mission-control-v2/backend/services/sentry.py

"""
Health-Wächter der Box (Lucy-Proaktivität, Faden A3).

Prüft periodisch die Kern-Dienste (Engine, Agent-Hirn, Hermes-Gateway,
Voice-Sidecar, Platte) und meldet ZUSTANDSWECHSEL in den Melde-Briefkasten
(services/announce.py → Lucy spricht es) und via notify.sh (Telegram).

Flankenerkennung statt Dauerfeuer: Alarm erst nach FAIL_AFTER Fehl-Ticks in
Folge (überlebt Neustarts/Update-Fenster), Entwarnung beim ersten grünen Tick
nach einem Alarm. Hält ein Problem an, wird frühestens nach REMIND_S erinnert.

Braucht KEIN sudo, keine neuen Dienste — läuft als asyncio-Task im MC2-Backend
(wie der Re-Warm-Wächter). Abschaltbar via MC_SENTRY_ENABLED=0.
"""

import asyncio
import logging
import os
import time

import httpx
import psutil
from config import HERMES_API_URL, MODELS_DIR, VOICE_SERVICE_URL

from services import announce, llamaswap

log = logging.getLogger(__name__)

ENABLED = os.environ.get("MC_SENTRY_ENABLED", "1") != "0"
INTERVAL = int(os.environ.get("MC_SENTRY_INTERVAL", "120"))        # Sekunden zwischen Ticks
START_DELAY = int(os.environ.get("MC_SENTRY_START_DELAY", "90"))   # Dienste nach Boot setzen lassen
FAIL_AFTER = int(os.environ.get("MC_SENTRY_FAIL_AFTER", "3"))      # Fehl-Ticks bis Alarm (3×120s = 6 min)
REMIND_S = int(os.environ.get("MC_SENTRY_REMIND_S", "21600"))      # Erinnerung bei Dauerproblem: 6 h
DISK_ALARM_PCT = float(os.environ.get("MC_SENTRY_DISK_PCT", "90"))


def _reach(url: str, path: str = "/health") -> bool:
    try:
        with httpx.Client(timeout=5.0) as c:
            return c.get(f"{url}{path}").status_code < 500
    except Exception:
        return False


def _check_engine() -> bool:
    return llamaswap.engine_reachable()


def _check_brain() -> bool:
    """Hirn tot? Verdrängung durch ein ANDERES laufendes Modell (IDE-Last) ist NORMAL —
    Alarm nur, wenn gar nichts läuft und das Hirn trotz Re-Warm-Wächter kalt bleibt."""
    st = llamaswap.brain_status()
    if st.get("ready"):
        return True
    return bool(llamaswap.get_running_models())   # anderes Modell aktiv → Verdrängung, kein Defekt


def _check_disk() -> bool:
    try:
        return psutil.disk_usage(str(MODELS_DIR) if MODELS_DIR.exists() else os.getcwd()).percent < DISK_ALARM_PCT
    except Exception:
        return True   # kein Messwert ≠ Alarm


# name → (Checker, Alarm-Text, Entwarnungs-Text) — Texte sind Lucy-sprechbar (kurz, Alltagssprache).
CHECKS: dict[str, tuple] = {
    "engine": (_check_engine,
               "Die Modell-Engine antwortet nicht mehr. Ohne sie laufen keine KI-Modelle.",
               "Die Modell-Engine ist wieder da."),
    "brain": (_check_brain,
              "Mein Gehirn lädt nicht — ich kann gerade nicht richtig denken. Ein Neustart der Engine könnte helfen.",
              "Mein Gehirn ist wieder geladen. Alles klar bei mir."),
    "hermes": (lambda: _reach(HERMES_API_URL, "/v1/models"),
               "Der Agent-Dienst ist ausgefallen — Telegram und meine Tools gehen gerade nicht.",
               "Der Agent-Dienst läuft wieder."),
    "voice": (lambda: _reach(VOICE_SERVICE_URL),
              "Der Hör-Dienst auf der Box ist ausgefallen — Spracheingabe könnte haken.",
              "Der Hör-Dienst läuft wieder."),
    "disk": (_check_disk,
             f"Die Platte der Box ist zu über {DISK_ALARM_PCT:.0f} Prozent voll. Es wird eng für Modelle und Backups.",
             "Die Platte hat wieder genug Luft."),
}


# Steward-Modus (UMBAU v3 P2): Läuft der Wächter als EIGENER Prozess (mc2-steward),
# beobachtet er zusätzlich das Steuerpult selbst und den mc2-gateway — genau die zwei
# Ausfälle, die der alte In-Process-Wächter prinzipbedingt nie melden konnte (er starb mit).
if os.environ.get("MC_SENTRY_WATCH_MC2", "") == "1":
    _MC2_URL = os.environ.get("MC_SENTRY_MC2_URL", "http://127.0.0.1:9001")
    _GW_URL = os.environ.get("MC_SENTRY_GATEWAY_URL", "http://127.0.0.1:9010")
    CHECKS["mc2"] = (lambda: _reach(_MC2_URL, "/api/health"),
                     "Das Steuerpult ist ausgefallen — Dashboard, Briefkasten und Auftragsbuch gehen gerade nicht.",
                     "Das Steuerpult ist wieder da.")
    CHECKS["gateway"] = (lambda: _reach(_GW_URL, "/gw/health"),
                         "Der Modell-Gateway ist ausgefallen — meine Denk-Anfragen und die der Worker hängen gerade.",
                         "Der Modell-Gateway läuft wieder.")


class _Watch:
    __slots__ = ("alert_ts", "alerted", "fails")

    def __init__(self) -> None:
        self.fails = 0          # Fehl-Ticks in Folge
        self.alerted = False    # Alarm ist raus, Entwarnung steht aus
        self.alert_ts = 0.0     # Zeitpunkt des letzten Alarms (für REMIND_S)


_watches: dict[str, _Watch] = {name: _Watch() for name in CHECKS}


def _notify_telegram(subject: str, text: str) -> None:
    """Telegram-Direktweg (gemeinsamer Helper in announce.py); Briefkasten-Eintrag
    legt der Wächter selbst ab."""
    announce.notify_telegram(subject, text + " (Diese Meldung kam auch an Lucy.)")


def _tick() -> None:
    now = time.time()
    for name, (check, fail_msg, ok_msg) in CHECKS.items():
        w = _watches[name]
        try:
            ok = bool(check())
        except Exception:
            ok = False
        if ok:
            w.fails = 0
            if w.alerted:
                w.alerted = False
                announce.add(ok_msg, subject="[Box wieder ok]", source="sentry")
                _notify_telegram("[Box wieder ok]", ok_msg)
            continue
        w.fails += 1
        due = (not w.alerted and w.fails >= FAIL_AFTER) or (w.alerted and now - w.alert_ts >= REMIND_S)
        if due:
            prefix = "" if not w.alerted else "Immer noch: "
            w.alerted = True
            w.alert_ts = now
            announce.add(prefix + fail_msg, subject="[Box-Problem]", source="sentry")
            _notify_telegram("[Box-Problem]", prefix + fail_msg)
            log.warning("sentry: %s ALARM (%s Fehl-Ticks)", name, w.fails)


async def sentry_loop() -> None:
    """Endlos-Schleife (Hintergrund-Task im MC2-Lifespan)."""
    await asyncio.sleep(START_DELAY)
    log.info("sentry: Health-Wächter aktiv (Intervall %ss, Alarm nach %s Fehl-Ticks)", INTERVAL, FAIL_AFTER)
    while True:
        try:
            await asyncio.to_thread(_tick)
        except Exception:
            log.debug("sentry: Tick fehlgeschlagen", exc_info=True)
        await asyncio.sleep(INTERVAL)