules（p99 > timeout 80% → warning）

驗收: 33 tests pass (test_agent_step_timeouts 22 + test_ai_router_diagnose_fallback 11)

INC-20260425 雙修總工作量（595629c0 + 此 commit）:
  · 5 個 service/agent 檔修改
  · 1 個新 observability 模組
  · 4 個新測試/配套檔
  · 1372+187 = 1559 行新增

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
Co-Authored-By: Claude Sonnet 4.6 (INC-20260425 後續) <noreply@anthropic.com>

apps/api/src/agents/critic_agent.py

@@ -22,6 +22,7 @@ from __future__ import annotations
 
 import asyncio
 import hashlib
+import os
 import time
 from typing import Any
 
@@ -36,6 +37,7 @@ from src.agents.protocol import (
     CriticReport,
     DiagnosisReport,
 )
+from src.observability.agent_step_metrics import observe_agent_step
 from src.services.sanitization_service import sanitize
 
 logger = structlog.get_logger(__name__)
@@ -43,8 +45,18 @@ logger = structlog.get_logger(__name__)
 # Critic 挑戰數量上限（防止 LLM 生成無限質疑）
 MAX_CHALLENGES = 5
 
-# Phase 2 單步 LLM timeout（避免 Critic 拖垮整場辯證）
-PHASE2_STEP_TIMEOUT_SEC = 20.0
+# 2026-04-27 Claude Sonnet 4.6: A1 — 三段 timeout 拆分 + step metric (北極星 §1.2 Observable by Default)
+# 背景：INC-20260425-8D17BB / 3B6C39 兩則告警 AI 信心降到 20%
+#   OpenClaw NIM (192.168.0.188:8088) 實測 2-27s，原共用 PHASE2_STEP_TIMEOUT_SEC=20.0
+#   Critic 只做批判性審查（prompt 最短、輸出最簡），分配最小 timeout=15s 以保留全局預算給 Diagnostician/Solver
+#   env override：部署時可透過 K8s ConfigMap 動態調整，無需重新 build image
+AGENT_CRITIC_TIMEOUT_SEC: float = float(
+    os.environ.get("AGENT_CRITIC_TIMEOUT_SEC", "15.0")
+)
+
+# 保留相容 alias，標記棄用
+# DEPRECATED (2026-04-27): 使用 AGENT_CRITIC_TIMEOUT_SEC，此 alias 將在下一個 Sprint 移除
+PHASE2_STEP_TIMEOUT_SEC = AGENT_CRITIC_TIMEOUT_SEC
 
 
 class CriticAgent(BaseAgent):
@@ -127,16 +139,21 @@ class CriticAgent(BaseAgent):
 
         from src.services.openclaw import get_openclaw
         openclaw = get_openclaw()
+        _step_start = time.monotonic()
         try:
             response_text, _provider, success = await asyncio.wait_for(
                 openclaw.call(prompt, alert_context=alert_context),
-                timeout=PHASE2_STEP_TIMEOUT_SEC,
+                timeout=AGENT_CRITIC_TIMEOUT_SEC,
             )
+            # 2026-04-27 Claude Sonnet 4.6: A1 — success path metric observe
+            observe_agent_step("critic", "success", time.monotonic() - _step_start)
         except asyncio.TimeoutError:
+            # 2026-04-27 Claude Sonnet 4.6: A1 — timeout path metric observe
+            observe_agent_step("critic", "timeout", time.monotonic() - _step_start)
             logger.warning(
                 "critic_step_timeout",
                 snapshot_id=diagnosis.evidence_snapshot_id,
-                timeout_sec=PHASE2_STEP_TIMEOUT_SEC,
+                timeout_sec=AGENT_CRITIC_TIMEOUT_SEC,
             )
             return self._degraded_report(0, "step_timeout")