awoooi/docs/adr/ADR-072-aiops-bug-fixes.md

ADR-072: AIOps 閉環 Bug 修復清單

狀態: P0/P1 已修復，P2 待修 建立: 2026-04-11 (台北時間) 更新: 2026-04-11 深夜 — P0 (BUG-001/002/003) + P1 (BUG-004/005/006) 全修復並推送 Gitea 背景: Session 6 對 Redis DB10 + 程式碼全面審計發現 8 個系統性問題

---

背景

ADR-070/071 實作完成後，Session 6 對 62 個 DecisionToken、112 個 Incidents 及 Telegram 告警進行全面審計， 發現 MCP 雖已實作但閉環仍未真正生效。本 ADR 記錄所有發現與修復方案。

---

Bug 清單

P0 — 立即修復（閉環核心失效）

✅ BUG-001: drift_interpreter 永久失敗 (已修復 commit 88e3197)

• 位置: apps/api/src/services/drift_interpreter.py:112
• 症狀: 所有 K8s 漂移解析失敗，too many values to unpack (expected 4)
• 根因: response_text, success, _tokens, _cost = await nvidia.chat(...) — nvidia_provider 已重構為返回 NvidiaProviderResult 物件，非 4-tuple
• 修復方案: 改用 drift_narrator_service（ADR-067 Phase 30，qwen2.5:7b-instruct，已存在）做漂移摘要，完全繞過 nvidia_provider
• 影響: 所有 K8s config drift 告警無法生成可讀摘要

✅ BUG-002: 自動修復 deployment name 全為 "unknown" (已修復 commit 88e3197)

• 位置: apps/api/src/services/decision_manager.py:_auto_execute() + apps/api/src/services/incident_service.py:extract_affected_services()
• 症狀: 24/62 DecisionToken = error，safety guard 攔截（"unknown" in action）
• 根因: HostHighCpuLoad / DockerContainerUnhealthy 等主機層告警只有 {alertname, host} label，無 component/job/pod → extract_affected_services() 返回 [] → target = "unknown"
• 修復方案: 在 _auto_execute() 執行前，呼叫 K8s MCP k8s_describe_pod / kubectl get pods 根據 alert 類型動態查詢受影響 Pod，填入 target
• 影響: 所有非 K8s 源頭告警的自動修復全部失敗

✅ BUG-003: nemotron_validation 接受無效 deployment name (已修復 commit 88e3197)

• 位置: apps/api/src/services/decision_manager.py:_nemoclaw_second_opinion()
• 症狀: <deployment_name>、HostHighCpuLoad、unknown 等無效值通過 schema 驗證
• 根因: 只做 JSON schema 結構驗證，不驗證 deployment name 是否真實存在於 K8s
• 修復方案: 加入 K8s MCP k8s_describe_pod 存在性檢查，若 deployment 不存在則拒絕並重新分析
• 影響: 無效的修復指令被誤判為合法

---

P1 — 本 Sprint 修復（功能性問題）

✅ BUG-004: KM vectorization 108/112 = False (已修復 commit 5aa0244)

• 位置: apps/api/src/services/km_conversion_service.py
• 症狀: RAG 知識庫未累積，飛輪自癒閉環（ADR-068）學習效果為零
• 根因: KM 轉換服務呼叫後未確保 embedding 寫入 pgvector（Session 6 確認 vectorized=False，persisted_to_pg=False）
• 修復方案: 修復 convert() 後的 embedding 寫入流程，確保 nomic-embed-text 768d 向量化並持久化

✅ BUG-005: 15 ready decisions 無人審核 (已修復 commit 5aa0244)

• 位置: incident_id → approval UUID 對應流程
• 症狀: 15 個 status=ready 的 DecisionToken 長期無審核，Telegram 未發出審核卡片
• 根因: approval flow 的 incident_id UUID 對應問題
• 修復方案: 診斷 incident_id 查詢鏈，修復 Telegram 審核卡片未發送的問題

✅ BUG-006: outcome/verification_result 全 null (已修復 commit 5aa0244)

• 位置: apps/api/src/services/decision_manager.py:_push_auto_repair_result()
• 症狀: 所有已完成修復無 outcome 記錄
• 根因: post-repair 驗證邏輯未寫入 DB outcome 欄位
• 修復方案: 修復 _push_auto_repair_result() 確保 outcome + verification_result 寫入

---

P2 — 下 Sprint 修復（數據品質問題）

BUG-007: 所有告警 severity = P3/High（label 缺失）

• 位置: k8s/monitoring/alerts-unified.yml
• 症狀: 所有 62 個 DecisionToken 對應告警都是 P3（mapping: no label → P3）
• 根因: Prometheus 告警規則大部分未設 severity label
• 修復方案: 按告警類型補充 severity: critical|high|warning|info label

BUG-008: 69/112 incidents type = "custom"

• 位置: apps/api/src/api/v1/webhooks.py:1103（alertname_to_type 只有 9 筆）
• 症狀: 大部分告警無法觸發對應 Playbook
• 根因: alertname_to_type mapping 只覆蓋 9 種 K8s 告警，其他全部 → "custom"
• 修復方案: 整合 ADR-064 Rule Engine，從 YAML 規則動態推斷告警類型，取代靜態 9 筆 mapping

---

修復順序

BUG-001 (drift_interpreter) → BUG-002 (deployment_name) → BUG-003 (nemotron_validation)
→ BUG-004 (KM vectorization) → BUG-005 (approval flow) → BUG-006 (outcome)
→ BUG-007 (severity labels) → BUG-008 (alertname_to_type)

---

驗收標準

Bug	驗收
BUG-001	K8s config drift 告警 → Telegram 出現可讀摘要（非錯誤訊息）
BUG-002	HostHighCpuLoad 告警 → DecisionToken status = completed（非 error）
BUG-003	無效 deployment name → nemotron 拒絕並重新分析
BUG-004	新 Incident 完成後 vectorized = True + persisted_to_pg = True
BUG-005	ready decisions → Telegram 發出審核卡片
BUG-006	修復完成後 outcome + verification_result 不為 null
BUG-007	新告警 severity label 正確 → P0/P1/P2 分級出現
BUG-008	HostHighCpuLoad → incident_type = "host_cpu"（非 "custom"）