fix(chv): V-7 复测缺陷复修 D1/D2 + F1 瞬时 reset 重试

D1：snapshot_vm 在配额预检后、ch-remote 前建好 file:// 目标
目录（新 helper _ensure_snapshot_dir；fresh URL 直接 snapshot
曾 rc=1 Destination is not a directory）。建目录只在 snapshot_vm
一处，hibernate 经此调用；配额拒绝仍先于任何文件改动。
D2：keep_disk=True 时 stop 保留 seed.iso（_remove_vm_seed_files
抽出；快照 config.json 的 disks 同时引用 disk.raw 与 seed.iso），
且 cleanup_stale_secrets 不清有登记快照的 VM 的 seed（与
gc_stale_disks 的盘保护同款逻辑）；正常 stop 仍删两者。
F1：首条任务 SSH 撞 kex 阶段瞬时 reset（rc=255 + kex/reset 标记）
时重试恰好 1 次（_call_ssh_with_transient_retry，_run_guest 与
_run_guest_goal 共用；host key 拒绝/认证失败/远端失败不重试；
审计 vm_ssh_transient_retry）。§5“执行器内部不重试”的唯一例外，
结论写入 docs/chv-production-readiness.md §3/§5/§7。
测试：test_chv_v3_fixes 新增 12 项（D1×3、D2×4、F1×5）；旧代码
上 12 项中 9 项失败（余 3 项为守卫既有行为）。全量 test_chv*
470 测试通过。

cloud/chv/executor.py

@@ -165,6 +165,52 @@ def _assert_snapshot_dir_persisted(snapshot_url):
             "快照未落盘或为空目录：%s" % snapshot_url)
 
 
+# SSH 连接建立阶段瞬时 reset 的 stderr 标记（V-7/F1）：
+# kex 阶段被 reset 时 OpenSSH 报 kex_exchange_identification
+# + Connection reset，远端命令根本没开始执行。只认这组
+# 标记：host key 拒绝（同为 rc=255）与远端命令失败不在此列。
+_SSH_TRANSIENT_RESET_MARKERS = (
+    "kex_exchange_identification",
+    "Connection reset",
+    "Connection closed by",
+)
+
+
+def _is_transient_ssh_reset(result) -> bool:
+    """单次 SSH 是否撞上连接建立阶段的瞬时 reset：returncode
+    255 + stderr 含 kex/reset 标记。stderr 可能是 bytes，
+    按文本解码后比对；无 stderr 即不认，不猜。"""
+    if getattr(result, "returncode", 0) != 255:
+        return False
+    stderr = getattr(result, "stderr", "") or ""
+    if isinstance(stderr, bytes):
+        stderr = stderr.decode("utf-8", "replace")
+    return any(marker in stderr
+               for marker in _SSH_TRANSIENT_RESET_MARKERS)
+
+
+def _ensure_snapshot_dir(snapshot_url, snapshot_path) -> None:
+    """file:// 快照目标目录建好（V-7/D1）：服务端要求目标是
+    已存在的目录，fresh URL 直接 snapshot 会 rc=1
+    （Destination is not a directory），mkdir 后同一 URL 即
+    通。非 file:// 目标（snapshot_path 为 None）跳过。目标
+    已存在且不是目录、或建目录失败时报 snapshot_not_persisted
+   （ch-remote 之前 fail-fast，不调 ch-remote）。"""
+    if snapshot_path is None:
+        return
+    if os.path.exists(snapshot_path) \
+            and not os.path.isdir(snapshot_path):
+        raise ChvFailure(
+            "snapshot_not_persisted",
+            "快照目标已存在且不是目录：%s" % snapshot_url)
+    try:
+        os.makedirs(snapshot_path, exist_ok=True)
+    except OSError as exc:
+        raise ChvFailure(
+            "snapshot_not_persisted",
+            "快照目录无法创建：%s：%s" % (snapshot_url, exc))
+
+
 def _default_popen_launcher(cmd):
     """默认 VMM 启动器：独立会话子进程，输出丢弃（纯移动）。"""
     return subprocess.Popen(
@@ -1334,6 +1380,36 @@ class CloudHypervisorExecutor(Executor):
             return True
         return False
 
+    def _call_ssh_with_transient_retry(self, task, ssh_cmd,
+                                       timeout=None):
+        """任务 SSH 的连接建立阶段瞬时 reset 重试（V-7/F1，
+        执行器内部唯一允许的重试——§5“执行器内部不重试”
+        的例外，见 _run_with_vm 的注）：
+
+        崩溃后重 wake 的首条任务 SSH 曾撞 1 次 kex 阶段
+        Connection reset（rc=255），下一条即通；与防火墙
+        冒烟第一轮 cloud-init 收尾重启 sshd 的瞬态故障同款
+        签名。wait_guest_ready 的轮询本就容忍这类抖动，但
+        首条任务 SSH 是单次调用：不重试就把一次秒级抖动
+        放大成 worker 级重试 = 整台 VM 冷启动重跑（分钟级
+        + 重复计费）。故只对“连接未建立即 reset”（rc=255
+        + kex/reset 标记，见 _is_transient_ssh_reset）重试
+        恰好 1 次，重试前 sleeper(1)；第二次仍失败即原样
+        返回，不再追。host key 拒绝、认证失败、远端命令
+        失败一律不重试；误重试的最坏后果也被 host.py 兜住：
+        dispatch 同名任务已存在即 loud fail（task 已存在），
+        不会静默重跑一轮 turn。重试发 vm_ssh_transient_retry
+        审计。"""
+        result = self._call_runner(ssh_cmd, timeout=timeout)
+        if _is_transient_ssh_reset(result):
+            self._emit("vm_ssh_transient_retry", task,
+                       "vm=%s ssh 瞬时 reset（kex 阶段），1 秒后重试 1 次"
+                       % self.vm_name(task),
+                       "ssh_transient_retry")
+            self.sleeper(1)
+            result = self._call_runner(ssh_cmd, timeout=timeout)
+        return result
+
     def wait_guest_ready(self, task: dict) -> bool:
         """等 guest SSH 就绪：轮询 ssh "true"，returncode 0 即就绪；
         每轮先尽力捕获 host key（keyscan 模式），超时先关 VM
@@ -1806,10 +1882,12 @@ class CloudHypervisorExecutor(Executor):
         feat-chv-secfix（L2/M3）：ch-remote 之前先过 URL
         白名单（file:// 须在 state_dir/CHV_SNAPSHOT_DIR 内，
         远端须显式放行）与数量/总量/保留期上限；成功后登
-        记并在总量超帽时按最旧优先剪枝（删动作审计）。"""
+        记并在总量超帽时按最旧优先剪枝（删动作审计）。
+        feat-chv-v3-repair（V-7/D1）：file:// 目标目录在
+        配额预检后、ch-remote 前建好（见 _ensure_snapshot_dir）。"""
         if not snapshot_url:
             raise ValueError("snapshot_url 不能为空")
-        validate_snapshot_url(
+        snapshot_path = validate_snapshot_url(
             snapshot_url, self.state_dir,
             snapshot_dir=getattr(self, "snapshot_dir", None),
             allow_remote=getattr(self, "allow_remote_snapshot", False))
@@ -1819,6 +1897,11 @@ class CloudHypervisorExecutor(Executor):
             getattr(self, "snapshot_max_count", 10),
             getattr(self, "snapshot_max_total_gb", 20.0),
             getattr(self, "snapshot_retention_days", 30.0))
+        # feat-chv-v3-repair（V-7/D1）：建目录放在配额预检
+        # 之后——配额拒绝先于任何文件改动，且目标是文件时
+        # 也不抢占配额错误的 kind；只在 snapshot_vm 这一处
+        # 建，hibernate_vm 经此调用，不重不漏。
+        _ensure_snapshot_dir(snapshot_url, snapshot_path)
         self._ch_remote(task_or_name, "snapshot", snapshot_url)
         # feat-chv-fix（P1-7）/feat-chv-v3：只查 returncode
         # 不够，见 _assert_snapshot_dir_persisted——file://
@@ -1827,6 +1910,13 @@ class CloudHypervisorExecutor(Executor):
         # 不 shutdown、不销毁原 VM；非 file:// 目标无法从宿
         # 主验证落盘，仍只认 returncode，但文档明写该边界。
         _assert_snapshot_dir_persisted(snapshot_url)
+        return self._record_snapshot_and_emit(
+            task_or_name, vm_name, snapshot_url)
+
+    def _record_snapshot_and_emit(self, task_or_name, vm_name,
+                                  snapshot_url):
+        """快照成功后登记 + 总量超帽时最旧优先剪枝（删动作
+        审计）+ vm_snapshot 审计，返回 snapshot_url。"""
         task = task_or_name if isinstance(task_or_name, dict) \
             else {"id": task_or_name}
         _entries, _removed = record_snapshot(
@@ -2010,7 +2100,14 @@ class CloudHypervisorExecutor(Executor):
         留下的盘由 gc_stale_disks 的快照登记保护（有登记
         快照的 VM 不 GC 盘），快照被剪干净后盘才成孤儿可删。
         restore 成功后 VM 再走正常 stop，盘照常删，不留
-        长期残留。"""
+        长期残留。
+        feat-chv-v3-repair（V-7/D2）：keep_disk=True 同样留
+        seed.iso——config.json 的 disks 同时引用 disk.raw 与
+        seed.iso（readonly），只留盘不留 seed.iso 时 restore
+        仍在服务端失败（Cannot open disk path …/seed.iso），
+        预检 snapshot_disk_missing 先拒掉不是过严；有登记
+        快照的 VM 的 seed.iso 也不被 cleanup_stale_secrets
+        当孤儿清掉（见 _clean_one_vm_secrets）。"""
         self.pause_vm(task_or_name)
         self.snapshot_vm(task_or_name, snapshot_url)
         self.stop_vm(task_or_name, keep_disk=True)
@@ -2038,26 +2135,41 @@ class CloudHypervisorExecutor(Executor):
         if alive:
             self._kill_proc(proc)
 
-    def _cleanup_vm_files(self, name, task, keep_disk=False):
+    def _remove_vm_seed_files(self, name, keep_disk):
-        """stop 的三块文件清理：seed/私钥、任务磁盘、net 登记。
+        """删 seed 目录 + 宿主私钥 + seed.iso（stop 的第一块
-
+        清理，见 _cleanup_vm_files）：keep_disk=True 时 seed.iso
-        任一块失败记对应审计并返回 True（脏标记由调用方写）；
+        留——快照 config.json 的 disks 含 seed.iso（readonly），
-        seed/私钥与磁盘删除的审计名与文案逐字不变。
+        删了 restore 必在服务端失败（Cannot open disk path
-        keep_disk=True 时跳过任务盘删除（hibernate 专用：
+        …/seed.iso / No such file or directory），预检
-        快照 config.json 引用原盘路径，盘删了 restore 即
+        snapshot_disk_missing 不是过严（V-7/D2）。seed 目录
-        失败——见 hibernate_vm 的评估注释）。"""
+        与宿主私钥仍删，config.json 不引用它们。"""
-        from cloud.chv.hostkeys import dirty_marker_path  # noqa: F401
-        failed = False
-        try:
         seed_dir = os.path.join(self.state_dir, name, "seed")
         if os.path.isdir(seed_dir):
             shutil.rmtree(seed_dir)
         for _suffix in ("ssh_host_ed25519_key",
                         "ssh_host_ed25519_key.pub",
                         "seed.iso"):
+            if keep_disk and _suffix == "seed.iso":
+                continue
             _p = os.path.join(self.state_dir, name, _suffix)
             if os.path.exists(_p):
                 os.remove(_p)
+
+    def _cleanup_vm_files(self, name, task, keep_disk=False):
+        """stop 的三块文件清理：seed/私钥、任务磁盘、net 登记。
+
+        任一块失败记对应审计并返回 True（脏标记由调用方写）；
+        seed/私钥与磁盘删除的审计名与文案逐字不变。
+        keep_disk=True 时跳过任务盘删除，并跳过 seed.iso
+        删除（hibernate 专用：快照 config.json 引用原盘路径
+        与 seed.iso，任一删了 restore 即失败——见
+        hibernate_vm 的评估注释与 V-7/D2；seed 目录与宿主
+        私钥仍删，config.json 不引用它们，私钥明文已嵌进
+        seed.iso、宿主侧不留）。"""
+        from cloud.chv.hostkeys import dirty_marker_path  # noqa: F401
+        failed = False
+        try:
+            self._remove_vm_seed_files(name, keep_disk)
         except Exception as _cleanup_exc:
             failed = True
             self._emit("vm_key_cleanup_failed", task,
@@ -2127,7 +2239,9 @@ class CloudHypervisorExecutor(Executor):
         feat-chv-v3（F2）：新实例的 _vms 里无登记时，旧 VMM
         也要按 socket 进程扫描清掉（_kill_vmm_by_socket），
         否则 socket/磁盘已删、VMM 空壳进程仍活着占 tap。
-        keep_disk=True 时不删任务盘（hibernate 专用）。"""
+        keep_disk=True 时不删任务盘与 seed.iso（hibernate 专用，
+        见 hibernate_vm：快照 config.json 的 disks 同时引用
+        两者）。"""
         name = self.vm_name(task_or_name)
         socket_path = os.path.join(self.state_dir, name + ".sock")
         with self._vms_lock:
@@ -2221,7 +2335,11 @@ class CloudHypervisorExecutor(Executor):
     def _clean_one_vm_secrets(self, entry, vm_dir):
         """单 VM 残留清理：私钥一律删（live VM 私钥在 seed 盘
         建好后即删，残留只可能是崩溃遗留）；非 live VM 的
-        seed.iso/seed 目录同理删。返回 (删私钥, 删 seed)。"""
+        seed.iso/seed 目录同理删，但有登记快照的 VM 除外
+        （feat-chv-v3-repair，V-7/D2：那是休眠 VM 的 restore
+        输入，seed.iso 被快照 config.json 的 disks 引用，与
+        gc_stale_disks 的盘保护同款逻辑；私钥仍删，restore
+        不读宿主私钥文件）。返回 (删私钥, 删 seed)。"""
         removed_priv = False
         priv = os.path.join(vm_dir, "ssh_host_ed25519_key")
         if os.path.exists(priv):
@@ -2231,7 +2349,8 @@ class CloudHypervisorExecutor(Executor):
             except Exception:
                 pass
         removed_seed = False
-        if not self._is_live_vm(entry):
+        if not self._is_live_vm(entry) \
+                and not has_recorded_snapshots(self.state_dir, entry):
             for _suffix in ("seed.iso", "seed"):
                 _p = os.path.join(vm_dir, _suffix)
                 try:
@@ -2247,7 +2366,9 @@ class CloudHypervisorExecutor(Executor):
 
     def cleanup_stale_secrets(self) -> list:
         """崩溃残留扫描（H5）：私钥一律删、非 live VM 的 seed
-        同理删并审计；返回已清理 VM 名。worker 启动与
+        同理删并审计；有登记快照的 VM 的 seed 不删（V-7/D2，
+        休眠 VM 的 restore 输入，见 _clean_one_vm_secrets）；
+        返回已清理 VM 名。worker 启动与
         cleanup_stale_vms 时调它，不依赖 socket 是否存在。"""
         cleaned: list = []
         try:
@@ -2368,7 +2489,8 @@ class CloudHypervisorExecutor(Executor):
         ssh_cmd = self.build_ssh_command(
             task, self._guest_host_command(*inner_args, **kwargs),
             extra_env=extra_env)
-        result = self._call_runner(ssh_cmd, timeout=self.task_timeout)
+        result = self._call_ssh_with_transient_retry(
+            task, ssh_cmd, timeout=self.task_timeout)
         # 方法内 import：见模块头注释的循环导入说明。
         from cloud.sandbox import SimpleNamespaceShim, _parse_host_result
         parsed = _parse_host_result(task["id"],
@@ -2403,7 +2525,8 @@ class CloudHypervisorExecutor(Executor):
             extra_env=extra_env)
         return self._goal_result(
             task["id"],
-            self._call_runner(ssh_cmd, timeout=self.task_timeout))
+            self._call_ssh_with_transient_retry(
+                task, ssh_cmd, timeout=self.task_timeout))
 
     def _vm_proc_dead(self, task_or_name):
         """该 VM 的登记进程是否已死：只认本实例登记的进程
@@ -2481,7 +2604,9 @@ class CloudHypervisorExecutor(Executor):
         wake 失败时不跑
         任务、直接抛分类失败。本方法不做内部重试：重试是
         worker 的 max_retries 语义，执行器内部重试会把一次
-        失败放大成多次计费与多次 VM 启动。
+        失败放大成多次计费与多次 VM 启动。唯一例外：首条任务 SSH
+        的连接建立阶段瞬时 reset 由 _run_guest 经
+        _call_ssh_with_transient_retry 重试 1 次（传输抖动，非任务重试）。
 
         中途死亡分类（本轨新增）：客内命令抛传输异常、或
         非 goal 结果已 failed 时，若登记的 VMM 进程已死，

cloud/tests/test_chv_v3_fixes.py

@@ -13,6 +13,11 @@
   guest-env 归 SSH 用户所有；
 - V-1 附带：build.sh 预建 /app/work（1777 粘滞位 + 断言）；
 - V-1 附带：host.py default_codex_bin() 走 PATH 查找。
+- V-7 复修（feat-chv-v3-repair）：D1 snapshot 先建目录（旧
+  fixture 预建目录 + mock ch-remote 不校验，458 测试全过也
+  盖不住缺失目录的真实路径）、D2 hibernate 留 seed.iso +
+  残留清理保护有登记快照的 VM 的 seed、F1 任务 SSH 连接建立
+  阶段瞬时 reset 重试恰好 1 次。
 
 全部用假 runner/launcher/api_client + 真实 /proc 扫描（F2
 的被杀进程是真实 spawn 的 sleep 进程，argv[0] 伪装成
@@ -545,5 +550,217 @@ class GuestBuildAndHostBinV3Test(unittest.TestCase):
                              "/opt/custom/codex")
 
 
+# -- V-7/D1：snapshot 先建目标目录 ---------------------------------------
+class SnapshotMkdirV7Test(V3Case):
+    def _snapshot_creating_runner(self):
+        """模拟真实 ch-remote：往目标目录写快照文件。目录不
+        存在时 open 即 FileNotFoundError——若执行器没先
+        mkdir，测试直接失败，这正是旧 fixture 盖不住的点
+        （旧 fixture 预建目录，mock 又不写文件）。"""
+        def runner(cmd, timeout=None):
+            if cmd and cmd[0] == self.ch_remote and "snapshot" in cmd:
+                self.calls.append(list(cmd))
+                target = cmd[-1][len("file://"):]
+                for fname, content in (
+                        ("config.json", b"{}"),
+                        ("state.json", b"{}"),
+                        ("memory-ranges", b"m")):
+                    with open(os.path.join(target, fname), "wb") as fh:
+                        fh.write(content)
+                return FakeResult(0, "", "")
+            return self._default_runner(cmd, timeout)
+        return runner
+
+    def test_snapshot_creates_missing_snapshot_dir(self):
+        ex = self.make_exec(runner=self._snapshot_creating_runner())
+        url = "file://" + os.path.join(self.state_dir, "fresh-snap")
+        self.assertFalse(os.path.exists(url[len("file://"):]))
+        out = ex.snapshot_vm(self._task(), url)
+        self.assertEqual(out, url)
+        snap_path = url[len("file://"):]
+        self.assertTrue(os.path.isdir(snap_path))
+        self.assertIn("config.json", os.listdir(snap_path))
+        with open(os.path.join(self.state_dir, "chv-abc123",
+                               "snapshots.json")) as fh:
+            entries = json.load(fh)
+        self.assertEqual(entries[0]["path"], snap_path)
+
+    def test_hibernate_creates_missing_snapshot_dir(self):
+        ex = self.make_exec(runner=self._snapshot_creating_runner())
+        ex.wake_vm(self._task())
+        url = "file://" + os.path.join(self.state_dir, "fresh-snap")
+        out = ex.hibernate_vm(self._task(), url)
+        self.assertEqual(out["state"], "hibernated")
+        self.assertTrue(os.path.isdir(url[len("file://"):]))
+
+    def test_snapshot_target_existing_file_rejected(self):
+        ex = self.make_exec()
+        target = os.path.join(self.state_dir, "not-a-dir")
+        os.makedirs(self.state_dir, exist_ok=True)
+        with open(target, "wb") as fh:
+            fh.write(b"x")
+        with self.assertRaises(ChvFailure) as ctx:
+            ex.snapshot_vm(self._task(), "file://" + target)
+        self.assertEqual(ctx.exception.kind, "snapshot_not_persisted")
+        self.assertEqual(self.calls, [],
+                         "目标不是目录时 ch-remote 根本不应被调")
+
+
+# -- V-7/D2：hibernate 留 seed.iso ----------------------------------------
+class HibernateSeedIsoV7Test(V3Case):
+    def _prov_exec(self):
+        # keyscan 模式不制 seed.iso；provisioned 模式 wake 即
+        # 建 seed.iso（真机休眠的形态），用它走全链路。
+        return self.make_exec(
+            env_extra={"CHV_HOST_KEY_MODE": "provisioned"})
+
+    def _seed_iso(self):
+        return os.path.join(self.state_dir, "chv-abc123", "seed.iso")
+
+    def _disk(self):
+        return os.path.join(self.state_dir, "chv-abc123", "disk.raw")
+
+    def _snap_with_disks(self):
+        """快照 config.json 同时引用 disk.raw 与 seed.iso
+        （真机快照的 disks 形态）。"""
+        return self._snap_dir(files={
+            "config.json": json.dumps(
+                {"disks": [{"path": self._disk()},
+                           {"path": self._seed_iso()}]}).encode(),
+            "state.json": b"{}"})
+
+    def test_hibernate_keeps_seed_iso(self):
+        ex = self._prov_exec()
+        ex.wake_vm(self._task())
+        self.assertTrue(os.path.exists(self._seed_iso()))
+        url, _ = self._snap_dir()
+        out = ex.hibernate_vm(self._task(), url)
+        self.assertEqual(out["state"], "hibernated")
+        self.assertTrue(os.path.exists(self._disk()),
+                        "hibernate 仍须留 disk.raw")
+        self.assertTrue(os.path.exists(self._seed_iso()),
+                        "hibernate 须留 seed.iso：快照 config.json "
+                        "的 disks 引用它，删了 restore 即失败")
+        # 只留 iso：seed 目录（制盘输入）与宿主私钥仍删，
+        # config.json 不引用它们，私钥明文不留宿主。
+        self.assertFalse(os.path.exists(
+            os.path.join(self.state_dir, "chv-abc123", "seed")))
+        self.assertFalse(os.path.exists(
+            os.path.join(self.state_dir, "chv-abc123",
+                         "ssh_host_ed25519_key")))
+
+    def test_stop_without_keep_disk_removes_seed_iso(self):
+        ex = self._prov_exec()
+        ex.wake_vm(self._task())
+        self.assertTrue(ex.stop_vm(self._task()))
+        self.assertFalse(os.path.exists(self._seed_iso()),
+                         "正常 stop 仍须删 seed.iso：它含宿主私钥"
+                         "明文，不得随 VM 残留")
+        self.assertFalse(os.path.exists(self._disk()))
+
+    def test_cleanup_stale_secrets_spares_seed_iso_while_snapshot_recorded(self):
+        ex = self._prov_exec()
+        ex.wake_vm(self._task())
+        url, _ = self._snap_dir()
+        ex.hibernate_vm(self._task(), url)
+        cleaned = ex.cleanup_stale_secrets()
+        self.assertNotIn("chv-abc123", cleaned)
+        self.assertTrue(os.path.exists(self._seed_iso()),
+                        "有登记快照的 VM 的 seed.iso 不是孤儿，"
+                        "残留清理不得清掉（与 gc_stale_disks 的"
+                        "盘保护同款逻辑）")
+        # 快照登记清掉后，seed.iso 成孤儿，才可清。
+        os.remove(os.path.join(self.state_dir, "chv-abc123",
+                               "snapshots.json"))
+        cleaned = ex.cleanup_stale_secrets()
+        self.assertIn("chv-abc123", cleaned)
+        self.assertFalse(os.path.exists(self._seed_iso()))
+
+    def test_restore_after_hibernate_with_seed_iso_passes_precheck(self):
+        ex = self._prov_exec()
+        ex.wake_vm(self._task())
+        url, _ = self._snap_with_disks()
+        ex.hibernate_vm(self._task(), url)
+        out = ex.restore_vm(self._task(), url)
+        self.assertEqual(out["mode"], "restored")
+
+
+# -- V-7/F1：任务 SSH 连接建立阶段瞬时 reset 重试 1 次 --------------------
+class SshTransientRetryV7Test(V3Case):
+    def _dispatch_runner(self, first, second=None):
+        """首条 dispatch SSH 返回 first，之后返回 second
+        （默认成功）。只记 dispatch SSH 的调用次数。"""
+        state = {"n": 0}
+
+        def runner(cmd, timeout=None):
+            if cmd and cmd[0] == "ssh" and "dispatch" in cmd:
+                state["n"] += 1
+                if state["n"] == 1:
+                    return first
+                return second or FakeResult(
+                    0, json.dumps({"status": "completed",
+                                   "text": "ok"}), "")
+            return self._default_runner(cmd, timeout)
+        runner.state = state
+        return runner
+
+    def test_dispatch_retries_once_on_kex_reset_then_succeeds(self):
+        runner = self._dispatch_runner(FakeResult(
+            255, "",
+            "kex_exchange_identification: Connection reset by peer"))
+        ex = self.make_exec(runner=runner)
+        out = ex.dispatch_task(self._task())
+        self.assertEqual(out["status"], "completed")
+        self.assertEqual(runner.state["n"], 2,
+                         "kex 阶段瞬时 reset 只重试恰好 1 次")
+        self.assertTrue(any(e == "vm_ssh_transient_retry"
+                            for e, _t, _d, _k in self.audit))
+
+    def test_dispatch_does_not_retry_on_host_key_mismatch(self):
+        runner = self._dispatch_runner(FakeResult(
+            255, "", "Host key verification failed."))
+        ex = self.make_exec(runner=runner)
+        out = ex.dispatch_task(self._task())
+        self.assertEqual(out["status"], "failed")
+        self.assertEqual(runner.state["n"], 1,
+                         "host key 拒绝（同为 255）绝不重试")
+        self.assertFalse(any(e == "vm_ssh_transient_retry"
+                             for e, _t, _d, _k in self.audit))
+
+    def test_dispatch_does_not_retry_on_remote_failure(self):
+        runner = self._dispatch_runner(FakeResult(
+            1, json.dumps({"status": "failed", "text": "boom"}), ""))
+        ex = self.make_exec(runner=runner)
+        out = ex.dispatch_task(self._task())
+        self.assertEqual(out["status"], "failed")
+        self.assertEqual(runner.state["n"], 1, "远端命令失败不重试")
+
+    def test_dispatch_retries_at_most_once(self):
+        runner = self._dispatch_runner(
+            FakeResult(255, "", "Connection reset by peer"),
+            second=FakeResult(255, "", "Connection reset by peer"))
+        ex = self.make_exec(runner=runner)
+        out = ex.dispatch_task(self._task())
+        self.assertEqual(out["status"], "failed")
+        self.assertEqual(runner.state["n"], 2, "第二次失败即停，不再追")
+
+    def test_transient_retry_helper_retries_once(self):
+        """helper 本身（_run_guest 与 _run_guest_goal 共用）：
+        首条 255 + reset 标记即重试 1 次，第二次成功即返回。"""
+        calls = []
+
+        def runner(cmd, timeout=None):
+            calls.append(list(cmd))
+            if len(calls) == 1:
+                return FakeResult(255, "", "Connection reset by peer")
+            return FakeResult(0, "ok", "")
+
+        ex = self.make_exec(runner=runner)
+        result = ex._call_ssh_with_transient_retry(
+            self._task(), ["ssh", "true"])
+        self.assertEqual(result.returncode, 0)
+        self.assertEqual(len(calls), 2)
+
+
 if __name__ == "__main__":
     unittest.main()

docs/chv-production-readiness.md

@@ -98,7 +98,18 @@
   SSH 就绪），恢复后默认 paused 的坑已在代码与测试里钉住。
 - ✅🧪 hibernate：CHV 无原生 hibernate 端点，本轨用 pause +
   snapshot + shutdown 等价实现，文档与代码双写“等价实现”，
-  不声称接了原生端点；唤醒走 restore_vm。
+  不声称接了原生端点；唤醒走 restore_vm。hibernate 的 stop
+  用 keep_disk=True：disk.raw 与 seed.iso 都留（快照
+  config.json 的 disks 同时引用两者，删其一 restore 即在
+  服务端失败，见 V-7/D2）；有登记快照的 VM 的盘与 seed.iso
+  也不被 gc_stale_disks / cleanup_stale_secrets 当孤儿清掉，
+  登记剪干净后才成孤儿可删；正常 stop（keep_disk=False）
+  仍删两者（seed.iso 含宿主私钥明文，不得残留）。
+- ✅🧪 snapshot 目标目录：snapshot_vm 在 ch-remote 之前建好
+  file:// 目标目录（V-7/D1）：服务端要求目标是已存在的
+  目录，fresh URL 直接 snapshot 会 rc=1（Destination is not
+  a directory），mkdir 后即通；目标已存在且不是目录时报
+  snapshot_not_persisted，不调 ch-remote。
 - ✅🧪 shutdown-destroy / recycle：shutdown_vm（ch-remote
   shutdown + 杀进程 + 删 socket）、recycle_vm（保留
   task_checkpoints/task_attempts，丢失 guest /tmp 与未拷出
@@ -149,6 +160,17 @@
 - ✅ 超时与最大轮次：SSH 单次超时（CHV_TASK_TIMEOUT）+
   worker task_timeout 外层护栏；goal 最大轮次 100（与 Local
   同款），执行器内部不重试（重试是 worker max_retries 语义）。
+  唯一例外（V-7/F1，评估结论：值得改，已改）：首条任务 SSH
+  撞连接建立阶段瞬时 reset（rc=255 + kex/reset 标记，崩溃后
+  重 wake 实测 1 次、下一条即通，与 cloud-init 收尾重启 sshd
+  的瞬态故障同款签名）时，_run_guest / _run_guest_goal 经
+  _call_ssh_with_transient_retry 重试恰好 1 次（重试前等 1
+  秒，发 vm_ssh_transient_retry 审计）。wait_guest_ready 的
+  轮询本就容忍这类抖动，缺口只在单次调用的首条任务 SSH：
+  不重试会把秒级抖动放大成 worker 级重试 = 整台 VM 冷启动
+  重跑（分钟级 + 重复计费）。host key 拒绝、认证失败、远端
+  命令失败一律不重试；误重试的最坏后果也被 host.py 兜住
+  （dispatch 同名任务已存在即 loud fail，不静默重跑一轮）。
 - ✅ 成本复用：不另起一套计费；worker 现有 quota/成本语义
   （per-user USD 配额、quota 看门狗、成本写库）仍是唯一口径，
   执行器只把 host.py 用量原样返回。
@@ -190,7 +212,7 @@
   release 均经 audit_callback 发出；worker 接线后转 AuthStore
   审计（_audit 本身 best-effort）。feat-chv-secfix 起补齐：
   host_key_generated/host_key_captured/host_key_mismatch、
-  preflight_failed、wake 前置失败（容量/配额/net 冲突）、
+  vm_ssh_transient_retry、preflight_failed、wake 前置失败（容量/配额/net 冲突）、
   vm_disk_deleted/vm_disk_delete_failed/vm_disk_gc、
   host_secret_residue_cleaned、net_config_dual、快照剪枝；
   审计回调失败记宿主 error 日志，不再双重静默。