Cron Health Monitor

Cron Health Monitor

一个静默失败的cron比没有cron更危险。它制造一切都好的幻觉。

---

五分钟：为什么你需要这个

你有几十条cron在跑。你以为它们在跑。但它们是沉默的——失败的时候不会喊你。直到三天后你打开文件，发现这三天什么都没有产出。

这个skill做三件事：

1. 闻到问题——在consecutiveErrors涨到2之前就发现不对劲
2. 诊断根因——不是"这条cron失败了"，是"这条cron失败是因为isolated session里用了message工具"
3. 自动派修——不叫醒CEO，直接把修复任务派给数据中心

装完这个skill，cron失败不需要你处理。每周看一次巡检报告，绿色的跳过，红色的已经有人在修了。

---

进化阶梯

L1：部署巡检（第一天）

复制每周巡检cron模板。部署。第一周你会发现一些你已经习惯但没注意到的失败。这很正常——看见问题是第一步。

判断标准：巡检报告生成了，你看到了consecutiveErrors列表。

L2：理解模式（第一周）

你不会只看consecutiveErrors了。你开始看output文件是不是空的、lastDurationMs是不是异常、三个"成功"的cron是不是在同一个秒数失败（限流级联）。你从"报错才看"进化到"不对劲就看"。

判断标准：你发现了一个consecutiveErrors=0但实际在偷懒的cron。你开始理解"静默成功"比报错更可怕。

L3：自动修复（第一个月）

巡检发现问题→自动分派修复→修复成功→下次巡检确认修复。这个闭环不需要CEO。数据中心成了cron的自愈系统。

判断标准：一条cron从失败到修复的过程中，你唯一的感知是巡检报告上写着"已修复"。

L4：自愈系统（第三个月+）

新的失败模式出现——系统识别为未知模式——归档为新模式——修复playbook自动更新。系统在进化。你在睡觉。

判断标准：你查看历史记录，发现系统修好了一个你从未见过的失败模式。这个模式现在在playbook里了。

---

实际案例：我们39条cron踩过的坑

案例1：智谱Key失效——12条cron同时401

6月25日早上，12条cron同时failed。consecutiveErrors=1。根因：智谱API Key过期。

修复：换Key，但关键是加了fallback链。现在每条cron的model后面都跟着至少两个备选——zai/glm-4-flash → doubao → baidu。

教训：免费提供商的Key也会过期。永远有备选。这个教训现在写死在cron模板里了。

案例2：销售部/品牌部日报静默失败2天

consecutiveErrors涨到2。根因：isolated session用message工具直发飞书——isolated session没有飞书认证。message工具需要channel auth，只有main session有。

修复：所有部门日报从message工具切换到sessions_send。同时更新所有cron模板——在isolated session里禁止使用message工具。

教训：成功≠没问题。tool level的错误和configuration level的错误是两种东西。后来我们把"output file为空但cron返回ok"列入了巡检项。

案例3：7部门学习任务从未落地

MEMORY.md写着"每日学习07:30-08:30"，但cron从未创建。6月23日写到6月25日才发现。

教训：管理制度写在文件里≠cron创建了。现在每周巡检不仅要看cron有没有报错，还要看"应该存在的cron是否真的存在"。

案例4：讯飞4.0Ultra上下文溢出

3条cron连续失败，错误信息"Context length exceeded"。根因：讯飞模型上下文窗口小，lightContext设了但任务太重。

修复：切到deepseek-v4-pro + lightContext。后来全面梳理——所有内部运维cron加lightContext，大任务拆小。

教训：模型选型不只看价格。上下文窗口、速率限制、稳定性——这些都是"成本"。

---

六种失败模式（我们见过的）

模式A：Message Tool在Isolated Session

症状：state.lastError含"message failed"。cron设置是isolated session + delivery.mode=announce。 根因：isolated session缺channel认证。 修复：payload里改sessions_send，删掉delivery.mode。 这个坑每个新用户都会踩一次。记住就行。

模式B：Model Provider故障

症状：401/429/503，或"model not found"。 根因：Key过期/限流/服务宕机/模型下架。 修复：切换备选模型。每条cron至少两个fallback。 免费模型也要备选。免费≠永不死。

模式C：文件路径问题

症状：ENOENT、Write failed。 根因：模板变量在lightContext下不解析、目录不存在、权限不够。 修复：绝对路径或确保目录预建。 isolated session的路径解析和main session不同。测试第一条cron的输出路径。

模式D：上下文溢出

症状：token limit、输出截断、半成品文件。 根因：lightContext未开+任务太重。 修复：开lightContext或拆分任务。 内部运维cron默认lightContext: true。不省这个钱。

模式E：静默成功（最危险）

症状：consecutiveErrors=0、lastRunStatus=ok。但output文件为空或只写了"HEARTBEAT_OK"。 根因：Agent没有执行任务就退出了。payload写得太模糊。 修复：payload加"禁止回复HEARTBEAT_OK。必须写入文件后退出。无法完成任务时写入错误原因到文件而不是静默退出。" 这个模式不会触发任何告警。只能靠巡查时打开output文件看内容。

模式F：限流级联

症状：同一分钟的多条cron同时失败，错误信息含429或rate limit。 根因：调度表没有错峰或错峰不够。 修复：同提供商的cron最少隔2分钟。不同提供商最少隔1分钟。 限流阈值会变。上个月的错峰这个月可能不够。每月复查一次。

---

巡检制度

每周巡检（自动，周五22:00）

cron(action="list")
→ 逐条检查：
  - consecutiveErrors ≥ 2 → 标记异常，派数据中心修复
  - consecutiveErrors = 0 BUT output文件为空 → 标记静默失败
  - lastDurationMs > 历史平均×3 → 标记性能降级
  - 应该存在的cron少了一条 → 标记缺失
→ 输出巡检报告

巡检报告格式

检查总数：39
正常：36
异常：3
  1. [品牌部·每日汇报] consecutiveErrors=2 — 已派数据中心修复
  2. [财务部·学习] output为空 — 静默失败，已派数据中心诊断
  3. [销售部·日报] lastDurationMs异常(45s, 平均8s) — 性能降级

正常的不写。三个数字加异常详情。没有分析、没有建议、没有"可能"。巡检就是如实报告——决策是数据中心的，不是巡检的。

---

告警配置

{
  "failureAlert": {
    "after": 2,
    "channel": "feishu",
    "to": "CEO",
    "cooldownMs": 3600000
  }
}

after: 2 — 第二次失败才告警。瞬时问题（网络抖动、提供商标灵）会自动恢复。 cooldownMs: 3600000 — 一小时最多一次告警。防止一个根因导致多条cron同时报警刷屏。

---

自动修复委派

检查发现问题→不自己修→派单给对应部门。

修复任务是一次性cron：deleteAfterRun: true。修完自动消失。修不好的才上报CEO——且附带完整的"试了什么/为什么没成功"。

修复验证：下次巡检确认修复是否生效。修了但没好=白修。

---

发布铁律（双审制）

每次更新skill，两道闸：

数据中心（技术审查）：

• YAML frontmatter完整
• 无残留占位符
• 无真实API Key泄露
• 所有reference路径有效
• 大小≤40KB

CEO（内容审查）：

• 失败模式库准确（和实际运营对得上）
• playbook步骤可复现
• 公开传播安全（不暴露内部细节）
• 分层可用

双审通过才能publish。单检不发布。

---

升级节奏（周迭代）

每周六 10:00 数据中心检查
  ├─ 无变动 → 跳过
  ├─ 小修（加一条失败模式/改一段描述）→ +0.0.1 → GitHub
  ├─ 中改（加reference/加案例/加诊断流程）→ +0.1.0 → 双审 → publish
  └─ 大改（架构变化）→ CEO决策时机 → +1.0.0 → Release → publish

稳定优先。1.0.0跑得好就不急着推2.0。1.0.1、1.0.2慢慢加——每个数字代表一次经得起考验的改进。

---

从AI小白到深度玩家

小白（第一天）：部署每周巡检cron。看见第一个巡检报告。发现你之前没注意到的失败。震惊，然后安心——因为终于有人在看了。

会用（第一周）：你开始理解六种模式。不是死记——是你看到自己的cron失败模式对上号了："哦这个就是模式E，静默成功。"

熟练（第一月）：自动修复闭环在跑。你不需要手动修cron了。每周巡检报告上"已修复"越来越多，"待处理"越来越少。

精通（第三月）：你的系统连续一个月零异常。巡检报告上只有一个数字：检查数。你在帮别人搭他们的监控。你讲的不是cron-health-monitor的功能，是你自己踩过的坑——"那次12条cron同时401的时候我才发现免费提供商的Key也会过期。"

大师（半年+）：你发现了新的失败模式。你更新了playbook。你贡献回来，别人的cron因此少了一次事故。

---

References

• references/common-errors.md — 8种失败模式的完整诊断流程+真实错误信息
• references/repair-playbook.md — A-F六类修复操作手册（含交叉修复案例）