历史故障记录 (Alaya 版)

验证: 2026-07-13 (周循环自检) Alaya 只记录与运维相关的故障

INC-001: Gateway Discord 404 → exit 75 重启循环 (2026-05)

• 症状: Gateway 进程以 exit code 75 退出 → systemd 立即重启 → 循环
• 根因: 不明（Discord API 端点变更或 Token 问题）
• 修复: RestartForceExitStatus=75 + RestartMaxDelaySec=300 + RestartSteps=5
• 验证: ✅ 有效，未复现

INC-002: Gateway 多实例互相终止 (2026-05)

• 症状: systemd + cron + 手动启动的多实例互相 —replace 杀死
• 根因: 多个管理入口竞争
• 修复: 只保留 systemd 单实例，cron 脚本改为 systemctl restart
• 验证: ✅ 当前稳定

INC-003: Discord 连接超时自愈 (2026-06)

• 症状: “discord connect timed out after 30s”
• 根因: 代理瞬断 (Mihomo 抖动)
• 修复: 自愈 (通常 1-2 周期恢复)
• 验证: ✅ 当前稳定

INC-004: events.sqlite 反复损坏 (Manas)

• 症状: 数据库 corruption，已有 16 个 corrupt 文件
• 根因: 未完全确定 (并发写入/WSL 稳定性)
• 修复: 自动生成 .corrupt 备份 → 重建
• 验证: ❌ 未根本解决 (Manas 范围)

INC-005: Headroom 模型加载失败 (2026-05)

• 症状: headroom 卡在 SYN_SENT
• 根因: HuggingFace CDN 直连超时
• 修复: HTTPS_PROXY=${LOCALIP}:7895 代理访问 HF，预加载模型缓存
• 验证: ✅ 当前稳定 (未在 alaya 运行)

INC-009: scope-recall ZeroEntropy 丢失 (2026-05-27)

• 症状: 向量检索降级到 local-hash
• 根因: git pull 覆盖了本地 ZeroEntropy 适配
• 修复: 重应用补丁
• 验证: ✅ 补丁在手

INC-010: WSL 子网切换 (2026-05)

• 症状: Wi-Fi 子网切换
• 修复: WSL Mirrored 模式自动适应，无需干预
• 验证: ✅ 自动恢复

INC-011: 非 Discord 平台关闭 (2026-05-30)

• 症状: Feishu/Telegram/Weixin/QQ/DingTalk/WhatsApp 反复掉线
• 修复: 仅保留 Discord + API Server，其他禁用
• 验证: ✅ 当前仅 Discord + Webhook 活跃

INC-013: MCP server hermes-studio 连接失败 (持续)

• 症状: Gateway 日志: “No such file or directory: ‘hermes-web-ui-mcp’”
• 根因: hermes-web-ui-mcp 在 ~/.local/share/npm/bin/，Gateway 进程 PATH 不包含此路径
• 影响: 非阻塞，Gateway 正常运行
• 验证: ❌ 未修复，但可容忍

INC-014: Alaya Gateway “Unauthorized” Discord 用户 (2026-06-12)

• 症状: Gateway 日志 WARNING 显示 Yunlu 为 Unauthorized user
• 根因: 配对 approval 时间差 (approve 后 gateway 未立即刷新)
• 修复: 自愈，后续消息正常通过
• 验证: ✅ 已解决

INC-015: Cron “Stream stale” 超时 — deepseek-v4-flash (持续中)

• 症状: 多个 cron 任务日志中出现重复 WARNING: “Stream stale for 180-240s — no chunks received. model=deepseek-v4-flash context=~45-105K tokens”
• 根因: deepseek-v4-flash 在长上下文（45-105K tokens）时响应延迟超过模型超时阈值
• 影响: cron 任务需要重试（1-3 次），整体完成变慢但不失败
• 修复: 无配置变更 — 属于 provider/模型延迟问题
• 验证: ⚠️ 持续观察中，完成率 100% 但有重试

INC-016: Memos bridge —no-viewer 进程泄漏 (监视中)

• 症状: 之前有多达 2 个 --no-viewer bridge 进程并存，各占 ~235 MB RSS
• 根因: _reconnect_bridge() keepalive 线程限速补丁 (_last_reconnect_at) 未打上 (grep=0)
• 修复: 补丁路径: ~/.hermes/memos-plugin/adapters/hermes/memos_provider/__init__.py 补丁状态: ⚠️ 2026-07-13 验证 — 仍为 0 (未打上)。无活跃泄漏 (当前 0 个 —no-viewer 进程)
• 验证: ⚠️ 无活跃泄漏，但补丁未生效，keepalive 可能复发

INC-017: PG16 闲置集群 (已解决)

• 症状: PostgreSQL 16 (port 5432) 反复自启用
• 根因: 包升级/重启后 enable 状态被覆盖
• 修复: 已 stop + disable postgresql@16-main
• 验证: ✅ 2026-07-13 验证 — inactive (仅 PG17 5433 运行中)

INC-018: Alaya Gateway API Server 端口 8642 冲突 (持续)

• 症状: 每 5 分钟 ERROR: “Port 8642 already in use” — 已累积 199+ 次重试
• 根因: Manas gateway 已占用 8642 (API Server)，Alaya gateway 配置中使用同一端口
• 影响: Alaya 的 API server 无法启动，但 Discord + Webhook 正常运行
• 修复: 需要修改 Alaya config.yaml 中 platforms.api_server.port 为其他端口 (如 8643)
• 验证: ❌ 未修复，但影响有限

INC-019: Swap 使用率高 (48%) — 监视中

• 症状: Swap 使用 988Mi / 2.0Gi (48%)
• 根因: 多进程并发 (gateway ×2, postgres ×17 连接, pyright ×2, gbrain worker ×2)
• 影响: 可能影响性能，但可用内存仍有 3.1Gi
• 修复: 清理 stale pyright-langserver 实例 (当前 2 个，各 ~120-234MB), stale codex session (~45MB)
• 验证: ⚠️ 待用户评估后执行清理

INC-020: 全面深度自检 + 升级 v0.20.1→v0.20.4 (2026-08-18)

• 执行: 系统资源/服务/网络/端口/配置/日志/记忆/包版本/DB/缓存 全链路
• 修复:
  1. hermes 升级 v0.20.1→v0.20.4 (落后 1285 commits), cua-driver 0.19.3→0.20.0, 3 gateway 自动重启
  2. TimeoutStopSec 统一 60s→210s (alaya/manas, ≥ drain_timeout 180+30)
  3. 缓存清理: ~/.cache 9G→3.6G (pip 708 文件/uv 939M/npm 2.7G/playwright 旧版), ~/.npm 3.2G→634M
  4. codebase-memory-mcp 缓存 528M 删除 (无服务使用)
  5. sessions/archive 60 天前 22 个 JSONL 清理
  6. apt 升级 22 包 (chrome 151/gh 2.97)
  7. runtime_footer.py 自定义备份 (升级 reset 保护)
• 验证: 全部 gateway active, Discord Connected (Alaya#7126), 磁盘可用 890G
• 发现待决: 26 迷你 profile 264M 无引用 (pending P1), anet-discord-test 节点 (pending P2)