fix: launchd 下 agent 起不动 → daemon 崩溃循环(实盘挂 pipeline 时发现)

[WiseriaAI]

起因:第一次真的把 daemon 挂上 launchd

投了一条真事件,结果:

FileNotFoundError: [Errno 2] No such file or directory: 'claude'

daemon 崩 → launchd KeepAlive 重拉 → 再崩。2 分钟内崩了 20 次。 事件永远卡在 pending、attempts=0,连死信都进不去。

而看板全程显示「运行中」。

现有的 113 个测试一个都没抓到 —— 这三个 bug 只在 launchd 的最小 PATH + KeepAlive 环境下才会出现。

三个 bug

1. detect_agents() 写的是相对命令名

它用 shutil.which() 探测(交互式 shell 的 PATH 里找得到),然后把裸命令名 claude 写进 agents.toml。但 launchd 用最小 PATH(/usr/bin:/bin:/usr/sbin:/sbin),而 claude 在 ~/.local/bin/ —— 找不到。

CLAUDE.md 里白纸黑字记着这个坑(「ProgramArguments 必须绝对路径 —— launchd 用最小 PATH」),plist 早就修好了,detect_agents() 又踩了同一个。

修:把 which() 的结果(绝对路径)写进模板。

2. exec_agent 只 catch TimeoutExpired

FileNotFoundError 直接穿透 poll_once → daemon.run() → 进程死 → launchd 重拉 → 再死。无限崩溃循环,而事件的 attempts 从没被 bump,F8 死信兜底完全够不着。

agent 起不动应该是一次失败的 run(重试 → 死信),不该是 daemon 的死。

修:except OSError → 返回 127(shell 惯例)。FileNotFoundError / PermissionError 都是它的子类。

3. 看板在崩溃循环里说「运行中」

心跳区分不了「健康轮询」和「每 2 秒崩一次又被 KeepAlive 拉起来」 —— 每个新进程一启动就写心跳,心跳永远新鲜。

这恰恰是看板存在的理由,而它失败了。

修:加第五态 crashloop(崩溃重启中)。daemon 启动时记 started_at,把上一次的挪到 prev_started_at。判据:上个进程活不过一个轮询周期(说明它是崩的)且当前进程也还年轻(说明循环还在继续)。当前进程熬过一个轮询周期后告警自动消失——那是一次正常重启,不是循环。

判定顺序里 crashloop 必须排在 ok 前面,否则会被新鲜的心跳吃掉。

附带

tests/test_cli.py::test_setup_writes_agents_config 把 bug 1 的行为当成了正确预期(断言的就是裸命令名)。已改正。

实盘验证

修完重挂 launchd,投一条真 day-start:

#8 day-start    done           exit=0  causation=None    ← 真 claude -p 跑完
#9 plan-ready   waiting_human  causation=8               ← gate 挂住,等 ack

因果链 #8 → #9 完整,gate 生效。

121 tests passing。

残留风险(本次不修)

agents.toml 的路径若含空格(如 /Applications/My Tools/claude),exec_agent 的 shlex.split 会把它拆成多个 argv 元素。当前用户路径无空格。真修需要 TOML 转义 + 模板加引号 + 改 exec_agent 的解析,超出本次范围。

🤖 Generated with Claude Code

https://claude.ai/code/session_01LPZPdjxcVcSAKHw5MHLqj9