fefe4c21cd
Some checks failed
CD Pipeline / build-and-deploy (push) Has been cancelled
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>
161 lines
8.3 KiB
YAML
161 lines
8.3 KiB
YAML
# ops/monitoring/grafana/agent_step_latency_rules.yaml
|
||
# AWOOOI Agent Step Latency 告警規則
|
||
# 2026-04-27 Claude Sonnet 4.6: A3 — Agent step latency observability (config A+B Wave 1)
|
||
#
|
||
# 部署目標：與 alerts-unified.yml 一起部署到 192.168.0.110:/home/wooo/monitoring/alerts.yml
|
||
# 部署方式：手動合併至 alerts-unified.yml，或 SRE 確認 Prometheus --rule-files glob 支援多檔後直接引用
|
||
#
|
||
# 依賴 Metrics（均由 A1/A2 提供，需 A1+A2 上線後才能 ACTIVE）：
|
||
# - aiops_agent_step_duration_seconds{agent,outcome} — Histogram, A1 (apps/api/src/observability/agent_step_metrics.py)
|
||
# agent ∈ {diagnostician, solver, critic}
|
||
# outcome ∈ {success, timeout, error}
|
||
# buckets: [0.5, 1.0, 2.0, 5.0, 10.0, 15.0, 20.0, 30.0, 45.0, 60.0]
|
||
# - aiops_diagnose_fallback_total{from_provider,to_provider} — Counter, A2 (apps/api/src/services/ai_router.py)
|
||
# from_provider ∈ {openclaw_nemo, gemini, claude}
|
||
# to_provider ∈ {gemini, claude}
|
||
#
|
||
# 標籤規範（對齊 alerts-unified.yml）：
|
||
# layer: k8s (API 跑在 k8s awoooi-prod namespace)
|
||
# team: ai
|
||
# auto_repair: "false" (NIM 延遲需人工判斷，不啟動 auto_repair)
|
||
#
|
||
# 背景：INC-20260425-8D17BB / INC-20260425-3B6C39
|
||
# NIM (192.168.0.188:8088) 實測延遲 2-27s，尾巴 latency 命中 PHASE2_STEP_TIMEOUT_SEC=20s
|
||
# → confidence 降至 20%（degraded），diagnostician/solver/critic 全部失效
|
||
# → fallback 到 Gemini，消耗每日配額
|
||
# 本規則組提供全路徑可觀測性：latency high → timeout spike → fallback
|
||
#
|
||
# ⚠️ 啟用前必須確認：
|
||
# [A1] aiops_agent_step_duration_seconds 已暴露（A1 merge 且 Pod restart 後）
|
||
# [A2] aiops_diagnose_fallback_total 已暴露（A2 merge 且 Pod restart 後）
|
||
# 驗證方式：curl http://192.168.0.188:8088/metrics | grep aiops_agent_step
|
||
# =============================================================================
|
||
|
||
groups:
|
||
|
||
# ===========================================================================
|
||
# Agent Step Latency (agent_step_latency)
|
||
# 監控三段 Phase 2 Agent（diagnostician/solver/critic）呼叫 LLM 的延遲與失敗
|
||
# ===========================================================================
|
||
- name: agent_step_latency
|
||
interval: 60s
|
||
rules:
|
||
|
||
# -------------------------------------------------------------------------
|
||
# [ACTIVE — 需 A1 上線]
|
||
# AgentStepLatencyHigh — p75 延遲持續高水位
|
||
#
|
||
# 觸發條件：任意一個 agent 的 p75 step latency 超過 25s 且持續 10 分鐘
|
||
# 意義：NIM 推理尾巴 latency 偏高，有命中 timeout 的風險
|
||
# 嚴重度：warning（尚未 timeout，但趨勢不好，SRE 應預先介入）
|
||
#
|
||
# PromQL 設計說明：
|
||
# - rate([5m]) 計算 5 分鐘滑動視窗的 bucket 增量，消除計數器重置問題
|
||
# - histogram_quantile(0.75, ...) 計算當前視窗的 75th 百分位
|
||
# - sum by (agent, le) 保留 agent 維度，使每個 agent 獨立觸發
|
||
# - > 25 對齊 INC-20260425 實測尾巴 latency（最高 27s），低於最寬 timeout 30s
|
||
# - for: 10m 避免短暫尖刺誤報（10 分鐘連續高水位才通知）
|
||
# -------------------------------------------------------------------------
|
||
- alert: AgentStepLatencyHigh
|
||
expr: |
|
||
histogram_quantile(
|
||
0.75,
|
||
sum by (agent, le) (
|
||
rate(aiops_agent_step_duration_seconds_bucket[5m])
|
||
)
|
||
) > 25
|
||
for: 10m
|
||
labels:
|
||
severity: warning
|
||
layer: k8s
|
||
team: ai
|
||
auto_repair: "false"
|
||
alert_category: "agent_step_latency"
|
||
annotations:
|
||
summary: "Agent {{ $labels.agent }} p75 step latency > 25s（持續 10m）"
|
||
description: |
|
||
Phase 2 agent {{ $labels.agent }} 過去 5 分鐘 LLM call 的 p75 延遲為
|
||
{{ $value | humanizeDuration }}，超過 25s 門檻持續 10 分鐘。
|
||
NIM 實測尾巴可達 27s；若持續惡化將命中 timeout 並觸發 Gemini fallback。
|
||
建議確認 NIM 健康度（192.168.0.188:8088）及 GPU 負載。
|
||
runbook_url: "docs/runbooks/RUNBOOK-AGENT-STEP-LATENCY.md#agentsteplatencyhigh"
|
||
|
||
# -------------------------------------------------------------------------
|
||
# [ACTIVE — 需 A1 上線]
|
||
# AgentStepTimeoutSpike — timeout 事件頻率爆發
|
||
#
|
||
# 觸發條件：任意 agent 每分鐘 timeout 超過 3 次，持續 5 分鐘
|
||
# 意義：Agent 已進入 degraded 狀態，confidence 降至 20%，飛輪失能
|
||
# 嚴重度：critical（已在降級，需立即處理）
|
||
#
|
||
# PromQL 設計說明：
|
||
# - rate(...)_total 為 Counter metric，需用 rate() 計算速率
|
||
# - aiops_agent_step_duration_seconds_count{outcome="timeout"} 是
|
||
# Histogram Counter 的特殊形式，存在於 _count 維度中；
|
||
# 但 prometheus_client Histogram 的 outcome label 在 _bucket/_count/_sum 上均存在
|
||
# - rate([1m]) * 60 = 每分鐘 timeout 數（rate 本身是 per-second，乘 60 轉換）
|
||
# - sum by (agent) 使每個 agent 獨立觸發，不混合計算
|
||
# - > 3 對齊任務規格（每分鐘 > 3 起）
|
||
# - for: 5m 確認是持續問題，非一過性尖峰
|
||
# -------------------------------------------------------------------------
|
||
- alert: AgentStepTimeoutSpike
|
||
expr: |
|
||
sum by (agent) (
|
||
rate(aiops_agent_step_duration_seconds_count{outcome="timeout"}[1m])
|
||
) * 60 > 3
|
||
for: 5m
|
||
labels:
|
||
severity: critical
|
||
layer: k8s
|
||
team: ai
|
||
auto_repair: "false"
|
||
alert_category: "agent_step_latency"
|
||
annotations:
|
||
summary: "Agent {{ $labels.agent }} timeout 頻率 > 3/min（持續 5m，飛輪失能）"
|
||
description: |
|
||
Phase 2 agent {{ $labels.agent }} 過去 1 分鐘 timeout 速率為
|
||
{{ $value | humanize }}/min，持續 5 分鐘超過門檻 3/min。
|
||
agent 處於 degraded 狀態（confidence=20%）；診斷、決策、修復全部失效。
|
||
根因通常是 NIM 高負載或網路抖動。需立即查 NIM 及考慮切 provider。
|
||
runbook_url: "docs/runbooks/RUNBOOK-AGENT-STEP-LATENCY.md#agentsteoptimeoutspike"
|
||
|
||
# -------------------------------------------------------------------------
|
||
# [ACTIVE — 需 A2 上線]
|
||
# DiagnoseFallbackToCloud — NEMO→Gemini fallback 頻率預警
|
||
#
|
||
# 觸發條件：從 openclaw_nemo 到 gemini 的 fallback 每分鐘 > 5 次，持續 5 分鐘
|
||
# 意義：NIM 已無法服務，Gemini 每日配額正在高速消耗，有配額耗盡風險
|
||
# 嚴重度：warning（Gemini 還在服務，但配額燃燒速度需注意）
|
||
#
|
||
# PromQL 設計說明：
|
||
# - aiops_diagnose_fallback_total 是 Counter，用 rate() + * 60 轉為 /min
|
||
# - 精確過濾 from_provider="openclaw_nemo", to_provider="gemini"
|
||
# （最關鍵的 NEMO→Gemini 跳轉，預警 Gemini quota 燒耗）
|
||
# - 若需監控 Gemini→Claude 第二段 fallback，另建獨立 alert（超出本任務範圍）
|
||
# - for: 5m 確認持續燃燒，非一過性 NIM 重啟
|
||
# -------------------------------------------------------------------------
|
||
- alert: DiagnoseFallbackToCloud
|
||
expr: |
|
||
rate(
|
||
aiops_diagnose_fallback_total{
|
||
from_provider="openclaw_nemo",
|
||
to_provider="gemini"
|
||
}[1m]
|
||
) * 60 > 5
|
||
for: 5m
|
||
labels:
|
||
severity: warning
|
||
layer: k8s
|
||
team: ai
|
||
auto_repair: "false"
|
||
alert_category: "agent_step_latency"
|
||
annotations:
|
||
summary: "NEMO→Gemini fallback > 5/min（持續 5m），Gemini quota 正在燃燒"
|
||
description: |
|
||
DIAGNOSE phase 從 openclaw_nemo fallback 到 gemini 的速率為
|
||
{{ $value | humanize }}/min，持續 5 分鐘超過門檻 5/min。
|
||
NIM 主力路由已無法服務；Gemini 每日配額正在高速消耗。
|
||
若 Gemini 配額耗盡，fallback 將轉向 Claude（費用更高）。
|
||
需立即確認 NIM 狀態並決定是否限流或增加 Gemini 配額。
|
||
runbook_url: "docs/runbooks/RUNBOOK-AGENT-STEP-LATENCY.md#diagnosefallbacktocloud"
|