codex-app-server/docs/chv-architecture.md

# Cloud Hypervisor 执行器架构决策记录（ADR）

范围：cloud/chv/ 执行器链（#216 → #221 → #230 → #232 → #234 → #239 → #246 → #252 → #254 → 本轨 feat-chv-arch-maint-fe）。
本文件只记录已落代码的决策，不记录未验证为已验证；真机、压测、动态安全
仍见 docs/chv-production-readiness.md §11。

## ADR-1 SSH 目标：客机 IP 发现（已选） vs vsock / 纯 NAT（未选）

- 决策：显式 CHV_SSH_HOST > CHV_NET_JSON 首个带 ip 的 net 条目 >
  显式 CHV_SSH_FORWARD=1 宣称下的回环；三者皆无报
  ssh_target_undeclared，绝不无条件假设 127.0.0.1:2222 能通。
- 未选 vsock：需客内 agent + 宿主代理两套新代码，当前客机镜像
  无此组件，写进代码仍是假保证。
- 未选纯 NAT：DNAT 是宿主防火墙外部状态，执行器代码既不能
  创建也不能校验它，写进代码仍是假保证；宿主防火墙见就绪
  清单 §11.4 部署清单，代码门 + 防火墙缺一不可。

## ADR-2 网关 key 走 seed 投递（已选） vs argv / 宿主环境（已弃）

- 决策：provisioned 模式下密钥子集随 seed 写进客内
  /etc/chv/guest-env（0600），远程命令 source 它；传输层密钥
  进 argv 直接 ValueError；keyscan 模式有密钥即 fail-closed。
- 放弃 argv：宿主 ps / /proc/<pid>/cmdline 可读；放弃宿主子进程
  环境：Docker 线 -e 只传名、值仍在 CLI 子进程环境，CHV 比它
  更严（值连宿主子进程环境都不进）。
- 残留：seed 随 stop 删，私钥在 seed 盘建好后即删，
  cleanup_stale_secrets 扫崩溃残留；删失败 fail-fast 或脏标记拒起。

## ADR-3 磁盘 copy 默认，reuse 只作单租户实验（已选）

- 决策：CHV_DISK_MODE 默认 copy，每任务独立 disk.raw；
  reuse 须同时满足 CHV_REUSE_SINGLE_TENANT_EXPERIMENT=1 与
  CHV_SINGLE_TENANT_PROJECT 声明，且 wake 时审计放行。
- 边界：代码无法验证数据库多租户状态，声明 + 审计即机制，
  不假装已校验；生产多租户下 reuse 一律不启用。

## ADR-4 restore 不重预置（纠正，见 #232 审计）

- 纠正：审计原说法“restore 须把 seed 接入 VmConfig”是错的——
  restore 不走 vm.create，无 VmConfig 可挂盘；快照内已固化原
  VM host key，重预置反而破坏钉死。
- 正确不变量：provisioned 下复用已钉死 known_hosts、缺失
  fail-fast（host_key_not_pinned），绝不 keyscan 回落。

## ADR-5 WarmPool：实验性，生产 dispatch 永远冷启动（本轨定案）

- 决策（二选一的 B 项）：把 WarmPool 从生产路径宣称里摘掉，
  明确标为实验/停用，不再留“半接线”悬空状态。
- 原因：预热 VM 的磁盘是干净快照盘，不是任务盘；dispatch 前
  查池若要真正接线，必须在派任务前给已暂停 VM 重新供给任务
  盘（热换盘 / 二盘挂载 / host.py 磁盘语义三者都未实现），
  把预热盘直接当任务盘用会击穿任务盘隔离不变量。
- 落地：WarmPool.wired_to_dispatch 恒为 False；_run_with_vm
  绝不查池，dispatch 永远冷启动；acquire 内 resume 只保留为
  实验接口；worker 启动/关闭仍调 reconcile_orphans()（上一世
  残留清理是池子保留的唯一生产价值）。
- 重启条件：将来要重新接线，必须先实现任务盘重供给并补
  “任务盘来源”不变量测试，否则不得把 wired 改成 True。

## ADR-6 Docker goal 解析分叉：共享正典 + 同步守卫（本轨定案）

- 决策：Local/CHV 共用 parse_goal_result 正典；Docker goal_task
  内联版保留，但与正典的 8 个真实标记用例（met/unmet/
  interrupted 标记/无结论异常退出/永久错误/无结论 rc0/
  goal-resume 拒绝/已存在撞名）由 test_chv_arch95.py 的
  DockerSyncGuardTest 行为测试钉住状态全等，任一实现改了
  分叉测试即 fail，不再只靠文档清单。
- 注意：Docker 的超时证据路径仍与内联解析绑在一起，那是
  有意保留的第二处差异，不在 8 用例的状态等价范围内。

## ADR-7 #215 未合并时的复用边界（不复制模块）

- 现状：#215（timeouts/gates/quota/sandbox_policy）未合并，
  本链 base 里无其模块，本轨不复制其代码。
- 纠正（feat-chv-arch95plus，核对过 #215 远程分支真实
  函数后）：上一轨 ADR-7 的“超时→timeouts、配额→quota”
  泛化映射是错的。#215 的 timeouts 收敛的是审批/队列
  超时（None/0=不过期），quota 是按月美元配额，与 CHV
  的 api/ready 秒数（0 无效）和 VM 数/磁盘 GB/快照数
  单位与语义都不同，硬套会改行为，故这两项无映射。
- 真实映射（已落代码，见 cloud/chv/compat215.py）：
  gates.resolve_inside(base, rel) 目录门 → CHV 快照/磁盘
  路径白名单已在 hardening 里使用，合并后改为 import；
  sandbox_policy.tmpfs_isolated → CHV 客机 /tmp 落客机
  磁盘、一律不隔离（fail-closed），合并后改为 import。
  其余 #215 函数（审批、控制门、合并状态门、worker 寻址）
  与 CHV 无交集，不映射。替换时须重跑本链测试，不得改语义。

## ADR-8 WarmPool 生产隔离：facade 而非类导入

- 决策：生产路径（worker 启动/关闭）只调
  cloud/chv/pool.py 的 reconcile_orphans_for_executor()
  facade，该函数内部才构造 WarmPool 并只调
  reconcile_orphans()；生产 dispatch 绝不调 prewarm/
  acquire/release，executor.py 也不 import pool。
  WarmPool 类与 sandbox re-export 保留仅为兼容（旧测试
  import 路径），新代码不得经类入口进实验接口。
- 测试钉住：facade 测试断言 acquire/prewarm 绝不被调；
  executor 不 import pool 由模块依赖检查覆盖。
- 本轨更新（feat-chv-arch-maint-fe，取代上文“保留兼容”
  部分）：CHV 尚未合并、尚无生产用户，“怕断 import”
  不是保留理由，兼容保留已删除。WarmPool 从 pool.py
  移到 experimental_pool.py，cloud/chv/__init__ 与
  cloud/sandbox.py 不再导出它，生产残留清理彻底分文件
  到 cloud/chv/orphans.py（facade 不再构造 WarmPool，
  直接读 registry 文件做清理）。旧 import 路径一律
  ImportError，见 ADR-12；合并前即生效的破环性清理，
  合并时须按 PR 描述的清单检查调用方。

## ADR-9 审计失败取舍：记日志 + 计数，不中断任务

- 选项 A（失败即中断任务）：审计完整性最强，但 DB 短暂
  不可用会把一次审计失败放大成任务失败，且与 worker
  全局 best-effort 语义冲突，CHV 单独硬中断是不一致的。
- 选项 B（失败记日志 + 计数 + 不中断任务）：已选。
  executor._emit 失败时记宿主 error 日志并累加
  audit_failure_count（宿主可观测，非任务状态），任务
  继续；审计完整性本身没有保证，文档与就绪清单明写。
- 边界：本决策只针对 VM 生命周期审计；VM 启动/关机等
  门禁失败仍按原有分类失败处理，不受本条影响。

## ADR-10 长函数抽不动的耦合点（本轨后已无 >50 行函数）

- 本轨后 cloud/chv/ 全部函数均 ≤50 行，上一轨的 7 个
  长函数全部拆完：stop_vm（进程清理/文件清理/脏标记三
  helper）、wait_guest_ready（provisioned 守卫/不匹配检查）、
  restore_vm（校验/启动段）、cleanup_stale_secrets（单 VM
  清理/活 VM 判定）、cleanup_stale_vms（死 socket 扫描/
  登记清理）、_unix_socket_api（读头/解析长度/读体/解析
  响应）、validate_net_entries（归一化/去重/冲突检查）、
  build_chv_config（组装段纯移动）。
- 残留耦合点（已拆但仍需注意）：stop_vm 的三块清理共享
  同一脏标记，任一块失败即整 VM 标记脏（有意，不拆成
  三个标记）；_unix_socket_api 的读满语义仍由四个 helper
  共同保证，改任一 helper 须重跑截断/超时测试。

## ADR-12 模块职责图与禁 import 清单（本轨）

依赖方向（箭头 = 可以 import，叶子在下）：
- worker.py → orphans.py（生产残留清理，方法内 import）
  → 标准库；worker 不 import experimental_pool。
- executor.py → config/disk/hardening/hostkeys/
  ssh_transport/api_client/errors（方法内按需 import
  sandbox 共享 helper 除外，顶层绝不 import sandbox）。
- experimental_pool.py → orphans.py（只借 registry 文件
  IO 与损坏语义，方向是实验 → 生产，绝不反向）。
- orphans/config/compat215/errors → 只依赖标准库
  （叶子模块，测试用 AST 钉住）。
- __init__.py / sandbox.py → 只 re-export 生产接口
  （CloudHypervisorExecutor、ChvFailure、
  reconcile_orphans_for_executor），不导出 WarmPool。
- config.py → executor.py（executor 只经 build_chv_config
  取配置，不直接读 env 做二次解析）。

禁 import 清单（测试用 AST 逐项钉住，文档提及不算）：
- orphans/executor/worker/__init__/sandbox 一律不得
  import experimental_pool 或已删除的 cloud.chv.pool；
- executor 一律不得 import orphans（执行器本体不做
  残留清理，那是 worker 启动/关闭的职责）；
- 任何生产模块不得 import cloud.gates /
  cloud.sandbox_policy / cloud.timeouts / cloud.quota
 （#215 未合并，见 compat215 REPLACEMENT_POINTS）。

## ADR-13 配置组装片段化（本轨，行为不变）

- build_chv_config 拆成六个片段：base（身份/资源基底）、
  ssh（密钥/用户/端口/host key 模式/客内路径/命令行）、
  network（net/net_json/ssh_host/ssh_forward/egress）、
  quota（max_vms/warm_pool_size）、disk（磁盘模式/大小/
  reuse 实验/快照上限与 URL）、timeout（任务/API/就绪
  超时）。组装只做 dict 合并，键冲突即 ValueError，
  绝不静默覆盖。
- 移动说明（字段集合与取值不变，测试以 38 字段集钉住）：
  egress 从旧 quota 片段移到 network（它是出口策略，
  不是 VM 配额）；snapshot_url 从旧超时片段移到 disk；
  warm_pool_size 从旧超时片段移到 quota。唯一可观测
  的校验顺序变化：warm_pool_size 非法与磁盘非法同时
  出现时先报前者；单项非法时报错文案逐字一致。
- 类型：cloud/chv/ 公开 API（非下划线函数 + 公开类
  __init__）全量标注，无 Any 逃逸；本轨顺手修正三处
  旧标注错误（record_snapshot 应为 tuple、host_key_paths
  应为 dict、build_seed_disk 应为 str）。私有 helper
  不在“公开 API”口径内，不硬标。

## ADR-14 前端只读侧扩展与验证方式（本轨）

- 本轨前端只做只读侧，不做控制按钮：后端无 VM 控制
  端点且安全审计 No-Go，绝不发明控制接口。
- 列表行：此前 chv_vm_dead 只在详情展示，本轨列表行
  增加“VM 已报告死亡”徽标（字段已由同一 serializer
  返回，列表此前只是没渲染）；无徽标时不代表 VM 活着。
- 详情：此前只有 chv_vm_dead 时才出现 VM 行，本轨对
  所有 CHV 任务都显示 VM 行——已报告死亡给死亡文案，
  否则给“未报告 VM 死亡（后端无 live 状态字段，不代表
  VM 活着）”。非 CHV 任务不显示 VM 行；死亡文案同样
  先过执行器门，防止非 CHV 行误带字段时误显示。
- 池管理与成本页：不新开页面。已有数据继续在已有
  位置展示：WorkersSection 的 CHV worker 在线数/共计、
  详情成本卡（token/LLM 请求数/美元明细，来自
  GET /tasks/{id}/cost）。没有数据的页面绝不新开。
- 后端字段：本轨未新增第二个生命周期字段，理由写清——
  server 持久化的 CHV 生命周期事实只有 executor /
  status / interrupted_reason 三项，chv_vm_dead 已是其
  完整派生；再编一个字段要么是 interrupted_reason 的
  复制，要么是猜 live 状态，两者都不做。本轨后端改动
  是把派生抽成 _chv_vm_dead_from_row（行为逐字一致）
  并补 goal 回落形态（纯文本“VM 中途死亡”）的测试。
- 前端测试：纯逻辑全覆盖——执行器选择谓词（精确值，
  不宽松匹配）、可用性（上一轨）、附件守卫谓词（CHV +
  带附件 → 后端 400，前端提示口径，后端是最终权威；
  派发页提交拦截已接该谓词）、只读状态文案与列表徽标。
  组件渲染不在覆盖内（无 testing-library 依赖，不临时
  加依赖冒充覆盖）。
- 验证方式（仓库浏览器任务拒绝回环地址是已知限制，
  本轨绝不声称已做真机点击）：① tsc + vite 构建通过；
  ② npm run build:console 产物 console.html 经 grep 含
  新文案；③ Vitest 全过；④ 用户侧 live browser 手动
  检查清单（见 PR 描述）：本地起 vite preview 或直接
  打开部署后的控制台，建一个 CHV 任务（无附件）进详情
  看 VM 行文案、带附件提交看拦截文案、列表行对已报告
  死亡任务看徽标；真机点击结果由用户侧回填，不在本轨
  回执里预填。

## ADR-11 只读 VM 字段边界：chv_vm_dead 不是 live 状态

- 决策：server 任务序列化只在 CHV 任务且 worker 已把
  VM 死亡写进 interrupted_reason 列时返回 chv_vm_dead=True，
  其它情形字段不存在；worker 终局时把执行器的 vm_dead
  原因写回该列（见 worker.py 终局块），否则该字段在
  生产里永远不出现。
- 边界：该字段是“已报告死亡”，不是“VM 活着/死了”的
  live 状态——server 进程没有 VM 登记表，live 状态编不
  出来；前端无该字段时不显示 VM 状态，不猜测。VM 控制
  按钮仍不做（后端无控制端点且安全审计 No-Go）。