# Agente de diagnóstico/corrección (lab-agent)

Wrapper headless (`scripts/lab-agent/lab-agent.sh`) que corre `claude -p`
periódicamente para diagnosticar el estado del lab y, solo para un
conjunto explícito y aprobado de recursos, ejecutar una acción
correctiva de bajo riesgo. Este documento es tanto referencia técnica
como decisión de gobernanza — la lista blanca de abajo es lo que
autoriza al agente a actuar sin intervención humana, y debe poder
auditarse.

Estado: **script y prueba end-to-end validados en vivo (2026-08-26)**.
El timer de systemd (automatización continua) **todavía no está
activo** — pendiente de decisión explícita para habilitarlo.

## Lista blanca de acciones correctivas automáticas

Aprobada 2026-08-25, antes de escribir una sola línea de código.

### 1. `kubectl rollout restart deployment/<nombre>`

| Condición | Valor |
|---|---|
| Trigger | Deployment con `readyReplicas < replicas` o condición `Available=False` durante **≥10 minutos consecutivos** |
| Namespace elegible | `ecommerce` (todos los deployments detectados ahí en el momento de la corrida) |
| Excepción | `medusa-deploy` — el deployment real de "commerce-backend" en la terminología de `CLAUDE.md` (confirmado en vivo 2026-08-25: no existe un deployment llamado literalmente `commerce-backend`) — solo elegible si además la hora **local** del host está entre **00:00–06:00** |
| Namespaces excluidos siempre | `argocd`, `kube-system`, cualquier otro namespace de plataforma |

### 2. `docker restart <contenedor>`

| Condición | Valor |
|---|---|
| Contenedores elegibles | **Únicamente `gitea-runner`** |
| Trigger | Contenedor no está en estado `running` durante ≥10 min, **o** la API de Gitea Actions reporta un run en estado `running` atascado por más de 10 min sin terminar (señal del incidente de runner zombie del 2026-08-16) |
| Degradación segura | Si no hay `GITEA_TOKEN_FILE` configurado o la API falla, esa señal se omite — nunca dispara una acción sobre una lectura no verificada, solo queda la señal de "contenedor caído" |
| Excluidos siempre | `gitea`, `nginxproxymanager`, `cloudflared` |

### 3. Fuera de alcance automático — SIEMPRE (solo diagnóstico + notificación)

- Borrar cualquier recurso, escalar réplicas, tocar `ConfigMap`/`Secret`/configuración.
- Reiniciar `gitea`, `nginxproxymanager`, `cloudflared`.
- Cualquier acción sobre `medusa-deploy` fuera de la ventana 00:00–06:00.
- Cualquier namespace/deployment no detectado explícitamente en `ecommerce`.

### 4. Límites obligatorios

- **Rate limit:** máx. 1 acción correctiva por recurso cada 30 min.
- **Sin reintento silencioso:** tras un primer intento cuyo problema no
  se resuelve, el recurso queda `blocked` — solo notificación, hasta
  que un humano limpie la entrada en `state.json` o el recurso se
  recupere solo.
- **Logging completo:** cada decisión (actúe o no) se registra en
  `actions.jsonl` con timestamp, recurso, decisión, resultado y motivo.
- **Notificación siempre:** toda acción correctiva o anomalía dispara
  notificación — nunca es silenciosa.

## Diseño de seguridad: por qué Claude nunca ejecuta comandos

`claude -p` se invoca con `--allowedTools ""` (cero herramientas) y
`--json-schema`, así que el modelo **nunca** ejecuta un comando —
solo devuelve una decisión estructurada
(`{"actions":[{"resource","decision","reason"}], "summary"}`). El
script bash es el único que ejecuta `kubectl`/`docker`, y solo después
de revalidar la decisión contra su propio cálculo de elegibilidad —
nunca confía en el JSON de Claude por sí solo.

Se descartó dar a Claude un `Bash` tool con un patrón tipo
`Bash(kubectl rollout restart deployment/medusa-deploy -n ecommerce)`
porque se comprobó en vivo (2026-08-25) que `--allowedTools` hace
**coincidencia por prefijo, no exacta**: un patrón `Bash(echo pintest)`
también permite ejecutar `echo pintest && echo INJECTED` o
`echo pintest; rm -rf /`. Para un comando root-capaz eso no es un
límite seguro. Con `--allowedTools ""`, el peor caso posible es que
Claude proponga una decisión incorrecta en el JSON — y el wrapper la
rechaza si el recurso no está en su propia lista de elegibles.

El prompt también advierte contra prompt injection: los datos de
diagnóstico (estado de pods, logs) podrían contener texto arbitrario
si algo en el cluster está comprometido, e instruye a Claude a ignorar
cualquier instrucción incrustada ahí.

## Autenticación: login de suscripción, no API key

`ANTHROPIC_API_KEY_FILE` queda vacío por defecto — `claude -p` usa el
login de suscripción ya activo del usuario que corre el script
(`~/.claude/.credentials.json`), el mismo que usa una sesión
interactiva normal. Esta decisión se tomó en vivo (2026-08-26) al
confirmar que no había una API key real disponible; el diseño original
pedía un secreto root-only para la API key, pero se simplificó porque:

1. No hacía falta una API key aparte — la suscripción ya cubre esto.
2. Elimina la necesidad de crear secretos root-only vía `sudo` (que
   además está bloqueado para una sesión de Claude Code interactiva
   por diseño — ver `feedback_scoped_root_access_pattern` en memoria
   del proyecto).

**Consecuencia directa:** el servicio systemd (cuando se active) debe
correr como usuario `devops`, no como `root` — root no tiene acceso a
ese login. `CLAUDE_BIN`/`KUBECTL_BIN` apuntan por ruta absoluta a
`/DATA/AppData/home-devops/.local/bin/` porque ese directorio no está
en el `PATH` de root ni de systemd (confirmado en vivo: `sudo which
claude` no lo encuentra).

El único secreto que queda es `GITEA_TOKEN_FILE` (token de Gitea
Actions, opcional, scope lectura), dueño `devops`, `600` — sin sudo.

## Prueba end-to-end (2026-08-26)

Ejecutada contra el cluster real, rama `fix/lab-agent-diagnostico-headless`.
Umbral bajado a 2 minutos solo para esta prueba (`UNHEALTHY_THRESHOLD_MIN`,
valor real en producción: 10). Canario desechable: `deployment/test-agent-canary`
en `ecommerce`, imagen `busybox:stable` con `command: ["sh","-c","exit 1"]`
— garantiza `CrashLoopBackOff` predecible, sin relación con
`catalog-api-deploy`/`frontend-deploy`/`medusa-deploy`.

### Bugs encontrados y corregidos durante la prueba

1. **Subshell perdía el resultado de la acción.** `execute_corrective_action`
   se invocaba como `result="$(execute_corrective_action "$resource")"` —
   al correr en un subshell, las variables `LAST_ACTION_CMD`/`STDOUT`/`STDERR`
   nunca volvían al script principal → crash con `unbound variable`.
   Corregido: la función ahora devuelve éxito/fallo por exit status, invocada
   directamente (sin `$(...)`) para que sus variables globales persistan.
2. **DRY_RUN contaminaba el estado real.** El wrapper marcaba `blocked=true`
   en `state.json` incluso en modo simulación, lo que habría bloqueado
   incorrectamente una corrida real posterior sobre el mismo recurso.
   Corregido: la actualización de `state.json` (bloqueo/rate-limit) solo
   ocurre fuera de `DRY_RUN`.
3. **`claude`/`kubectl` fuera del PATH de root/systemd** — ver sección de
   autenticación arriba. Corregido con `CLAUDE_BIN`/`KUBECTL_BIN` por ruta
   absoluta.

### Evidencia por paso

**DRY_RUN (elegibilidad + decisión, sin tocar el cluster):**

- 1ª corrida (recién detectado): `elegibilidad=not_eligible:bajo_umbral(0m<2m)`
  → Claude devolvió `notify_only` para los 5 recursos.
- 2ª corrida (&gt;2 min después): `elegibilidad=eligible` para
  `test-agent-canary` → Claude devolvió `decision:"restart"` solo para
  ese recurso, `notify_only` para los otros 4 (sanos).
- Log: `ACCIÓN EJECUTADA: kubectl -n ecommerce rollout restart
  deployment/test-agent-canary -> OK`, pero verificado en el cluster real
  que **no hubo restart** (sin anotación `restartedAt`, mismo pod, misma
  edad). `actions.jsonl` registra `"dry_run": true`.

**Ejecución real (`--live`):**

- Misma decisión de Claude (`restart` para el canario, `notify_only` para
  el resto).
- Verificado en el cluster: nueva anotación
  `kubectl.kubernetes.io/restartedAt` en el deployment, evento
  `ScalingReplicaSet` de un ReplicaSet **nuevo**, pod nuevo en otro nodo.
- `actions.jsonl`: `"result": "success", "dry_run": false`.
- `state.json`: `last_action_at` seteado, `blocked: true`.

**Rate limit / sin reintento silencioso:**

- El canario (siempre crashea por diseño) volvió a estar unhealthy sin
  intervención extra.
- Corrida siguiente: `elegibilidad=not_eligible:blocked_tras_intento_previo_sin_recuperacion`.
- Claude devolvió `notify_only` para **todos** los recursos, incluido el
  canario — ningún segundo restart propuesto ni ejecutado.
- `state.json` sin cambios (mismo `last_action_at` que la corrida real
  anterior) — confirma que no hubo reintento.
- Notificación real entregada vía ntfy.sh, confirmada leyendo el propio
  historial del topic (no solo el log del script).

**Limpieza:** `deployment/test-agent-canary` eliminado, entrada
correspondiente en `state.json` borrada. Los logs de la prueba
(`actions.jsonl`, `run-*.log`) se conservan como evidencia auditable —
no se purgaron.

## Notificaciones

Canal: [ntfy](https://ntfy.sh) — sin sistema de notificación previo en
el lab, se eligió la opción sin infraestructura nueva (tópico público
de ntfy.sh, nombre privado difícil de adivinar) para validar la prueba
end-to-end sin bloquear en instalar y exponer un contenedor propio.
Migrar a un ntfy self-hosted (mismo patrón que gitea/nginxproxymanager/
cloudflared) es un cambio de una sola variable (`NTFY_URL`) cuando se
decida.

## Pendiente antes de activar el timer en continuo

- **Confirmación explícita del propietario del lab** para habilitar el
  timer de systemd (Paso 4 original) — no se activa automáticamente
  solo por haber pasado la prueba end-to-end.
- Unidad systemd corriendo como `devops` (no root), con límites de
  CPU/memoria.
- Opcional: `GITEA_TOKEN_FILE` para activar la señal de "runner
  atascado" vía API de Gitea Actions (hoy se omite, degradación segura).