Jesse_ChenandClaude Opus 5
a8d29d1b6c
产品 2026-09-15 对审计单里挂着的两个待拍板项给出结论，两项都是「不改」： - 意图分类继续用会话选定的模型，不引入便宜快模型，模型目录不新增 「工具模型」角色。failure-attribution 单 §4.6 立为决策记录，§10 从 「待产品拍板后另开单」改为已决定不做；本单只改归因，不改用哪个模型。 - 只给年份的事件继续采满 12 个月，降采样不做、研究单也不立。 engine-memoization 单 §4.2 / §11 同步，并写明后续不得以性能为由重提。 两条都加了「要重提必须先拿到产品新的授权」，避免下一轮被当成遗漏又提一次。 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01JUei7K13cYxLHE3Axe4A45
201 lines
16 KiB
Markdown
201 lines
16 KiB
Markdown
# TASK · 三处把系统故障说成别的东西（校正轮次链路）
|
||
|
||
- 日期：2026-09-15
|
||
- 基线 commit：`origin/staging` @ `6b3248bf`
|
||
- 执行分支：`codex/rectification-failure-attribution-20260915`
|
||
- 独占文件：`frontend/src/app/api/rectification/agent/route.ts`、`frontend/src/lib/rectification-agentic/v9/turn-intent-classifier.ts`、`frontend/src/lib/rectification-agentic/v9/engine-client.ts`、`frontend/src/lib/rectification-agentic/v9/agent-run.ts`、`frontend/src/lib/rectification-activity-labels.ts`
|
||
- **`route.ts` 由本单独占。** `TASK-rectification-request-dossier-cache-20260915` 也要碰同一文件，**必须串行在本单之后**。
|
||
- 与 engine-memoization 单、settled-render-split 单无文件重叠，可并行
|
||
|
||
---
|
||
|
||
## 1. 三条缺陷的共同点
|
||
|
||
都不是算错，是**归因错**：后端出了故障，但对用户显示成「你没说清楚」「已经记下了」或者干脆断流。用户没有任何线索知道要重试，也不知道刚才那句话有没有算数。
|
||
|
||
| # | 用户看到 | 实际发生 | 预占 BUG |
|
||
| --- | --- | --- | --- |
|
||
| 1 | 「我不太确定这句是不是在回答上面的问题」 | 意图分类器两次都异常，这句话里的经历直接丢弃 | BUG-722 |
|
||
| 2 | 「记下了：2016 年 3 月……」但范围一动不动 | 引擎 429（算不过来），重算静默失败 | BUG-723 |
|
||
| 3 | 等三五分钟，无错误码断流 | 两次尝试 420 秒 > 路由预算 240 秒 | BUG-724 |
|
||
|
||
## 2. 事故实证
|
||
|
||
### 2.1 BUG-722 · 分类器失败被说成用户表达不清
|
||
|
||
`route.ts` 的 `POST` 里，`action === "message"` 且当前焦点是**点选题**（`parseAgentChoiceCopy(focus.expectedAnswerSchema)` 非空）时：
|
||
|
||
```
|
||
const intent = await classifyTurnIntentWithRetry(resolvedModel, {...});
|
||
const classified = intent.classified;
|
||
...
|
||
if (!classified || classified.intent === "unclear") {
|
||
const narration = RECTIFICATION_USER_COPY.unclearFocusReply; // 「我不太确定这句是不是在回答上面的问题——点个选项，或者换个说法都行。」
|
||
const turn = await persistV9DeterministicTurn(...); // 本轮落库
|
||
return completedMessageResponse(narration, ...); // 直接返回，不进 Agent
|
||
}
|
||
```
|
||
|
||
`classifyTurnIntentWithRetry`（`turn-intent-classifier.ts`）的契约是：两次尝试都抛异常 → 返回 `{ classified: null, expectedWrite: "unknown" }`。也就是说 **`classified === null` 表示「模型没答上来」，`classified.intent === "unclear"` 表示「用户确实说不清」**，这是两件性质完全相反的事，路由把它们合并进了同一条分支。
|
||
|
||
后果：模型超时、供应商 5xx、网络抖动时，用户被回一句质疑他表达能力的话；这一轮正常落库，但**没有任何证据写入尝试**，他刚讲的那件事就此消失，只能自己再说一遍。
|
||
|
||
同一文件里**采集题**分支（`isCollectFocusSchema` 为真）已经处理对了：`classified` 为 null 时只记 `collectIntent = "unclassified"`，不短路，继续往下进 Agent，由 `expectedWrite = "unknown"` 的 fail-open 守卫接管。这是 BUG-643 的成果。点选题分支没有跟上。
|
||
|
||
第三处同类：`decision.nextAction === "ask_candidate_discriminator"` 分支里的 `classifyRectificationTurnIntent` 包在 `try { } catch { classified = null }` 里，随后落 `RECTIFICATION_USER_COPY.choicePrompt`。危害小（那条路本来就要出卡），但归因同样错，一并处理。
|
||
|
||
**关联记录**：BUG-643（分类器 null 不得回退到关键词；`collectIntent=unclassified` 就是那一单加的）、BUG-635（证据轮只说「记下了」却没写入）、BUG-522（其记录末尾原文写着「意图分类器超时仍是既有缺口，本单不修」——**这条缺口从 2026-09-04 挂到今天**）。
|
||
|
||
### 2.2 BUG-723 · 引擎「忙」被当成引擎「坏」
|
||
|
||
`engine-client.ts` → `readEngineJson`：
|
||
|
||
```
|
||
if (!response.ok) {
|
||
... throw new RectificationEngineError("engine_request_failed", message);
|
||
}
|
||
```
|
||
|
||
所有非 2xx 一视同仁。而 Python 侧 `jyotish_api_server.py` 的 `except HeavyComputeBusy` 明确返回 **429 + `Retry-After` 头 + `ERR_COMPUTE_BUSY`**，语义是「现在满了，过几秒再来」，不是「坏了」。重算闸门 `api_heavy_compute_gate.py` 并发默认 2、饱和 fail-fast 不排队——**这是设计，不要改它**，要改的是调用侧。
|
||
|
||
失败之后：`rectification-v9-tools.ts` 的 `autoRescoreAfterEvidenceChange` 整个包在 `try/catch` 里，返回 `{ status: "failed", errorCode, openQuestion: null }`，**不打任何日志**。这个结果进 `record-evidence-batch` 的 projection 交给模型，但系统提示词明确要求「工具执行保持静默……不叙述工具或内部状态」，所以模型不会说。于是：证据入库成功 → 重算静默失败 → 模型照常写「记下了：2016 年 3 月……」→ 范围一动不动 → 也没有下一问被盖戳。
|
||
|
||
这正是历史上反复出现的「说记下了但范围没变」的一个来源，而且它**只在两个人同时校正时出现**，本机永远复现不了。
|
||
|
||
**复发自 BUG-715**（星盘页同一天刚修完同一个错误）。BUG-715 的防复发原文：「引擎调用不得用 `catch {}` 吞掉原因，失败必须留服务端日志且用户文案按原因分档。」那一单只改了 `chart-view-engine.ts`，校正链路的 `engine-client.ts` 是同样的写法，没有被扫到。
|
||
|
||
### 2.3 BUG-724 · 超时预算自相矛盾
|
||
|
||
| 位置 | 值 |
|
||
| --- | ---: |
|
||
| `route.ts` `export const maxDuration` | 240 s |
|
||
| `regenerate/route.ts` `export const maxDuration` | 240 s |
|
||
| `agent-run.ts` `RECTIFICATION_AGENT_ATTEMPT_TIMEOUT_MS` | 210 s |
|
||
| `agent-run.ts` `MAX_ATTEMPTS` | 2 |
|
||
|
||
单次尝试 210 s < 240 s，满足 BUG-388 防复发的字面要求（「attempt 超时必须小于路由 `maxDuration`」）。但两次加起来 **420 s > 240 s**，违反 BUG-059 的防复发：「**两次模型尝试的总预算必须显式小于路由 `maxDuration`**」。
|
||
|
||
只要发生一次重试（`empty_stream`、`evidence_not_written` 都会触发），这一轮必然撞上路由预算或边缘代理超时，用户等三五分钟拿到一个连错误码都没有的断流。
|
||
|
||
另有一处隐患：`RECTIFICATION_AGENT_ATTEMPT_TIMEOUT_MS = 210_000` 在仓库里**定义了两遍**——`agent-run.ts:123`（服务端真正用的）和 `rectification-activity-labels.ts:40`（前端「即将超时」提示用的）。改一个不改另一个，提示时机就会漂。
|
||
|
||
**复发自 BUG-059**；**关联 BUG-388**（把 105 s 提到 210 s、把 120 s 提到 240 s 的那一单，它的防复发只写了单次尝试，没写总预算，所以这次没拦住）。
|
||
|
||
## 3. 根因
|
||
|
||
三条共用一个根因：**故障的机器语义在传递过程中被压平**。分类器把「抛异常」和「答了 unclear」压成同一个 `null`；引擎客户端把 429/500/超时/坏 JSON 压成同一个 `engine_request_failed`；运行器把「单次尝试的预算」当成「整轮的预算」。压平之后，上层再想按原因分档就没有信息可用了。
|
||
|
||
## 4. 决策记录
|
||
|
||
产品 2026-09-15 授权本单，并明确以下口径：
|
||
|
||
1. **分类器失败必须让用户知道「是我们这边的事」，并且要能把这句话捡回来。** 允许的做法是提示重试；**不允许**用年份正则、关键词表或任何模式匹配去猜用户意图——这是 BUG-643 的防复发红线，本单不推翻。
|
||
2. **429 不是错误，是排队信号。** 允许在重算链路上按 `Retry-After` 做有限次退避重试。退避重试仍失败时，**必须让用户知道这次没有重算**，不得让模型继续说「记下了」而范围不动。具体文案由执行方按 `frontend/docs/VOICE.md` 拟，评审在验收轮。
|
||
3. **超时按「整轮一个预算」重构，不是简单调数字。** 不接受把 attempt 砍到 110 s——那会把 BUG-388 重新打开（带引擎重算的轮次实测就要超过 105 s）。也不接受把 `maxDuration` 提到 430 s——让用户等七分钟不是产品。
|
||
4. **并发闸门（默认 2）、`_SWISSEPH_LOCK`、fail-fast 不排队三项一律不动。** 那是主机只有 2 vCPU 的保护，不是 bug。吞吐问题由 `TASK-rectification-engine-memoization-20260915` 解决。
|
||
5. **不改计费口径。** 现在这三条失败路径都发生在 `billing.reserve()` 之前或走 release，用户不扣点；改完必须仍然不扣点。
|
||
6. **意图分类继续用会话选定的模型，不引入便宜快模型。** 产品 2026-09-15 明确决定：分类用贵的。因此模型目录**不新增**「工具模型」角色，`classifyRectificationTurnIntent` / `classifyTurnIntentWithRetry` 继续走 `resolveSessionLanguageModel` 的返回值。本单不得以「省钱 / 提速」为由改模型选择；后续轮次要重提必须先拿到产品新的授权。本单只改**归因**，不改**用哪个模型**。
|
||
|
||
## 5. 硬红线
|
||
|
||
1. 不得引入任何关键词/正则/词表兜底去替代分类器（BUG-643 防复发）。
|
||
2. 不得放宽 `expectedWrite` 守卫、不得改 `evidence_not_written` 的重试语义、不得用确定性业务模板伪装成模型生成成功（BUG-059 防复发）。
|
||
3. 引擎调用失败必须留服务端日志，只含路径、状态码或错误名、耗时；**不得含出生资料、案例 ID、用户原文、模型原文、JWT**（BUG-715 防复发 + AGENTS §8）。
|
||
4. 超时改动后，「两次尝试总预算 < 路由 `maxDuration`」必须由一条测试断言钉死，而不是靠注释。
|
||
5. 超时后若本轮已盖戳 `open_question`，仍不得把整轮打成空 `run_timeout`（BUG-388 防复发，现状行为，保持）。
|
||
6. `frontend/src/app/page.tsx` 一行不许动（1951/2000，AGENTS §6）。
|
||
7. 不得顺手升级依赖、不得顺手修不在本单里的 warning。
|
||
|
||
## 6. 任务分解
|
||
|
||
### 6.1 分类器区分「模型没答上来」与「用户说不清」
|
||
|
||
`classifyTurnIntentWithRetry` 的返回值加一个判别字段（例如 `outcome: "classified" | "unclear" | "classifier_unavailable"`），`classifier_unavailable` 专指两次尝试都抛异常。`classified: null` 仍然保留给调用方兼容，但路由不再据此分档。
|
||
|
||
`route.ts` 三处改为：
|
||
|
||
- `outcome === "unclear"` → 维持现状，回 `unclearFocusReply`。
|
||
- `outcome === "classifier_unavailable"` → 走一条新文案（大意：这边没接上，把刚才那句再发一次就行），并且**这一轮不得被记成用户已经答过当前焦点**；焦点保持 active，下一次重发能正常进入同一条路径。
|
||
- 同一改动覆盖点选题分支、`ask_candidate_discriminator` 分支的 `try/catch`。采集题分支已经正确，只需保证它的 `collectIntent` 语义不被本次重构改坏。
|
||
|
||
另加一条服务端日志（只含 case 前缀无关的机器码与耗时，不含原文），让这类失败在日志里可数。
|
||
|
||
- 验收：`rectification-turn-intent-classifier.test.ts` 新增断言——分类器抛异常两次时 `outcome === "classifier_unavailable"`；模型正常返回 `intent: "unclear"` 时 `outcome === "unclear"`；两者的路由回复文案不同。
|
||
- 验收：源码合同断言 `route.ts` 不存在 `!classified || classified.intent === "unclear"` 这种合并判断。
|
||
- 验收：`classifier_unavailable` 路径不写任何证据、不推进焦点状态、不扣点。
|
||
|
||
### 6.2 引擎失败按原因分档
|
||
|
||
`engine-client.ts` 的 `readEngineJson` 改为按原因产出判别码：`busy`（429）/ `http_error` / `timeout` / `bad_payload`，并读取 `Retry-After`。每一种非 ok 打一条 `console.warn`（路径、状态码或错误名、耗时）。对齐 BUG-715 在 `chart-view-engine.ts` 里已经落地的那套形状，不要另发明一套。
|
||
|
||
`scoreAndPersistCurrentEvidence` / `autoRescoreAfterEvidenceChange` 链路上：`busy` 按 `Retry-After`（上限取一个显式常量，建议 ≤ 2 次、总退避 ≤ 6 s，写成具名常量并在测试里钉死）退避重试；仍失败时把失败原因显式带回 projection，并让本轮的主持人正文告诉用户这次没有重算、经历已经记下、稍后会再比一次。
|
||
|
||
- 验收：新增测试，桩出 429 + `Retry-After: 2`、500、超时、坏 JSON 四种，断言四种分别产出不同判别码、各有可区分日志、只有 429 触发退避重试。
|
||
- 验收：断言退避总时长有上限，且上限是具名常量不是字面量散落。
|
||
- 验收：`busy` 重试成功后，`rescore.status` 必须是 `completed`，与从未失败过的那条路径逐字相同。
|
||
- 验收：`busy` 最终失败时，用户可见正文里必须出现「这次没有重新比较」这一语义（具体文案对照 `frontend/docs/VOICE.md`），且不得出现「范围在收窄」这类进度句。
|
||
|
||
### 6.3 超时改成整轮一个预算
|
||
|
||
在 `runV9AgentTurn` 里引入一个整轮 deadline（建议 `RECTIFICATION_RUN_BUDGET_MS`，取值必须显式小于 `maxDuration`，例如 225 s），单次尝试仍保留 210 s 上限，但实际超时取 `min(单次上限, 剩余预算)`。重试条件从 `attemptNumber < MAX_ATTEMPTS` 改为 `attemptNumber < MAX_ATTEMPTS && 剩余预算 ≥ 最小可用尝试时长`（同样具名常量）。预算不够重试时，走现有的 `hostFallbackUsed` 优雅路径，而不是启动一次注定被砍断的尝试。
|
||
|
||
同时把 `RECTIFICATION_AGENT_ATTEMPT_TIMEOUT_MS` 收敛成**一处定义**，`rectification-activity-labels.ts` 从那一处 import，消除两份 210_000 漂移的可能。
|
||
|
||
- 验收：新增断言 `RECTIFICATION_RUN_BUDGET_MS < maxDuration`，且 `maxDuration` 从路由模块读取而不是重写一遍字面量（`agent` 与 `regenerate` 两条路由都要覆盖）。
|
||
- 验收：`rectification-v9-stream.test.ts` 新增用例——第一次尝试耗尽大部分预算后返回 retryable，运行器不得发起第二次尝试，必须走 host fallback 并给出可见正文。
|
||
- 验收：源码合同断言全仓只有一个 `210_000` 的定义点。
|
||
- 验收：已盖戳 `open_question` 的超时轮仍然落题干、不空失败（BUG-388 现状行为回归）。
|
||
|
||
### 6.4 三条 Bug 历史
|
||
|
||
同一变更内写进 `docs/BUG_HISTORY.md`，编号连续，每条都要有「复发自 / 关联记录」：
|
||
|
||
- BUG-722：关联 BUG-643、BUG-635、BUG-522（522 里写明的既有缺口本单关闭）。
|
||
- BUG-723：**复发自 BUG-715**，说明 715 的防复发为什么没覆盖到 `engine-client.ts`（那一单的范围写死在星盘页三个文件里）。防复发要升级成仓库级：**任何调用 Python 引擎的客户端都不得把非 2xx 压平成单一错误码，429 必须单独成档。**
|
||
- BUG-724：**复发自 BUG-059**，说明 BUG-388 的防复发只约束了单次尝试、没约束总预算，因此没拦住。
|
||
|
||
## 7. 让步顺序
|
||
|
||
1. 6.1 必须做，它是唯一会**丢用户数据**的一条。
|
||
2. 6.3 次之，改动最小、风险最低，而且它是重试链路的前提。
|
||
3. 6.2 的「分档 + 日志」必须做；「按 `Retry-After` 退避重试」可以砍到下一轮，但那样的话**用户可见的「这次没有重算」提示不得砍**——宁可不重试也不许静默。
|
||
4. 6.4 不得砍。
|
||
|
||
## 8. 开工前置命令
|
||
|
||
```bash
|
||
git fetch origin --prune
|
||
git worktree add -b codex/rectification-failure-attribution-20260915 \
|
||
.worktrees/rectification-failure-attribution-20260915 origin/staging
|
||
cd .worktrees/rectification-failure-attribution-20260915/frontend
|
||
git status -sb | head -1
|
||
npm ci
|
||
```
|
||
|
||
验收命令：
|
||
|
||
```bash
|
||
./node_modules/.bin/tsc --noEmit
|
||
npm run lint
|
||
npx tsx --test tests/rectification-turn-intent-classifier.test.ts \
|
||
tests/rectification-v9-stream.test.ts \
|
||
tests/rectification-answer-choice.test.ts \
|
||
tests/rectification-spoken-collect.test.ts \
|
||
tests/rectification-unwritten-evidence.test.ts \
|
||
tests/rectification-v9-agent.test.ts \
|
||
tests/chart-view-engine.test.ts
|
||
npx tsx --test tests/*.test.ts # 与基线逐条比对失败清单
|
||
npm run build # `/` 仍须 ○ Static，首屏 gzip ±2%
|
||
```
|
||
|
||
## 9. BUG 编号起点
|
||
|
||
基线 `6b3248bf` 上最大号 **BUG-720**。本单预占 **BUG-722 / 723 / 724**（BUG-721 留给 engine-memoization 单）。开工时核对当时的实际最大号；同日四单并行，先落库者先占号，冲突时顺延并在进度记录里写明。
|
||
|
||
## 10. 不在本单范围
|
||
|
||
- 分类改用便宜快模型：**产品 2026-09-15 已决定不改，分类继续用会话选定的贵模型**，不另开单（见 §4.6）。
|
||
- 并发闸门、`_SWISSEPH_LOCK`、加机器。
|
||
- 引擎本身的耗时（见 `TASK-rectification-engine-memoization-20260915`）。
|
||
- 请求内 Case 档案缓存（见 `TASK-rectification-request-dossier-cache-20260915`，串行在本单之后）。
|