Leo
c7675a10a0
## leo 三條裁決，逐條落實
① 「**別人的錯誤一律要顯示給用戶看，不然就會變成我的錯誤，導致客服**」
→ manifest entry 新增 `LastError`（存**原文**），退避訊息改成
「上次失敗（第 N 次），58m 後重試｜**原因：**<上游原文>」。
成功後清空，不留舊錯誤嚇人。
測試 `TestUpstreamErrorSurvivesBackoff` 從上游錯誤字串出發，
驗它活到給使用者看的那句話；反向驗證拿掉即紅。
② 「**拿來開發一般人用不到的根本別安裝**」
→ daemon 不再代裝 system-dev template（`CLAUDE.md`／`scripts/`／`system-dev/`，37 檔）。
兩層傷害：把人家資料夾弄亂 ＋ 那些檔被當知識吃進去
⇒ 知識庫長出 `kb`／`t195-watch` 這種不是使用者內容的庫（leo 實撞）。
`template-install` 子命令保留，開發者情境不受影響。
③ 「**它也不能只看隱藏檔內，因為 template 在我所有的 repo 裡不是隱藏的**」
→ 排除規則用**路徑身分**（`TemplateOwns()`，來源是內嵌 templatefs 的實際路徑
＋ `system-dev/`・`scripts/` 目錄前綴），**不是**「有沒有以點開頭」。
測試刻意把 template 檔放成**不隱藏**（就像 leo 的 repo），驗它仍被排除；反向驗證即紅。
這些檔也不計進「有 N 個檔案沒有被整理」——那欄是給使用者看他自己的檔案的。
## 順帶修 leo 截圖上的重複
「有 2 個檔案沒有被整理」底下 `scripts/sdd-active-check.sh` 出現兩次
——多帳號時同一個資料夾被掃多輪、每輪都 append。已去重。
## 殘項（誠實）
App 端失敗卡還沒接上這條線 ⇒ **畫面尚未真的顯示原因**。未打包、未送達。
221 lines
9.1 KiB
Go
221 lines
9.1 KiB
Go
// manifest.go — collector 本機 manifest 讀寫（SDD ingest-hash-trigger design §2）。
|
||
// manifest 只由 collector 寫入，雲端不得回寫（design §6-4）。
|
||
package collector
|
||
|
||
import (
|
||
"crypto/rand"
|
||
"encoding/json"
|
||
"errors"
|
||
"fmt"
|
||
"os"
|
||
"path/filepath"
|
||
"strings"
|
||
"time"
|
||
)
|
||
|
||
// ManifestEntry 是單一檔案在 manifest 裡的狀態。
|
||
// - mtime 只決定「要不要重算 hash」（fast-path），絕不作為內容變更判準。
|
||
// - ingested_hash 與 content_hash 分開存＝可表達「已變更但尚未成功 ingest」；
|
||
// 上傳失敗不更新 ingested_hash，天然可重試。本階段（不接網路）永不寫 ingested_hash，
|
||
// 留給之後的上傳/webhook task 在成功後回寫。
|
||
type ManifestEntry struct {
|
||
ContentHash string `json:"content_hash"`
|
||
Size int64 `json:"size"`
|
||
Mtime int64 `json:"mtime"`
|
||
IngestedHash string `json:"ingested_hash,omitempty"`
|
||
IngestedAt int64 `json:"ingested_at,omitempty"`
|
||
// ExtractedBy＝這張卡是誰萃的（"claude"／"gemma"／""＝無萃取器的直送路）。
|
||
//
|
||
// 為什麼要記（leo 2026-07-27 問「如果已經萃過了它知道嗎？」時發現的缺口）：
|
||
// 原本 manifest 只記「萃過了」不記「誰萃的」。防重複本來就成立（hash 相同就跳過），
|
||
// 但**換萃取器時無從分辨哪些卡是舊萃取器產的**——claude 萃的卡和 gemma 萃的卡
|
||
// 品質不同卻混在同一個知識庫裡，想重萃也不知道該重萃哪些。
|
||
//
|
||
// 本欄位**不改變任何現有行為**（純記錄），但它是「換萃取器要不要重萃」這個決定的前提：
|
||
// 沒有它，之後想分辨就永遠分辨不了（舊資料補不回來）。
|
||
ExtractedBy string `json:"extracted_by,omitempty"`
|
||
|
||
// ── 失敗退避（t195，2026-08-05）────────────────────────────────────────────
|
||
// 病（leo 實撞）：`小果被AFTEE詐貸.pdf` 因雲端 401 失敗後，**manifest 完全不記失敗**
|
||
// ⇒ 下一輪掃描又把它當「新檔」⇒ 無退避、無上限地重試。
|
||
// 實測：**1387 輪、跨 11 小時**，每輪 3.2~3.8 秒全花在撞同一面牆上；
|
||
// 而且它排在佇列前面 ⇒ **一個壞檔就把整個資料夾的同步拖住**。
|
||
// leo：「不只推上去慢，原先萃檔案速度也快，現在也花了十幾分才萃完」——
|
||
// **萃取根本沒變慢，慢的是重試**（log 的 `FOREACH 所有 5 項目均失敗` 證明卡早就萃好了）。
|
||
//
|
||
// 解：記下失敗次數與下次可重試時間，指數退避＋次數上限。
|
||
// 這是**獨立於當次錯誤**的架構缺陷——401 修好了，下次換別的錯照樣卡死，所以要修這裡。
|
||
FailCount int `json:"fail_count,omitempty"` // 連續失敗次數（成功即歸零）
|
||
LastFailAt int64 `json:"last_fail_at,omitempty"` // 最後一次失敗的 unix 秒
|
||
NextRetry int64 `json:"next_retry,omitempty"` // 早於這個時間不重試（0＝可立即重試）
|
||
// LastError＝最後一次失敗的**真正原因**（原文，不改寫）。
|
||
//
|
||
// 🔴 leo 2026-08-06 立的原則：「**別人的錯誤一律要顯示給用戶看，
|
||
// 不然就會變成我的錯誤，導致客服**」。
|
||
// 先前退避一開始，畫面就只剩「上次失敗（第 4 次），58m 後重試」，
|
||
// 真因（Cloudflare「當日免費額度用完」／「這份 PDF 沒有文字層」）**當場消失**
|
||
// ⇒ 使用者以為是我們壞掉。原因必須跟著 entry 存活到下次成功為止。
|
||
LastError string `json:"last_error,omitempty"`
|
||
}
|
||
|
||
// retryBackoff 退避階梯：1m → 5m → 15m → 1h → 6h，之後每次 6h。
|
||
var retryBackoff = []time.Duration{
|
||
1 * time.Minute, 5 * time.Minute, 15 * time.Minute, 1 * time.Hour, 6 * time.Hour,
|
||
}
|
||
|
||
// MaxFailBeforeSkip 連續失敗達此次數 → 該檔暫停自動重試，不再拖住佇列。
|
||
// 使用者改檔（content hash 變）或按「立刻同步」時仍會重試（見 MarkFailed／ShouldRetry）。
|
||
const MaxFailBeforeSkip = 8
|
||
|
||
// Manifest 對應一個被勾選的資料夾。
|
||
type Manifest struct {
|
||
FolderID string `json:"folder_id"`
|
||
Root string `json:"root"`
|
||
Entries map[string]*ManifestEntry `json:"entries"`
|
||
}
|
||
|
||
// newUUID 產生 RFC 4122 v4 UUID（純 stdlib）。
|
||
func newUUID() (string, error) {
|
||
var b [16]byte
|
||
if _, err := rand.Read(b[:]); err != nil {
|
||
return "", err
|
||
}
|
||
b[6] = (b[6] & 0x0f) | 0x40 // version 4
|
||
b[8] = (b[8] & 0x3f) | 0x80 // variant 10
|
||
return fmt.Sprintf("%x-%x-%x-%x-%x", b[0:4], b[4:6], b[6:8], b[8:10], b[10:16]), nil
|
||
}
|
||
|
||
// LoadManifest 讀 manifest 檔；不存在＝新資料夾，生成 folder_id。
|
||
func LoadManifest(path, root string) (*Manifest, error) {
|
||
data, err := os.ReadFile(path)
|
||
if err != nil {
|
||
if errors.Is(err, os.ErrNotExist) {
|
||
id, uerr := newUUID()
|
||
if uerr != nil {
|
||
return nil, uerr
|
||
}
|
||
return &Manifest{FolderID: id, Root: root, Entries: map[string]*ManifestEntry{}}, nil
|
||
}
|
||
return nil, err
|
||
}
|
||
var m Manifest
|
||
if err := json.Unmarshal(data, &m); err != nil {
|
||
return nil, fmt.Errorf("manifest %s 解析失敗（不覆寫、直接報錯）: %w", path, err)
|
||
}
|
||
if m.Entries == nil {
|
||
m.Entries = map[string]*ManifestEntry{}
|
||
}
|
||
if m.FolderID == "" {
|
||
id, uerr := newUUID()
|
||
if uerr != nil {
|
||
return nil, uerr
|
||
}
|
||
m.FolderID = id
|
||
}
|
||
if root != "" {
|
||
m.Root = root
|
||
}
|
||
return &m, nil
|
||
}
|
||
|
||
// MarkIngested 是「整條 ingest 鏈成功」後的回寫鉤子（design §2）：把該路徑的
|
||
// ingested_hash 接上當時送出的 source_hash。**R2 上傳成功不呼叫它**——上傳只是鏈的
|
||
// 第一環，要等 task 4（named-webhook → ingest workflow）確認成功才回寫；在那之前
|
||
// 同檔每輪重發 added/modified＝設計內重試，R2 端靠 HEAD no-op 天然冪等、零浪費。
|
||
// 回傳 false＝路徑已不在 manifest（例如回報前檔案又被改名/刪除），呼叫端自行決定忽略或告警。
|
||
func (m *Manifest) MarkIngested(path, sourceHash string, at int64) bool {
|
||
return m.MarkIngestedBy(path, sourceHash, at, "")
|
||
}
|
||
|
||
// MarkIngestedBy 同 MarkIngested，另記「這輪是誰萃的」（extractor＝"claude"／"gemma"／""）。
|
||
//
|
||
// 為什麼另開一支而不是改 MarkIngested 的簽名：MarkIngested 有多個呼叫點
|
||
// （direct 兩處＋trigger.go 的 MarkIngestedEvents＋測試），改簽名會擴散破壞。
|
||
// 走無萃取器路徑（sync／直送）的呼叫端不必知道這個欄位，維持原簽名最小侵入。
|
||
func (m *Manifest) MarkIngestedBy(path, sourceHash string, at int64, extractor string) bool {
|
||
e, ok := m.Entries[path]
|
||
if !ok {
|
||
return false
|
||
}
|
||
e.IngestedHash = sourceHash
|
||
e.IngestedAt = at
|
||
e.ExtractedBy = extractor
|
||
// 成功即清掉失敗狀態（t195）：下次再壞會從第一階退避重新算起。
|
||
e.FailCount, e.LastFailAt, e.NextRetry = 0, 0, 0
|
||
e.LastError = ""
|
||
return true
|
||
}
|
||
|
||
// MarkFailed 記錄一次失敗並排定下次可重試時間（t195 指數退避）。
|
||
//
|
||
// 為什麼要記在 manifest 而不是記憶體：collector 每輪是獨立 process
|
||
// （`direct --once` 由看守器反覆拉起），記憶體狀態一輪就沒了——
|
||
// 這正是原本「1387 輪重試同一個檔」的原因：每輪都以為自己是第一次。
|
||
func (m *Manifest) MarkFailed(path string, at int64, reason string) bool {
|
||
e, ok := m.Entries[path]
|
||
if !ok {
|
||
return false
|
||
}
|
||
e.FailCount++
|
||
e.LastFailAt = at
|
||
if strings.TrimSpace(reason) != "" {
|
||
e.LastError = reason // 存真因；退避訊息由呼叫端另外組，不覆蓋這裡
|
||
}
|
||
idx := e.FailCount - 1
|
||
if idx >= len(retryBackoff) {
|
||
idx = len(retryBackoff) - 1
|
||
}
|
||
e.NextRetry = at + int64(retryBackoff[idx].Seconds())
|
||
return true
|
||
}
|
||
|
||
// ShouldRetry 回報「這個檔現在該不該送」。
|
||
//
|
||
// - 從沒失敗過 → true（行為與 t195 前一字不變）
|
||
// - 還在退避窗口內 → false（**這是止血點：壞檔不再每 4 秒撞一次牆拖住整個佇列**）
|
||
// - 連續失敗 ≥ MaxFailBeforeSkip → false（暫停自動重試）
|
||
//
|
||
// force＝使用者按「立刻同步」：忽略退避與上限一律重送
|
||
// （人明確要求時不該被機器的退避擋住）。
|
||
// 另：使用者改檔會讓 content hash 變 → 走的是「內容變更」路徑，本函式不介入。
|
||
func (m *Manifest) ShouldRetry(path string, now int64, force bool) bool {
|
||
e, ok := m.Entries[path]
|
||
if !ok || e.FailCount == 0 {
|
||
return true
|
||
}
|
||
if force {
|
||
return true
|
||
}
|
||
if e.FailCount >= MaxFailBeforeSkip {
|
||
return false
|
||
}
|
||
return now >= e.NextRetry
|
||
}
|
||
|
||
// Save 原子寫入（temp + rename），避免掃描中斷留半個 JSON。
|
||
func (m *Manifest) Save(path string) error {
|
||
data, err := json.MarshalIndent(m, "", " ")
|
||
if err != nil {
|
||
return err
|
||
}
|
||
dir := filepath.Dir(path)
|
||
if err := os.MkdirAll(dir, 0o755); err != nil {
|
||
return err
|
||
}
|
||
tmp, err := os.CreateTemp(dir, ".manifest-*.tmp")
|
||
if err != nil {
|
||
return err
|
||
}
|
||
tmpName := tmp.Name()
|
||
if _, err := tmp.Write(append(data, '\n')); err != nil {
|
||
tmp.Close()
|
||
os.Remove(tmpName)
|
||
return err
|
||
}
|
||
if err := tmp.Close(); err != nil {
|
||
os.Remove(tmpName)
|
||
return err
|
||
}
|
||
return os.Rename(tmpName, path)
|
||
}
|