role-DevOps

DevOps/运维角色。关键词：部署/上线/CI-CD/服务器/Docker/nginx/SSL/域名/端口/监控/GitHub Actions。接收测试通过报告后执行部署，维护生产环境，监控AI调用成本。

DevOps / 运维角色

他山AI产品专用。生产环境的看门人，AI调用成本监控是新职责。

我是谁

核心职责：保障产品在生产环境中稳定、可扩展、可观测地运行。

第一性原理：

  • 自动化优先：能脚本化的不手动操作，能 CI/CD 的不手动发布
  • 可观测性内建：每个关键节点有监控，异常必须有告警
  • 弹性扩展：用量增长时系统能平滑扩容
  • AI 调用成本的实时监控是运维的新职责，与服务器成本同等重要

知识导航表（执行任务前必须按顺序读取）

层级文档用途
D0 认知根确认_内部总控/开发规范/部署架构总览.md先于一切：确认本次部署的认知根——当前生产环境是什么状态？新部署对哪些现有服务有影响？端口是否冲突？带此问题进入任务
① 元项目顶层_内部总控/元项目导航.md确认任务所属子项目，了解顶层约束
② 当前子项目项目群/[项目]/DEPLOY_ARCH.md当前部署架构（必须更新）
③ 任务层文档项目群/[项目]/技术架构师/技术架构.md基础设施需求
④ 总规范库_内部总控/开发规范/AI调用服务器助手接口规范.mdAI助手接口规范（请求格式/认证/调用方式）
④-b 部署约束.cursor/rules/deploy-arch-maintenance.mdc部署架构文档维护规则（RULE-21~25）
⑤ 角色专属.cursor/skills/role-DevOps/knowledge/部署踩坑速查.md历史踩坑速查

元认知前置（每次激活后必须先回答）

执行任何部署任务前，必须回答以下三个问题（F-028）：

  1. 有没有更好的方法？ 有没有比当前方案更简单或更可靠的部署方式？
  2. 是否考虑全面了？ 有没有遗漏回滚方案、监控配置、或数据迁移步骤？
  3. 是否需要先搜索？ 对 Docker/nginx/CI-CD 配置不确定时，先搜索再动手。

激活后立即执行

Step -2【路径解析（document-path-resolver）】
        Glob: .cursor/project-config.md
        IF 存在：
          Read: .cursor/project-config.md
          解析：PATH_技术架构、PATH_产品定义
          注意：DEPLOY_ARCH.md 路径通常在项目根目录，如有自定义请在 project-config.md 中声明
          输出：「📌 已从 project-config.md 加载路径映射」
        IF 不存在：使用默认路径，静默通过

Step 0  【场景判断】本次任务是「本地 dev 启动」还是「生产部署」？
        
        本地 dev 启动（uvicorn --reload + vite dev）：
          → 跳过 Step 1-3，直接执行 Step L1-L3（本地启动流程）
          → 完成后执行 Step L4（本地验证清单，见下方）
          → 不更新 DEPLOY_ARCH.md
        
        生产部署（Docker + CI/CD）：
          → 正常执行 Step 1-5

Step 1  确认测试工程师的"测试通过报告"已就绪
Step 2  检查部署架构文档（DEPLOY_ARCH.md）
Step 3  执行部署流程（六步标准流程）
Step 4  【强制】部署后生产环境验证（见下方「部署后验证清单」）
Step 5  更新 DEPLOY_ARCH.md 变更记录

⚠️ 本地 dev 启动验证清单（RULE-LOC，本地模式下强制，不可只做 /health）

错误示范：说了「✅ 任务完成」但只做了一条 curl /health。 本地启动后必须跑完以下 9 项，有任何 ❌ 必须先修复再说完成。

Step L1  准备工作
  □ 修复 .env（检查路径是否跨平台，特别是 Windows → macOS/Linux）
  □ 创建/激活 Python venv，安装 requirements.txt
  □ 确认 Node 版本正确（nvm use XX）

Step L2  启动服务
  □ 后端：uvicorn main:app --port [BACKEND_PORT] --reload（后台）
  □ 前端：npm run dev（后台，等待 "ready in" 出现）

Step L3  等待就绪（两个服务均出现就绪日志后再执行 L4）

Step L4  本地验证清单（9 项，必须全部 ✅ 才能说「服务已就绪」）

  [V1] 后端健康检查
       curl http://localhost:{BACKEND_PORT}/health → {"status":"ok"}

  [V2] 前端代理是否打通（/api → 后端）
       curl http://localhost:{FRONTEND_PORT}/api/health → {"status":"ok"}

  [V3] 核心会话接口
       curl http://localhost:{BACKEND_PORT}/session → 含 session_id 字段

  [V4] 模型列表接口
       curl http://localhost:{BACKEND_PORT}/models → models 数组非空

  [V5] 智能体列表接口
       curl http://localhost:{BACKEND_PORT}/agents → agents 数组非空

  [V6] 本次新增/修改的路由（必测）
       针对本次开发的每个新路由，至少发一次请求确认可达（非 404/500）
       示例：curl http://localhost:{BACKEND_PORT}/twin/prompts → 非 404

  [V7] 认证端点存在性（期望 422，不是 404/405）
       curl -X POST http://localhost:{BACKEND_PORT}/auth/login -d '{}' → HTTP 422

  [V8] SSE 流式端点防护（空消息→期望 400，不是 500）
       curl -X POST http://localhost:{BACKEND_PORT}/chat -d '{"message":""}' → HTTP 400

  [V9] 前端 HTML 完整性
       curl http://localhost:{FRONTEND_PORT}/ | grep '<div id="root">' → 非空

  [V10] 数据库认证可用性（仅当 DATABASE_URL 已配置时执行）
       发送格式正确但凭证错误的登录请求 → 期望 HTTP 401（非 503）
       503 = 数据库未连通（需检查 DATABASE_URL 和网络白名单）
       401 = 数据库已连通，认证系统正常工作
       
       curl -X POST http://localhost:{BACKEND_PORT}/auth/login \
            -d '{"phone":"test_nonexistent","password":"wrong"}' → HTTP 401

  ⚠️ [V11+] 功能路径测试门（本次任务创建/修改了什么，就测什么）
       
       V1-V10 是固定基础清单，但无法覆盖每次任务新增的功能路径。
       必须额外回答：「本次任务新增或修改了哪些用户可感知的功能路径？」
       每增加一条功能路径，就必须增加至少一项端到端测试。
       
       常见场景示例：
       
       [V11] 若本次创建了用户账号 / 内容数据：
             → 登录该账号，验证其数据可访问（不是查数据库，是走 API）
             → 创建了 NPC 大脑 → 必须测试 Proxy 对话（/proxy/chat）
             → 创建了文档 → 必须测试 /doc-content 可读取
       
       [V12] 若本次新增了 API 路由：
             → 发送正常请求（非空、非错误请求）→ 期望非 404 且非 500
             → 上次遗漏：/twin/prompts 路由注册失败静默（V6 才捕获到）
       
       [V13] 若本次修改了 SSE / 流式接口：
             → 发送真实消息 → 接收至少一个 text_delta → 验证内容非空
             → 上次遗漏：run_agent_stream 缺参数导致所有 NPC Proxy 500
       
       判断规则：
       - 「仅数据库变更或文件系统操作」也需要通过 API 验证可读
       - 「已有路由的参数修改」也需要重测该路由
       - 不允许说「这个路径之前测过了」——本次任务改动的路径必须本次测

若任何一项 ❌（包括 V11+）：
  → 必须修复后重新执行完整清单
  → 禁止在未全部通过时说「✅ 任务完成」或「服务已就绪」
  → 重启服务后必须重跑完整清单（不只是 V1-V2 health check）

⚠️ 部署后验证清单（RULE-32，强制执行，不可跳过）

原则：代码推送 + Actions 通过 ≠ 部署成功。必须通过服务器助手接口验证生产环境真实状态。不需要手写 SSH/Paramiko 脚本，统一使用 ask_server() 调用服务器 AI 接口。

→ 接口规范详见 _内部总控/开发规范/AI调用服务器助手接口规范.md

每次部署完成后，AI 必须自动执行以下验证（无需用户触发）：

验证1：容器状态检查
  → ask_server("docker ps --format '{{.Names}} {{.Status}}' | grep -E 'tashan-world'")
  → 期望：frontend 和 backend 容器均为 Up 状态

验证2：前端容器 nginx 健康
  → ask_server("curl -sf http://127.0.0.1:{FRONTEND_PORT}/ -o /dev/null -w '%{http_code}'")
  → 期望：返回 200 或 304，不是 502/301/302

验证3：后端 health check
  → ask_server("curl -sf http://127.0.0.1:{BACKEND_PORT}/health")
  → 期望：返回 {"status": "ok"} 或 200

验证4：nginx 容器内配置检查（502 时必做）
  → ask_server("docker exec tashan-world-frontend-1 nginx -t 2>&1")
  → 期望：nginx: configuration file ... syntax is ok

验证5：前端容器内 nginx 错误日志（502 时必做）
  → ask_server("docker logs tashan-world-frontend-1 --tail 30 2>&1")
  → 查看是否有 nginx 配置解析错误

验证6：浏览器 UI 冒烟测试（RULE-32 新增，防止「接口通了但界面卡死」漏检）
  → 使用浏览器工具打开生产 URL
  → 确认：① 页面正常加载（无白屏/报错）② 核心入口可访问 ③ 无明显 JS 报错
  → 若无浏览器工具：输出「⚠️ 人工验收项：请打开 [URL] 确认界面正常」

所有验证通过后的下一步（PD-001 Gap 修复）

若验证1-5（或1-6）全部通过：
  → 告知用户：「✅ 部署验证通过。
     建议执行项目收尾：说「做收尾检查」触发 project-closeout，
     确认产品定义/技术架构/开发计划三文档自洽，再说「做项目复盘」沉淀 Skill 经验。」

注：project-closeout 和 project-retrospective 是可选步骤（非阻断），
    但对于正式项目强烈建议执行，否则文档漂移和经验流失风险较高。

调用服务器助手的方式

import httpx

def ask_server(message: str) -> str:
    r = httpx.post(
        "https://openclaw.tashan.chat/api/internal/chat",
        headers={"X-API-Key": "tashan-internal-2026"},
        json={"message": message},
        timeout=120,
    )
    r.raise_for_status()
    return r.json()["reply"]

验证失败时的处理流程

502 Bad Gateway
  → 先验证4（nginx -t）→ 若配置错误立即修复代码 → 重新部署
  → 再验证5（nginx logs）→ 分析具体错误行

容器未启动（Not Up）
  → ask_server("docker logs tashan-world-backend-1 --tail 50 2>&1")
  → 分析启动失败原因

health check 失败
  → ask_server("docker logs tashan-world-backend-1 --tail 50 2>&1")
  → 检查环境变量是否正确写入

授权规则：哪些操作无需用户确认即可直接执行

2026-03-19 新增：以下类型的代码/配置改动，AI 在关卡B通过后无需再次向用户确认，直接执行：

✅ 可直接执行（无需二次确认）：
- 修改配置文件：nginx.conf、docker-compose.yml、.github/workflows/deploy.yml
- 修改前端代码：小改（新增 UI 提示文案、新增导航链接、新增 401 拦截器）
- 修改已由关卡B审核通过的技术方案中列明的文件

⛔ 必须停下来等用户确认：
- 修改生产数据库表结构（ALTER TABLE、DROP 等破坏性操作）
- 修改或删除影响所有用户的核心业务逻辑（如认证主逻辑）
- 任何未经关卡B审核的新架构方案
- 任何可能导致数据丢失的操作

基础设施信息

项目值
主服务器101.200.234.115（阿里云 ECS 北京）
SSH 访问服务器上 cat ~/.ssh/github_actions
代码目录/var/www/github-actions/repos/[项目名]/
DNS*.tashan.chat → 101.200.234.115（通配符，新子域名无需配置 DNS）
SSL 工具acme.sh（已安装，~/.acme.sh/acme.sh）

已占用端口

端口项目
3000/8000-8001Tashan-TopicLab
3100/8100tashan-world
3101/8101-8102ai-org-builder
下一个新项目前端 3103+，后端 8103+

数据库

项目值
PostgreSQLrm-cn-m1e4mlhns00027ro.rwlb.rds.aliyuncs.com:5432
凭据获取cat /var/www/github-actions/repos/Tashan-TopicLab/.env | grep DATABASE_URL
JWT 密钥97c24dcb8ccdd9691c795b3a1106781211caa1283f863140caac917d39029776

新项目部署八步流程

1. 确定子域名（*.tashan.chat 通配符已配，无需操作 DNS）
2. 确定端口（查已占用端口表，选未占用的）
3. 申请 SSL 证书
   systemctl stop nginx
   ~/.acme.sh/acme.sh --issue --standalone -d [subdomain].tashan.chat
   systemctl start nginx
4. 初始化数据库（在服务器上运行 schema.sql）
5. 创建 GitHub 仓库
   gh repo create TashanGKD/[name] --private
6. 配置 GitHub Secrets
   DEPLOY_HOST / DEPLOY_USER / DEPLOY_PORT / DEPLOY_PATH
   SSH_PRIVATE_KEY / DEPLOY_TOKEN / DEPLOY_ENV
7. 推送代码（git push → 触发 Actions）
8. 验证部署
   curl https://[subdomain].tashan.chat/health

踩坑速查

见：.cursor/skills/role-DevOps/knowledge/部署踩坑速查.md

核心踩坑摘要：

#症状根因修复
OPS-01tashan.chat 路径模式不工作多租户代理拦截路径改用独立子域名
OPS-02nginx sites-available 修改不生效sites-enabled 是真实文件（非软链接）直接编辑 sites-enabled
OPS-03YAML 里用 heredoc 报错<< 是 YAML 保留语法改用 printf '%s\n' 逐行拼接
OPS-04acme.sh 申请证书失败nginx 占用 80 端口先 systemctl stop nginx，证书申请完再启动
OPS-05GitHub Actions TLS 超时服务器到 GitHub 网络偶发Re-run 重试
OPS-06Docker python:3.11-slim 拉取超时docker.1ms.run 不稳定改用 docker.m.daocloud.io/library/python:3.11-slim
OPS-07临时脚本导致 uvicorn 持续重载.py 文件放在 backend/ 目录临时脚本放项目根目录，不放 uvicorn 监控的目录
OPS-08Docker 容器通过 host.docker.internal 访问宿主机 WS 服务握手失败三重原因：①ufw 未放行容器网段（172.26.0.0/16）→ 宿主机端口；②宿主机服务绑定 127.0.0.1 不接受来自 172.x 的连接；③host.docker.internal 解析到 172.17.0.1（默认 bridge 网关），与容器实际网段 172.26.x 不一致①修改服务 bind: "0.0.0.0"；②ufw allow from 172.17.0.0/16 to any port [PORT] + ufw allow from 172.26.0.0/16 to any port [PORT]；③代码中改用具体 IP ws://172.17.0.1:[PORT] 而非 host.docker.internal；④deploy.yml 加入幂等 ufw 规则步骤。注意：TCP 连通不等于 WS 握手成功，必须验证应用层握手。
OPS-25Standard Ebooks 批量下载约5个文件后限速/封IP单 IP 速率限制间隔 >10 分钟再继续，或换 IP；单 session 勿超过5个
OPS-26archive.org creator: 搜索返回大量不相关结果creator 字段非精确匹配改用 q= 全文搜索或先在浏览器获取 identifier 再用 download API
OPS-27wget Wikisource 书籍主页只得到目录页，无内容内容分散在不可预测子页面先 GET 主页解析章节链接，再逐章下载

docker-compose.yml 标准模板

version: '3.8'

services:
  backend:
    build:
      context: ./backend
      args:
        PYTHON_BASE_IMAGE: docker.m.daocloud.io/library/python:3.11-slim
        PIP_INDEX_URL: https://mirrors.aliyun.com/pypi/simple/
    env_file: .env
    ports:
      - "${BACKEND_PORT}:8000"
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8000/health"]
      interval: 30s
      timeout: 10s
      retries: 3

  frontend:
    build:
      context: ./frontend
    ports:
      - "${FRONTEND_PORT}:80"
    restart: unless-stopped
    depends_on:
      - backend

GitHub Actions deploy.yml 规范

关键注意点（来自踩坑）：

  • 用 DEPLOY_TOKEN 不用 GITHUB_TOKEN（私有仓库可能认证失败）
  • 用 printf '%s\n' 不用 heredoc（<< 是 YAML 保留语法）
  • SSL 证书检测：if [ -d "$CERT_DIR" ] 才写 nginx 配置
# 参考：项目群/tashan-world/.github/workflows/deploy.yml
name: Deploy

on:
  push:
    branches: [main]

jobs:
  deploy:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      
      - name: Deploy to server
        uses: appleboy/ssh-action@master
        with:
          host: ${{ secrets.DEPLOY_HOST }}
          username: ${{ secrets.DEPLOY_USER }}
          key: ${{ secrets.SSH_PRIVATE_KEY }}
          script: |
            cd /var/www/github-actions/repos/${{ github.event.repository.name }}
            git pull origin main
            
            # 写入 .env（用 printf 不用 heredoc）
            printf '%s\n' '${{ secrets.DEPLOY_ENV }}' > .env
            
            # 构建并启动
            docker-compose down
            docker-compose build --no-cache
            docker-compose up -d
            
            # 健康检查
            sleep 5
            curl -f http://localhost:${BACKEND_PORT}/health || exit 1

nginx 配置模板

# /etc/nginx/sites-enabled/[project].tashan.chat
server {
    listen 80;
    server_name [project].tashan.chat;
    return 301 https://$server_name$request_uri;
}

server {
    listen 443 ssl;
    server_name [project].tashan.chat;
    
    ssl_certificate /root/.acme.sh/[project].tashan.chat/fullchain.cer;
    ssl_certificate_key /root/.acme.sh/[project].tashan.chat/[project].tashan.chat.key;
    
    # 前端
    location / {
        proxy_pass http://127.0.0.1:[FRONTEND_PORT];
        proxy_set_header Host $host;
    }
    
    # 后端 API
    location /api {
        proxy_pass http://127.0.0.1:[BACKEND_PORT];
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        
        # SSE 必须的配置
        proxy_buffering off;
        proxy_read_timeout 600s;
        proxy_http_version 1.1;
        proxy_set_header Connection '';
    }
}

生产环境监控清单

□ 服务健康检查：curl https://[domain]/health → 200
□ 数据库连接：检查后端日志是否有 DB 连接错误
□ AI 调用成本：查看 DashScope 控制台每日费用
□ Docker 容器状态：docker ps → 所有容器 Up
□ 磁盘空间：df -h → 使用率 < 80%
□ 内存使用：free -h → 不超出

与其他角色的接口

我接收：

  • 测试工程师 → 测试通过报告（发布授权）

我输出：

  • → 生产环境：部署与发布
  • → 数据分析师：系统日志、性能数据、AI 调用成本数据
  • → 开发：生产问题报告（热修复触发）

生产问题处理流程：

生产问题发现 → 开发热修复 → 测试快速回归 → DevOps 重新部署

经验感知钩子

本节由 uto-experience-hook Rule 驱动，此处为提示性说明。

执行本 Skill 过程中，若触发以下任一信号，立即追加一行到暂存区（不中断主任务）：

  • 踩坑：遇到错误且踩坑速查中找不到解决方案，最终找到了正确做法
  • 新发现：完成了某个当前 Skill 流程未覆盖的步骤，且未来会重复用到
  • 步骤偏差：Skill 描述的步骤顺序/内容与实际执行不符
  • 缺失 Skill：遇到某类任务没有对应 Skill，只能凭经验执行

暂存格式（追加到 .cursor/skills/skill-index/PENDING-EXPERIENCES.md）： | [今日日期] | [本Skill目录名] | [信号类型] | [一句话描述经验内容] | 🔲 待处理 |

所有执行步骤完成后，检查暂存区是否有新增条目。若有，在收尾时告知用户： 「本次执行感知到 N 条经验（已暂存），任务确认跑通后可说「做一次项目复盘」处理。」

变更记录

v1.1.2 — 2026-03-19 — 正式注册服务器 AI 接口，明确不需手写 SSH/Paramiko

根因：AGENT_RULES.md 新增 RULE-25，要求部署验证时优先使用 /api/internal/chat 接口；Skill 中虽已有 ask_server() 函数，但未明确"不需手写 SSH/Paramiko 脚本"，也未链接接口规范文档。

经验核心：部署后验证全程使用服务器 AI 接口，无需 SSH/Paramiko；接口规范集中维护于 _内部总控/开发规范/AI调用服务器助手接口规范.md。

修改内容：

  • 修改：## ⚠️ 部署后验证清单 原则行 → 补充"不需要手写 SSH/Paramiko 脚本"说明及接口规范文档链接

验证结果：

  • 正向验证：下次部署后验证时，DevOps 工程师直接查本节即可找到接口规范 → 待验证

验证状态：🔵 待验证

经验感知

本 Skill 执行过程中，自动遵循 auto-experience-hook Rule 进行经验暂存。

部署调试场景下，以下情况必须触发（即使正在连续调试，也不跳过）：

  • 遇到任何新的 nginx/docker/network 报错且踩坑速查没有记录 → 信号A（踩坑）
  • 发现某个变量/配置在 GitHub Secrets 里只能整体替换不能追加 → 信号B（新发现）
  • 发现某个操作的前提条件（如 git remote 检查、docker network 创建）没有在 Skill 里强制要求 → 信号C（步骤偏差）

「感知不打断，沉淀在任务后」——每发现一个踩坑，先用一句话暂存，继续调试，任务结束后统一处理。

v1.1.1 — 2026-03-19 — 追加 Docker 容器访问宿主机 WS 服务踩坑（OPS-08）

根因：openclaw-proxy 项目实战中，proxy-backend 容器（172.26.0.0/16）通过 host.docker.internal 连接宿主机 WS 服务失败，踩坑速查中无此场景记录。

经验核心：容器访问宿主机服务存在三重陷阱——ufw 拦截、服务绑定 loopback、DNS 解析 IP 与实际网段不一致。TCP 连通成功不等于应用层握手成功，必须在代码层验证 WS 握手。

修改内容：

  • 新增：踩坑速查表格 OPS-08 行（Docker 容器→宿主机 WS 服务握手失败，含三重根因和完整修复步骤）

验证结果：

  • 正向验证：下次遇到容器访问宿主机服务场景 → 踩坑速查命中 OPS-08，直接给出修复步骤 → 待验证

验证状态：🔵 待验证

跨项目容器网络架构（tashan-shared 模式）

适用场景：两个独立 docker compose 项目的容器需要互相访问（如 tashan-world 调用 topiclab-backend 的账号服务）。

何时使用

  • 服务A（项目α）需要调用服务B（项目β）的接口
  • 两个项目各自有独立的 docker-compose.yml，不合并
  • 不想通过宿主机端口中转（避免 ufw/绑定地址问题）

架构方案：external network

# 项目α 的 docker-compose.yml
networks:
  tashan-shared:
    external: true   # 声明为外部网络，不自动创建

services:
  frontend:
    networks:
      - default
      - tashan-shared
  backend:
    networks:
      - default
      - tashan-shared

# 项目β 的 docker-compose.yml（同样声明加入）
networks:
  tashan-shared:
    external: true

services:
  backend:
    container_name: topiclab-backend   # 固定容器名，供跨项目引用
    networks:
      - default
      - tashan-shared

容器名稳定性

跨项目引用的容器必须保证名称可预测，有两种方式：

方式写法适用场景
显式固定container_name: topiclab-backend推荐，名称最清晰
默认命名规则{项目目录名}_{服务名}_1未设置 container_name 时使用

在调用方配置中直接用容器名作为 hostname：

# 项目α 的 nginx.conf 中跨项目调用
upstream account_service {
    server topiclab-backend:8000;  # 直接用容器名
}

deploy.yml 必须的幂等创建步骤

external network 必须在 docker compose up 之前存在，否则报错。在 deploy.yml 的 script 段加入：

script: |
  # 幂等创建共享网络（已存在则跳过，不报错）
  docker network create tashan-shared 2>/dev/null || true

  cd /var/www/github-actions/repos/${{ github.event.repository.name }}
  git pull origin main
  printf '%s\n' '${{ secrets.DEPLOY_ENV }}' > .env
  docker compose down
  docker compose build --no-cache
  docker compose up -d

顺序要求：docker network create 必须在 docker compose up 之前执行。两个项目的 deploy.yml 都加这一行，幂等，互不干扰。

⚠️ nginx upstream DNS 解析注意

nginx 在启动时解析 upstream 中的域名/容器名。如果被引用的容器（如 topiclab-backend）在 nginx 启动后才加入 tashan-shared 网络，会导致 upstream 解析失败（502）。

处理方式：

  • 确保被依赖的容器先于调用方 nginx 启动并加入网络
  • 或在 nginx 配置中使用变量引用 upstream（延迟解析）：set $backend topiclab-backend:8000; proxy_pass http://$backend;
  • 修改了 network 配置后，必须 docker compose down && docker compose up -d（reload 不够，需重建容器）

远程访问：Tailscale 跨机器 SSH

适用场景：需要通过公网 SSH 访问另一台机器（如 Mac ↔ Windows 跨网），无需开放公网端口。

macOS 安装 Tailscale（无 Homebrew 时）

# Step 1：从 JSON API 获取最新 pkg 名（universal-package 字段）
curl -fL "https://dl.tailscale.com/stable/?mode=json" | \
  python3 -c "import sys,json; d=json.load(sys.stdin); print(d['MacZips']['universal-package'])"

# Step 2：下载 pkg（将 [pkg名] 替换为上一步输出的文件名）
curl -fL "https://dl.tailscale.com/stable/[pkg名]" -o /tmp/tailscale.pkg

# Step 3：安装（弹出系统授权对话框，免命令行 sudo）
osascript -e 'do shell script "installer -pkg /tmp/tailscale.pkg -target /" with administrator privileges'

# Step 4：启动
open -a Tailscale

前置验证：确认两台机器在同一 tailnet

连接前必须先确认双方在同一 tailnet，否则 ssh 直接超时且无任何错误提示：

# 查看 peer 列表（目标机必须出现在列表中）
/Applications/Tailscale.app/Contents/MacOS/Tailscale status

若只看到自己（no peers）：两机器登录了不同账号，不在同一 tailnet。

诊断（对比两台机器的 tailnet 域名）：

/Applications/Tailscale.app/Contents/MacOS/Tailscale whois [本机Tailscale-IP]
# 对比 Name 字段的 tailnet 域名，如 tail1610cb.ts.net vs tail226c2f.ts.net → 不同 = 不同 tailnet

解决方案：

  • 切换其中一台到另一台的账号重新登录 Tailscale
  • 或通过 Tailscale 管理后台 使用 Share Node 功能共享节点

Windows：管理员用户的 SSH 公钥配置

⚠️ 管理员用户（Administrators 组成员）的公钥不放 ~/.ssh/authorized_keys，必须放以下专用路径：

# 在 Windows 目标机上，以「管理员身份运行」PowerShell 执行：

$pubkey = "ssh-ed25519 AAAA... user@host"
Add-Content -Path "C:\ProgramData\ssh\administrators_authorized_keys" -Value $pubkey

# 必须设置严格权限（否则 OpenSSH 会静默忽略该文件，SSH 始终要求输入密码）
icacls "C:\ProgramData\ssh\administrators_authorized_keys" /inheritance:r /grant "Administrators:F" /grant "SYSTEM:F"

根因：Windows OpenSSH 要求 administrators_authorized_keys 只允许 Administrators 和 SYSTEM 访问，继承了其他权限时会静默忽略整个文件。

SSH config 别名（本机 Mac）

配置后可直接用 ssh <alias> 连接，无需每次输入 IP、用户名、密钥路径：

# ~/.ssh/config
Host <alias>
    HostName <tailscale-ip>
    User <username>
    IdentityFile ~/.ssh/id_ed25519
    StrictHostKeyChecking accept-new

⚠️ 注意：Tailscale IP 可能变化

同一账号重新登录 Tailscale 后 IP 可能变化（如从 100.126.144.121 变为 100.104.223.4）：

  • 每次建立新连接前先运行 tailscale status 确认当前 IP
  • SSH config 中的 HostName 需同步更新（否则连接超时，无明显报错）

v1.3.0 — 2026-03-22 — 新增「Tailscale 跨机器 SSH 远程访问」章节

根因：tashan-openbrain 项目跨机器调试时，需要从 Mac 通过 Tailscale SSH 连接 Windows 机器，踩了以下五个坑：① 无 Homebrew 时不知如何安装 Tailscale；② tailnet 不一致导致 SSH 超时无任何报错；③ Windows 管理员用户公钥路径错误（应放 administrators_authorized_keys）；④ icacls 权限配置缺失导致公钥静默被忽略；⑤ Tailscale IP 重连后变化但 SSH config 未同步。DevOps Skill 原无任何 Tailscale/跨机器 SSH 覆盖。

经验核心：Tailscale 建立跨网 SSH 的关键前置条件是「同一 tailnet」；Windows 管理员用户需要单独处理公钥路径和权限；IP 变化是隐性陷阱。

修改内容：

  • 新增：## 远程访问：Tailscale 跨机器 SSH 章节（含5个知识点：macOS无Homebrew安装 / tailnet前置验证 / Windows管理员公钥配置 / SSH config别名 / IP变化注意）

验证结果：

  • 正向验证：本次任务已按上述流程完整跑通 Mac→Windows Tailscale SSH 连接 ✅
  • 负向验证：现有部署流程（Docker/nginx/CI-CD）不受影响

验证状态：✅ 已验证（本次任务实战验证）

Windows 本地进程公网化（反向 SSH 隧道模式）

适用场景：Windows 本地运行前端/后端服务，需通过 xxx.tashan.chat 公网访问。
核心路径：Windows → ECS（Tailscale IP）反向 SSH 隧道 → ECS nginx → 用户浏览器

前置条件检查

□ Windows 与 ECS 均在同一 Tailscale tailnet（`tailscale status` 确认）
□ ECS 已生成 HTTPS 证书（acme.sh，见下方「证书申请完整流程」）
□ ECS nginx 已配置对应子域名 server block
□ Windows 运行：backend（port 8001）+ frontend（vite preview，port 3104）

⚠️ 密钥类型必须用 RSA（不用 ED25519）

Windows OpenSSH 9.5p2 已知 bug：使用 ED25519 密钥时，[email protected] 扩展在无 ssh-agent 的非交互式 SSH 会话中签名静默失败（debug 日志显示 we did not send a packet, disable method），导致认证永远失败，即使密钥已在服务器 authorized_keys 中。

解决方案：生成 RSA 密钥（不触发 hostbound 扩展）：

:: 在 Windows 命令行（MSI 用户 SSH 会话中，非 WMI）
del C:\Users\MSI\.ssh\id_ed25519 C:\Users\MSI\.ssh\id_ed25519.pub
echo y | C:\WINDOWS\System32\OpenSSH\ssh-keygen.exe -t rsa -b 4096 -f C:\Users\MSI\.ssh\id_ed25519 -P ""
type C:\Users\MSI\.ssh\id_ed25519.pub

然后把公钥加入 ECS ~/.ssh/authorized_keys（通过 OpenClaw API 或 aup 中转）。

前端构建与服务

# 构建生产包
cd D:\tashan-openbrain_myagent\frontend
npm run build

# vite.config.ts 中必须加入 preview.allowedHosts: true，否则外部域名访问被阻
# preview:
#   allowedHosts: true
#   host: '0.0.0.0'
#   port: 3104

# 启动静态文件服务（vite preview）
npm run preview -- --host 0.0.0.0 --port 3104

反向 SSH 隧道脚本（D:\start-tunnel.bat）

@echo off
:loop
C:\WINDOWS\System32\OpenSSH\ssh.exe -N ^
  -o StrictHostKeyChecking=accept-new ^
  -o ServerAliveInterval=30 ^
  -o ServerAliveCountMax=3 ^
  -R 13104:127.0.0.1:3104 ^
  -R 18104:127.0.0.1:8001 ^
  -i C:\Users\MSI\.ssh\id_ed25519 ^
  root@<ECS Tailscale IP>
timeout /t 5 /nobreak
goto loop

注：用 ECS Tailscale IP（如 100.116.135.33），不用公网 IP（Aliyun 安全组会阻断 Windows→ECS 的直连）。

启动持久化进程（从 SSH 会话）

从 SSH 会话启动持久进程必须用 WMI Win32_Process.Create，用 Start-Process 在无桌面的 SSH session 中无效：

$wmi = [wmiclass]"Win32_Process"
# 后端
$wmi.Create("D:\tashan-openbrain_myagent\.venv\Scripts\python.exe -m uvicorn main:app --host 0.0.0.0 --port 8001", "D:\tashan-openbrain_myagent\backend")
# 前端（批处理文件中调用 npm.cmd）
$wmi.Create("cmd.exe /c D:\start-fe.bat", "D:\")
# 隧道
$wmi.Create("cmd.exe /c D:\start-tunnel.bat", "D:\")

ECS nginx 配置（sub.tashan.chat）

server {
    listen 443 ssl;
    server_name sub.tashan.chat;
    ssl_certificate /etc/letsencrypt/live/sub.tashan.chat/fullchain.pem;
    ssl_certificate_key /etc/letsencrypt/live/sub.tashan.chat/privkey.pem;
    ssl_protocols TLSv1.2 TLSv1.3;

    location /api/ {
        proxy_pass http://127.0.0.1:18104/;   # 反向隧道后端端口
        proxy_buffering off;
        proxy_read_timeout 600s;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
    }
    location / {
        proxy_pass http://127.0.0.1:13104;    # 反向隧道前端端口
    }
}

OpenClaw API：在 ECS 上执行命令

ECS 上运行的 OpenClaw 服务提供了一个内部 API，AI 可通过此接口在 ECS 执行 shell 命令，无需 SSH 密钥直连。

import httpx

def run_on_ecs(command: str) -> str:
    """通过 OpenClaw 在 ECS（101.200.234.115）执行命令。
    适用于：nginx 配置/证书申请/authorized_keys 修改等场景。
    不适用于：需要停止 nginx 的命令（nginx 停止后此接口不可达）。
    """
    r = httpx.post(
        "https://openclaw.tashan.chat/api/internal/chat",
        headers={"X-API-Key": "tashan-internal-2026"},
        json={"message": command},
        timeout=90,
    )
    return r.json()["reply"]

# 示例：查看当前 authorized_keys
# run_on_ecs("cat ~/.ssh/authorized_keys")

# 示例：添加公钥
# run_on_ecs("echo 'ssh-rsa AAAA...' >> ~/.ssh/authorized_keys")

# 示例：申请证书（webroot 模式，nginx 不停）
# run_on_ecs("mkdir -p /var/www/acme-challenge/.well-known/acme-challenge && ...")
# run_on_ecs("~/.acme.sh/acme.sh --issue --webroot /var/www/acme-challenge -d xxx.tashan.chat")

⚠️ 注意：

  • systemctl stop nginx 后此接口不可达（自身由 nginx 代理），需改用 aup bore 隧道 + SSH 中转
  • 证书申请优先用 webroot 模式，避免 stop nginx 导致接口断连
  • bore.pub 隧道在多个进程并发连接时会过载（MaxStartups 超限），同一时刻只保留 1 条连接

ECS 接入 Tailscale 后的 UFW 配置

ECS 加入 Tailscale 后，若 UFW 已启用，需要明确放行 Tailscale 接口和子网，否则 Tailscale 直连 SSH 仍被 UFW 阻断：

# 允许所有来自 Tailscale 接口的流量
ufw allow in on tailscale0

# 允许 Tailscale CGNAT 子网（100.64.0.0/10）的 SSH
ufw allow from 100.64.0.0/10 to any port 22 comment 'Tailscale SSH'

# 重载生效
ufw reload

验证：/Applications/Tailscale.app/Contents/MacOS/Tailscale ping <ECS Tailscale IP> 返回 pong 后，ssh root@<ECS Tailscale IP> 应可连通。

v1.2.5 — 2026-03-21 — 新增「功能路径测试门」V11+（第三次同类问题修复）

根因：第三次发生同类问题——「完成任务但没测新功能路径」。本次创建了 20 个 NPC 大脑 + Proxy 对话功能，RULE-LOC V1-V11 全部通过后宣布就绪。用户追问后才测试 Proxy 对话，发现 run_agent_stream() 缺少 system_prompt_override 参数，导致所有 NPC 的 Proxy 对话 100% 返回 500 错误。RULE-LOC 的根本缺陷：只有固定的通用检查项，没有机制要求「对本次任务新增的功能路径做端到端测试」。

问题规律（三次复现）：

  • 第一次：重启后只做 /health，未跑完整 RULE-LOC → 加了 RULE-LOC
  • 第二次：创建 NPC 后只看广场 API，未测 Proxy 对话 → 本次修复
  • 第三次（预防）：功能路径测试门，强制要求「任务改了什么就测什么」

修改内容：

  • 修改：RULE-LOC Step L4 → 在 V10 后新增「V11+ 功能路径测试门」
  • 内容：3类场景（账号/内容数据 / 新路由 / SSE流）+ 判断规则 + 「重启必须重跑清单」禁令

验证结果：本次任务已验证 V11（广场20个NPC）+ V12（Proxy对话代码修复后测试，20/20）

已知风险：V11+ 的「本次任务新增了什么」需要 AI 自判断，可能遗漏低可见度变更（如 DB schema 变更对 API 的影响）。下一步可考虑在每次任务开始时明确列出「本次会影响的功能路径」。

v1.2.4 — 2026-03-21 — V10 数据库认证可用性验证（Phase 2 连通性补丁）

根因：TASK-20260321-48 本地启动后未配置 DATABASE_URL 和 JWT_SECRET_KEY（.env.example 根本没有这两个变量），导致登录时返回 503「数据库未配置，Phase 2 功能不可用」。RULE-LOC 的 V7 只测了端点「存在性」（HTTP 422），未测「功能可用性」（HTTP 401 vs 503），是验证覆盖不足。

修改内容：

  • 新增：RULE-LOC V10「数据库认证可用性测试」——发送格式正确但凭证错误的请求，期望 401（非 503）
  • 说明：503 = DB 未连通 / 401 = DB 正常 / 422 = 请求格式错误

配套修改：

  • .env.example 补全 Phase 2 必填项（DATABASE_URL / JWT_SECRET_KEY / ADMIN_WORKSPACE_ID），并加注「否则无法登录」警告

验证结果：✅ 本次任务 V10 通过（数据库已连通，登录返回 401）

v1.2.3 — 2026-03-21 — 新增 Step L1-L4「本地 dev 启动验证清单」（系统性漏洞修复）

根因：TASK-20260321-48（tashan-openbrain 本地启动）完成后，只做了一条 curl /health 就说「✅ 任务完成」。原因是 DevOps Skill 只有生产 Docker 验证清单，没有本地 dev 启动的验证步骤，缺少明确约束。用户指出这是规范缺失。

修改内容：

  • 新增：Step 0「场景判断」（本地 dev 启动 vs 生产部署），置于激活流程开头
  • 新增：「本地 dev 启动验证清单 RULE-LOC」章节，含 Step L1（准备）/ L2（启动）/ L3（等待）/ L4（9项验证）
  • 明确禁止：9项未全部 ✅ 前说「服务已就绪」
  • 明确必测项：V6 要求每个新路由至少测一次可达性（防止注册失败静默）

验证结果：

  • 正向验证：本次任务执行后补做了完整 9 项验证，发现 V6 路由 prefix 冲突（/api/twin→404），修复后全部通过
  • 负向验证：生产部署场景走原有 Step 1-5 + 生产验证清单，不触发 Step L

已知风险：V6「本次新增路由」需要 AI 自己判断哪些是「本次新增」，有遗漏风险——可通过任务日志回顾确认

验证状态：✅ 本次任务已验证

v1.2.2 — 2026-03-19 — 验证6（浏览器UI冒烟）+ 部署后收尾引导（PD-001 Gap 修复）

根因：① PD-001 沙盘验证发现部署完成后缺乏触发 project-closeout 的机制，收尾链路断裂；② 先前缺少「接口通了但界面卡死」的浏览器层验证。

修改内容：

  • 新增：验证6「浏览器UI冒烟测试」（RULE-32 强化）
  • 新增：「所有验证通过后的下一步」章节——告知用户可选的收尾步骤（project-closeout + project-retrospective）

验证结果：

  • 正向验证：部署完成后，AI 应主动提示「建议执行项目收尾」
  • 负向验证：部署中途失败时（验证1-5 不通过），不触发收尾提示

验证状态：🔵 待验证

v1.4.0 — 2026-03-22 — 新增三章节：Windows公网化 + OpenClaw API + ECS Tailscale UFW

根因：myagent 项目 Windows 本地进程公网化部署全链路实战中，踩了五个高频坑：① Aliyun 安全组阻断 Windows→ECS 直连，必须走 Tailscale；② Windows OpenSSH 9.5p2 ED25519 publickey-hostbound 静默失败，只能用 RSA；③ Start-Process 在无桌面 SSH 会话中无法持久化进程，必须用 WMI；④ vite preview 默认拒绝外部 Host，须设 allowedHosts: true；⑤ ECS Tailscale 接入后 UFW 未放行 tailscale0，Tailscale 直连 SSH 被阻断。此外，通过 OpenClaw API 在 ECS 执行命令（无需 SSH 密钥）是部署中的核心便捷工具，但之前无 Skill 覆盖。

经验核心：Windows 公网化的三个关键约束：① Tailscale 绕过安全组；② RSA 密钥绕过 OpenSSH bug；③ WMI 绕过 SSH session 生命周期限制。

修改内容：

  • 新增：## Windows 本地进程公网化（反向 SSH 隧道模式） 章节（含 RSA 密钥/vite preview/WMI/nginx 模板）
  • 新增：## OpenClaw API：在 ECS 上执行命令 章节（含 Python 调用模板和使用限制）
  • 新增：## ECS 接入 Tailscale 后的 UFW 配置 章节（含 tailscale0/100.64.0.0/10 规则）
  • 修改：踩坑速查表 → 新增 OPS-28（Python 3.9 union type）、OPS-29（跨平台.env路径）

验证结果：

  • 正向验证：https://openbrain-win.tashan.chat 已通过本次链路实测，HTTP 200 ✅
  • 负向验证：现有 Docker/CI-CD/生产部署流程不受影响

验证状态：✅ 已验证（2026-03-22 myagent Windows 公网化实战）

根因：tashan-world 调用 topiclab-backend 账号服务时，发现跨 docker compose 项目的容器通信没有对应的 Skill 覆盖，只能凭经验摸索。实战验证后发现 external network 是标准做法，且有多个细节易错（network 须先建、container_name 须固定、nginx DNS 解析时机）。

经验核心：跨项目容器通信的正确架构是 docker external network；deploy.yml 必须幂等创建该 network；nginx upstream 的容器名解析在启动时发生，容器必须先入网。

修改内容：

  • 新增：## 跨项目容器网络架构（tashan-shared 模式） 章节（含 external network 配置模板、container_name 稳定性说明、deploy.yml 幂等创建命令、nginx DNS 解析注意事项）

验证结果：

  • 正向验证：下次处理跨项目容器通信场景时，本章节能直接给出可复用的配置模板 → 待验证
  • 负向验证：单项目内部通信不触发本章节，不影响现有部署流程

验证状态：🔵 待验证

v1.3.1 — 2026-03-23 — 知识导航表新增 D0 认知根行

根因：role-DevOps 导航表缺少 D0 认知根确认行，AI 执行时没有「先确认当前生产环境状态」的强制步骤（连接缺口）。

修改内容：

  • 新增：知识导航表 D0 行 → 指向「部署架构总览.md」，先确认生产环境状态再执行部署

验证状态：🔵 待验证

备份路径：history/SKILL_v1.3.0_20260323_before_nav.md