# 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/` | 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 ` | 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 (>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: Telegram Bot API** (reemplaza a ntfy, cambiado 2026-08-26 por preferencia — no por costo, ver sección de costo abajo). Bot creado manualmente vía [@BotFather](https://t.me/BotFather); el token vive en `TELEGRAM_BOT_TOKEN_FILE` (dueño `devops`, `600` — **no** root-only, mismo criterio que `GITEA_TOKEN_FILE`: el servicio corre como `devops` por el login de suscripción, un archivo `root:root` le sería ilegible). `TELEGRAM_CHAT_ID` no es secreto, va directo en `lab-agent.env`. El mensaje se manda como texto plano, sin `parse_mode`: el motivo que devuelve Claude es texto libre y puede traer `_`, `*`, `[`, `]` — con Markdown/MarkdownV2 esos caracteres rompen el parser de Telegram (`400 Bad Request`) si no se escapan con cuidado. Se prioriza entrega confiable sobre formato. **Validado en vivo 2026-08-26** con el mismo código que usa `notify_send()` (lectura del token, `sendMessage` vía `curl --data-urlencode`, formato `[title]\nmessage`): entrega confirmada (`"ok":true`) y contenido recibido tal cual en Telegram. Gotcha encontrado durante la prueba: el primer intento falló con `400 chat not found` porque el `chat_id` pegado correspondía a otro bot — el `chat_id` de un usuario es el mismo across bots, pero Telegram igual devuelve `chat not found` si *ese bot puntual* nunca recibió un mensaje de esa persona. Se resolvió confirmando el `chat_id` real vía `getUpdates` del bot correcto. ## Horario activo y costo **Pausa nocturna (`ACTIVE_HOURS_START`/`END`, hora local del host):** activo `06:00`–`23:00`, pausado `23:00`–`06:00`. El script chequea esto como lo primero que hace tras inicializar logging — si está fuera de horario, sale **antes** de tocar `kubectl`/`docker`/`curl` o invocar `claude -p`, así que la pausa ahorra el costo completo de la corrida, no solo la notificación. El timer de systemd además solo dispara dentro de esa ventana (`OnCalendar=*-*-* 06..22:00/15:00`) — la doble verificación es deliberada: si alguien edita la unidad de systemd sin tocar `lab-agent.env` (o corre el script a mano), el chequeo interno sigue protegiendo. **Tensión sin resolver con la ventana de `medusa-deploy`:** la ventana de auto-restart para `medusa-deploy` (`COMMERCE_BACKEND_WINDOW_*`, `00:00`–`06:00`) **no se solapa** con el horario activo del agente (`06:00`–`23:00`). Esto significa que, en la práctica, `medusa-deploy` nunca es candidato real a auto-restart: la única ventana en la que la política lo permitiría es exactamente cuando el agente está pausado y ni siquiera corre. La regla sigue viva en el código (por si el horario activo cambia más adelante) pero hoy es efectivamente inalcanzable. Pendiente de decisión: mover la ventana de `medusa-deploy` a que caiga dentro del horario activo, o aceptar que ese recurso queda cubierto solo por diagnóstico/notificación manual. **Estimación de costo mensual:** | | | |---|---| | Corridas/día (17h activas ÷ 15 min) | 68 | | Costo por corrida (medido en la prueba e2e, Sonnet) | ~US$0.018–0.045 con cache tibia; ~US$0.12 en frío (primera corrida del día, tras 7h de pausa el cache de prompt ya expiró) | | Estimado diario (1 corrida fría + 67 tibias) | ~US$2.10 | | **Estimado mensual (× 30 días)** | **~US$60–65** (rango US$35–90 según variación real de cache) | Basado en solo ~7 corridas reales medidas durante la prueba — no es un promedio estadísticamente robusto, es una primera estimación para decidir si el timer se activa. Revisar el costo real después de la primera semana en producción y ajustar frecuencia/modelo si hace falta. ## Pendiente antes de activar el timer en continuo - **Confirmación explícita del propietario del lab** para habilitar el timer de systemd — no se activa automáticamente solo por haber pasado la prueba end-to-end ni por tener el costo estimado. - Unidad systemd de usuario (`systemctl --user`, corre como `devops`, no `root`), con límites de CPU/memoria (`CPUQuota`, `MemoryMax`). Requiere `loginctl enable-linger devops` (una vez, con sudo) para que seguir corriendo sin sesión interactiva activa. - Opcional: `GITEA_TOKEN_FILE` para activar la señal de "runner atascado" vía API de Gitea Actions (hoy se omite, degradación segura). - Decidir la tensión con la ventana de `medusa-deploy` (ver arriba).