Files
buryan-infra/ops/V1.1-AND-V2-PLAN.md
T

148 lines
10 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# V1.1 и Sprint V2 — куда расти
Дата: 06.11.2026 · Состояние V1: **закрыт на 8 из 9 пунктов**, работает автономно.
---
# Часть 1. Где мы сейчас (факты)
| Что работает | Проверка |
|---|---|
| 20 заданий Hermes (гигиена 07:20, развитие 08:10, доверие 08:00, сводка 08:05, исследование 08:15, ночной анализ 03:00) | `jobs.yaml` |
| RAG-память: 752 документа, 3090 чанков | `ops/rag/index.db` |
| Автовосстановление: `onboot=1` у всех CT + VM104, таймер подъёма | загрузка ~30 с вместо 9 минут |
| L2-автономия: 5 действий агент делает сам | `policy.yaml`, `dry_run: false` |
| Проверка фактов LLM: ночной отчёт, 0 выдуманных сущностей | `ops/night/report-*.md` |
| Гигиена: 18 проверок, дубли по роли | `report-2026-11-06.md` |
**Боевые проверки LLM (сегодня):**
| Тест | Результат | Вывод |
|---|---|---|
| RAG-вопрос про chronyd | ✅ 57 с, ответ верный, источники указаны | годится |
| Классификация инцидента Radarr | ⚠️ дал `docker start CT118` — фактическая ошибка (CT — это LXC, не docker) | **только с проверкой** |
| Ночной анализ с проверкой фактов | ✅ 0 выдуманных сущностей | годится |
**Вывод по LLM:** 7B на CPU годится для **суммаризации и поиска**, **не годится для решений** без человека. Так и заложено.
---
# Часть 2. V1.1 — что добавить (10 пунктов, по приоритету)
## 1. Гибридный поиск по логам (не только по документации)
Сейчас RAG ищет по `.md`-файлам. Надо индексировать **журнал событий** (journald, Hermes events), чтобы агент отвечал «что было 3 дня назад в 4 утра».
**Срок:** 1 день. **Ценность:** высокая.
## 2. Индекс «здоровья» сервиса (одно число)
Для каждого сервиса: доступность за 7 дней × свежесть бэкапа × наличие SSO × число инцидентов. Одна таблица — сразу видно, что хромает.
**Срок:** 1 день. **Ценность:** высокая.
## 3. Дашборд в Grafana для агентского слоя
Сейчас агент работает «в темноте»: отчёты в файлах. Нужны панели: действий за сутки, успешность, бюджет, отказы предохранителей.
**Срок:** 0.5 дня. **Ценность:** средняя.
## 4. Уведомления с приоритетом (1–3 в день)
Сейчас уведомления идут пачками. Нужен фильтр: «требует решения сегодня» против «просто факт», плюс тихие часы.
**Срок:** 1 день. **Ценность:** высокая (это прямо в цели V1).
## 5. Автоматическое восстановление сервисов внутри CT
После жёсткого сброса docker-контейнеры (Sonarr/Radarr) не стартуют. Нужен `docker_start` в автоподъёме.
**Срок:** 0.5 дня. **Ценность:** высокая.
## 6. Проверка «что сломается, если остановить»
Для каждого сервиса — карта зависимых. Уже есть `topo_query blast`. Надо встроить в отчёт развития: «остановка X затронет Y сервисов».
**Срок:** 0.5 дня. **Ценность:** средняя.
## 7. История инцидентов (эпизодическая память с поиском)
Отдельная таблица: время, сервис, симптом, что сделали, помогло ли. Агент учится на своих действиях.
**Срок:** 1 день. **Ценность:** высокая.
## 8. Проверка конфигурации перед изменениями (dry-run diff)
Перед любым изменением compose/конфига — показать diff и запросить подтверждение.
**Срок:** 1 день. **Ценность:** средняя.
## 9. Резервный LLM-путь
Если mini-PC недоступен (как сегодня), RAG должен работать в режиме «только ключевые слова» без эмбеддингов.
**Срок:** 0.5 дня. **Ценность:** высокая (сегодня был реальный сбой).
## 10. Документация для семьи
«Что делать, если…» на 1 страницу: свет, интернет, сервер не отвечает. Сейчас знания только у вас.
**Срок:** 0.5 дня. **Ценность:** высокая.
---
# Часть 3. Sprint V2 — новый уровень сервера
## Идея V2: «сервер, который не просто работает, а объясняет и предсказывает»
V1 отвечает на вопрос «что сломано». V2 должен отвечать: **«что сломается и когда»**.
### Направление A. Предиктивная диагностика
| Что | Как |
|---|---|
| Диск кончится через N дней | линейная экстраполяция роста + алерт за 14 дней |
| Память: тренд | скользящее среднее, алерт при росте >5 %/неделю |
| Сервис деградирует | сравнение p95 времени ответа с базовой линией |
| Бэкап не пройдёт | проверка размера и места до запуска |
**Нужно:** Prometheus уже есть (35 целей), нужны запросы + агент, который их читает.
### Направление B. Самолечение на основе истории
Сейчас агент действует по правилам. В V2: **похожий инцидент → известное решение**.
- Таблица «симптом → действие → результат» (пункт 7 из V1.1)
- При повторе: применить решение сразу (L3), если оно срабатывало 3+ раза
- Порог доверия растёт автоматически
### Направление C. Экономика инфраструктуры
- **Стоимость сервиса**: RAM × часы × цена киловатта + диск
- Отчёт: «эти 5 сервисов потребляют 40 % памяти и не используются»
- **Энергопотребление**: счётчик из ИБП (когда появится) → реальные цифры
### Направление D. Безопасность как процесс
| Что | Как |
|---|---|
| Инвентаризация экспозиции | какие порты торчат наружу, какие должны |
| Проверка обновлений с CVE | GitHub API + NVD, отчёт «обнови это» |
| Проверка секретов | регулярный поиск «забытых» ключей в конфигах |
| Проверка прав | кто имеет доступ к чему (Authentik API) |
### Направление E. Второй контур (устойчивость)
Сейчас всё на одном сервере. V2:
- **Критичные сервисы** (Authentik, Gitea, hub-core) → реплика на VPS
- **Read-only зеркало** для восстановления
- **Проверка восстановления** раз в месяц (реально поднять из бэкапа в изолированном CT)
### Направление F. Голос и присутствие
Уже есть hub-core `/voice`. V2: «Секретарь, что с сервером?» голосом, ответ голосом. И уведомления в Telegram для семьи.
---
# Часть 4. Что предлагаю делать в первую очередь
| Приоритет | Что | Зачем |
|---|---|---|
| **1** | V1.1 п.9 — резервный LLM-путь | сегодня был реальный сбой, RAG лежал |
| **2** | V1.1 п.5 — автозапуск docker внутри CT | после сброса Sonarr/Radarr не поднимаются |
| **3** | V1.1 п.4 — приоритизация уведомлений | цель V1: 1–3 алерта в день |
| **4** | V2-A — предиктивный диск/память | самое частое, что реально ломается |
| **5** | V2-B — история инцидентов | основа самолечения |
---
# Часть 5. Чего НЕ делать (честно)
- **Не заменять 7B на 14B** на этом железе: будет 4 ток/с, станет хуже, чем сейчас.
- **Не включать L3–L4** без истории успехов: правила есть, статистики нет.
- **Не добавлять новые сервисы** на Proxmox: память на пределе (10/15 ГиБ), swap 8.3 ГБ занят.
- **Не трогать SSO** без явного согласования: уже был инцидент.
---
_Файл: `ops/V1.1-AND-V2-PLAN.md` · Автор: агент · Проверка: все цифры из живых отчётов_