修复 Worker 单副本重启 500：优雅处理「副本未响应管理指令」

摘要

单副本重启端点 POST /api/v1/admin/workers/restart 在目标 worker 不在线/无 __admin__ 管理能力时，_send_admin_cmd 抛 RuntimeError，端点未捕获，被全局异常处理器记录后 re-raise，最终 ASGI 返回 500 并伴随 net::ERR_FAILED。需让该端点对「未响应/不在线/运行旧版」返回明确的非 500 结构化错误，同时改进错误文案以便运维定位。

现状分析

worker_admin.py：restart_worker 直接 await manager.restart_worker(...)，无 try/except。对比 restart_all（L107 已捕获单副本失败不中断）、update_worker_config（L169-178 已捕获映射 4xx），唯独单副本端点无兜底。
worker_manager.py：_send_admin_cmd 在 Zenoh QUERY 超时/无回复时 raise RuntimeError("副本 <type>/<id> 未响应管理指令（可能不在线）")（L544-547）。
__init__.py：全局处理器仅记录 logger.error(f"全局异常: {exc}") 后 re-raise → 500。
底层：报错实例 worker_id=worker-0-52047 是旧版命名（worker-<index>-<pid>，无 epoch 段）。新版 runtime 才生成 worker-<index>-<epoch>-<pid> 并声明 __admin__。故该副本极可能仍运行旧版 chongming_worker（未加载管理能力），管理层才会未响应。

变更方案

1. 单副本重启端点兜底 worker_admin.py

在 restart_worker 中 try: result = await manager.restart_worker(...)。
except Exception as e:（noqa BLE001）→ logger.warning(...) 记录；若错误含「未响应/不在线」，抛 HTTPException(status_code=502, detail=f"重启失败: {e}（该副本可能不在线或运行旧版 Worker，未加载管理能力，请先以新版重启其进程）")；其余错误保持映射 502/500 语义（统一用 502 + detail=str(e) 即可）。
效果：不再触发全局异常 handler / ASGI 500；前端 restartOne 已在其 catch 中 ElMessage.error 展示 detail，用户得到明确提示。

2. 优化下发错误文案 worker_manager.py

将 L545-547 的超时错误文案改为： "副本 {worker_type}/{worker_id} 未响应管理指令（可能不在线，或该 Worker 运行旧版运行时未声明 __admin__ 管理能力）"
便于网关日志与前端 detail 直接反映根因。

3. 前端（可选，本次不强制改）

restartOne 已能在非 2xx 时展示后端 detail，无需改动。仅确认错误提示文案来自后端 detail 即可。

假设与决策

「未响应」属预期可解释的失败，应返回 5xx（502）而非 200+ok:false：前端只对非 2xx 弹错，保持「消息清晰」。
不修改全局异常处理器：它是通用兜底，无需为此特化。
不修改 alive 判定/列表逻辑：alive=true 仅代表 liveliness token 存在，无法区分旧版进程；根因修复依赖「用新版 runtime 重启 worker 进程」，属运维动作，不写代码。

验证步骤

.venv/bin/python -m py_compile src/chongming/app/routes/worker_admin.py src/chongming/app/core/worker_manager.py。
重启网关（让其加载 CORS 与最新代码）。
用仍为旧版命名/未响应的 worker（如 aibox_sophon_adapter/worker-0-52047）调用 POST /api/v1/admin/workers/restart?worker_type=aibox_sophon_adapter&worker_id=...：
- 期望返回 JSON {"detail":"重启失败: 副本 ... 未响应管理指令 ... 请先以新版重启其进程"} 且 HTTP 502，不再打印「全局异常」，前端弹明确错误。
对在线且加载新版 runtime 的 worker 重启，验证仍返回 {"success":true}（未破坏正常路径）。
cd src/chongming-web && npx vue-tsc --noEmit（如需改前端才跑；本次预计无前端改动）。
（可选）确认 Worker 管理重启按钮不再触发浏览器 net::ERR_FAILED，而是展示后端错误消息。

前置/运维提示（不写代码）

要让 aibox_sophon_adapter 等 external worker 能被单副本精细化管理（重启/停止/config_set），需用本项目最新 chongming-worker（uv pip install -e utils/worker 已确保）重启该 worker 进程，使其加载新版 runtime 并声明 worker/<type>/<id>/__admin__。

4.6 KiB Raw Permalink Blame History Unescape Escape