feat: 模块化内核(编译期依赖图定序)+ 密钥防火墙 + 插件三态生命周期 (#10)

* feat(kernel): 模块化内核 + 编译期依赖图定序

把单体 init 序列拆成「模块自声明依赖 + 编译期生成依赖图 + 运行期只读图」。

## 为什么

原 cmd/homed/main.go 里 17 步 init 是**手写顺序**,依赖关系只存在于
注释和人脑里。实测踩到的坑(见 docs/zh/kernel-modularization-design.md):
 · nlp.defaultParser 被 initONNXParser 写、被 distiller 读,两者相距 60 行,
   只靠 ticker 10min 才没炸(隐式依赖,无声明)
 · 加一个模块要人肉找"该插在哪",插错的表现是运行期 nil 解引用
 · 关停是 defer ks.CloseAll(),而热更新路径 os.Exit(42) **跳过 defer**
   ⇒ docStore/distiller/textMem 的 flush 全部丢失(每次热更新都发生)

## 怎么改

- internal/kernelboot/:KernelState(一个结构体收全部包级共享变量,字段
  nil 安全)、Module 接口、graphfile(依赖图编解码 + 与二进制 hash 对账)、
  scheduler(按 BFS 层并行 Init)、syncbus(层边界写通知)、
  lifecycle(Quiesce/Resume 可逆伪关机,区别于一次性 CloseAll)
- internal/kernelmod/<name>/:每个模块一个文件夹,Requires/Provides 自声明;
  all/all.go 是唯一的 import 清单(Go 循环导入约束)
- cmd/homed-depgraph:编译期生成依赖图,Makefile 注入 digest
- 运行期只**读**图,不计算顺序(顺序是编译期决定的,源码里没有中央清单)

## 判据

kernelboot 8 条 + 图失败模式 7 条(全部拒绝并给准确错误)+ 模块目录数
与注册表一致性。变异测试 15/15 咬住,含:
 · 删掉 AddCloser 的锁 → -race 报数据竞争
 · Scheduler 同批跑去重 → 203 vs 200
 · 图 hash 不匹配 → 拒绝启动

## 顺带修的缺陷

热更新路径漏调模块关闭 ⇒ 显式 stopKernelModules(),并用 AST 判据钉住
"必须在 os.Exit 之前"(字符串检查在本仓已骗过我三次)。

实测:冷启动 1630ms(5 层/17 模块,原 17 步串行);生产 22 插件全部建链。

* feat(security): 密钥防火墙 + 配置加密 + close 纪律

## 密钥防火墙

模型只见别名、不见明文;插件工具调用入口(StageHost.ExecuteTool)做入向
回填。三维能力:
 · 出向:工具输出里的密钥被替换成 [[secret:name]] 别名后才进上下文
 · 入向:模型传别名,入口处填回真值(插件完全无感知)
 · 存储:config.db 里不存明文(0644 的库可读),敏感值独立 0600 文件

模式库「宁漏勿误伤」:宁可漏掉一次替换,也不把正常文本误当密钥。

## 配置加密

- internal/security/{codec,key,keyring,store,global}.go:AES-256-GCM,
  enc:v1: 前缀,密钥轮换(OldKeys 解码 + 新钥加密)
- harden.go:数据目录权限收紧
- embedded.go:支持内嵌主密钥(可选,仍保留外部 key 文件路径)
- EncryptExistingSecrets / AuditSecrets:启动时幂等迁移 + 审计

## close 纪律(用户明确要求:只要调 close 就要有前置检查)

internal/safeclose:Safe / SafeFunc。全仓 37 处裸 close(chan) → 0。
关键教训(都写进注释和判据):
 · `select { case <-ch: default: close(ch) }` **不是**并发安全的
   (两个 goroutine 可同时命中 default)—— healthcheck 原先是这种写法
 · `sync.Once` **不可重入**:X.Do(func(){ Safe(&X, ...) }) 会自锁,
   症状是 go test 直接挂住(3 个包 600s 超时),栈里只有嵌套的 Once.Do
 · map 里按请求持有的 channel(mcp/stdio.go、clawhubadapter/sidecar.go)
   改成 *pendingRPC 包装,每通道一个 once

## 判据

security 全量 + TestNoBareCloseOutsideSafeclose(AST 级扫描,含注释剥离)
+ TestNoNestedSelfOnceDeadlock(正则修正:\w+ 不匹配点号,捕获组要含 '.')。
变异 2/2 咬住。全量 52 包 ok。

* feat(plugin+deploy): 插件三态生命周期、数据目录迁移、发行包修复

## 插件三态生命周期(用户要求:自动启动 / 启用但不自动启动 / 禁用)

- Manifest 新增 requires_facilities / auto_start(*bool,用于区分
  "未声明"与"显式 false")
- plugin-host 模块(internal/kernelmod/pluginhost):用 kernelboot.Scheduler
  按依赖时机拉起,**不再手写两阶段**
- 运行态停启 StopPlugin/StartPlugin **可逆**:不写 disabled_plugins
  (不改用户决定)、不置 shuttingDown(之后还能加载)、会摘掉注册面
- 与 StopAll 的区别写进注释 —— StopAll 置 shuttingDown 后**永久无法加载**,
  那是进程退出用的,误用于"暂停"就是关了就死

## 数据目录迁移(伪关机 → 迁移 → 唤醒)

- kernelboot/lifecycle.go:Quiesce/Resume(可逆,区别于一次性 CloseAll),
  逆序暂停、逆序恢复、Pause 失败回滚
- kernelboot/migrate.go:BeginMigration/End 编排(先停插件 → 再停内核写者
  → 等在途归零)
- distiller/textmem 增 Pause/Resume 门(不是 cancel —— cancel 不可逆,
  恢复要重建整个对象)
- 模块 migration:体检 + 生成可执行迁移脚本

★ 迁移脚本的三个实测教训(都写成了判据):
 1. 无条件改 /etc/systemd/system ⇒ 演练把**生产** -data 改成了演练目录。
    加 --dry-run(零改动)+ 强制校验 systemd 当前 -data == OLD
 2. 本机没装 rsync,脚本在"服务已停、数据未搬"处硬失败 ⇒ cp -a 回退,
    并明确警告不保硬链接/ACL(生产 plugindev 有大量 git 硬链接)

## 发行包修复(全部经实测确认)

 1. package-linux.sh **完全漏打 depgraph.bin** ⇒ 内核 exit 1
    ("生产构建(内嵌 hash 非空)但读不到依赖图")
 2. build_homed 不走 Makefile ⇒ 单独修 Makefile 无效,必须同时生成图+注入
 3. build.sh 的 LDFLAGS 用**历史模块路径 gitcode.com** ⇒ -X 静默 no-op
    ⇒ --version 显示 unknown
 4. Makefile -ldflags 用**单引号** ⇒ 注入了字面 $GRAPH_HASH

## ★ build.sh 的版本号必须校验(真实事故)

原 `VERSION="$(git describe --tags --dirty)"`。无 tag 分支上它返回**分支名**
`backup/pre-identity-rewrite-20261005-51-g03d87a4e-dirty`,被注入 meta.Version
⇒ 插件握手判据 MajorVersion() 把整串当主版本 ⇒ **22 个子进程插件全部
握手失败**("主版本不匹配")。内核活着、systemd active、日志每条都像
插件的问题 —— 实际是发行包带着非法版本号。

修法:git describe 只在形如 vX.Y.Z 时采用,否则回退 meta.Version(权威源),
并对最终值做形态守卫。deploy/packaging/version_guard_test.go 3 条判据,
变异 2/2 咬住。

## deb 的 systemd unit 改为 guard 模式

ExecStart=/usr/bin/homed --role=guard --data /var/lib/homeagent
(worker exit 42 → guard 重拉,不经过 systemd、不计失败)
含 RestartSteps/RestartMaxDelaySec/TimeoutStopSec + 硬化
(NoNewPrivileges/ProtectSystem/ProtectHome/DevicePolicy/ReadWritePaths)。

## 其他

- internal/plugin/proc:非法 JSON 帧的报错**可定位**(内容摘要 + 可能原因 +
  修法)。生产实测 1038 条非法帧(插件往 stdout 打日志 = 污染协议通道)
- 示例插件 4 个 14 处 fmt.Printf → log.Printf
- hmapdev 模板同步修复;scaffold 判据剥离注释(模板注释里就含 fmt.Printf)

* chore: 收尾(主密钥轮换命令、IPC/知识库加固、SDK 对齐)

- cmd/homed-key-rotate:把 security 里的 RotateKey/RotateKeyFile/RekeySecrets
  串成一条**可执行**的运维路径。没有它,E-1 就只是库里的能力而不是
  "出事时能做的事",而轮换的价值恰恰在于能执行。
- cmd/homed:kmod_runtime(模块装配入口)、plugins_scheduled(failback
  白名单)、memcandidate、bootstrap_order_test / shutdown_flush_test
- internal/ipc、internal/devicebridge、internal/knowledge:配套加固
- third_party/homeagent-sdk/sdk:PluginMgrAPI 增三态能力(mgrStop/mgrStart/
  mgrIsRuntimeStopped)+ settings 对齐

判据:bootstrap_order_test(启动顺序不依赖手写序列)、
shutdown_flush_test(停机的两条路径必须对称 —— exit 42 会跳过 defer,
热更新路径下模块关闭/flush 曾全部丢失)。

* test(security): 测试夹具改用不可误认的占位值(修 push protection 拦截)

GitHub secret scanning 拦住了推送:三处测试夹具用了"看起来像真密钥"的
字面量:

  internal/security/prefilter_test.go:39
  internal/security/store_test.go:177
  internal/security/survey_test.go:20

它们全是**假密钥**(`AKIAIOSFODNN7EXAMPLE` 是 AWS 官方文档的标准示例,
其余是 `abcdefghij...` 这类可读占位符),但扫描器无法区分 —— 它只看形态。

★ 不绕过(不用 unblock URL、不加 allowlist):直接改夹具。
原因:一旦允许"假密钥可以通过",真密钥混进来时就没有最后一道门了。

改法:保留**模式库匹配所需的结构**,把可识别内容换成 FAKE:
  glpat-abcdefghijklmnopqrst       → glpat-FAKE-TEST-TOKEN-NOT-REAL
  sk-abcdefghij...012345           → sk-FAKE-TEST-KEY-NOT-REAL-0000000
  AKIAIOSFODNN7EXAMPLE             → AKIA0000FAKE0000TEST   (保持 20 字符)
  ASIAIOSFODNN7EXAMPLE             → ASIA0000FAKE0000TEST
  xoxb-123456789012-abcdefghijklmnop → xoxb-FAKE-TEST-TOKEN-NOT-REAL

★ 中途踩到一次:AWS 键的模式是 `\b(AKIA|ASIA)[0-9A-Z]{16}\b`(共 20 字符),
我第一次替换成 19 字符的 `AKIAFAKETESTKEY0000` ⇒ 模式匹配不上 ⇒
TestSurvey_WhatIsCaught / TestRecognizesCommonShapes /
TestPrefilterNeverBlocksRealMatches 三条当场变红。
判据正确地拒绝了"为了过扫描器而削弱覆盖"。

顺带核实:全仓 grep 无任何真实密钥泄漏。

* fix(packaging): package-linux.sh 的版本解析与 build.sh 统一

上一版只修了 build.sh,漏了 package-linux.sh —— 它仍只看 git describe:

  VERSION="${VERSION:-$(git describe --tags --dirty)}"

无 tag 分支上 git describe 返回**分支名**
(backup/pre-identity-rewrite-20261005-56-g98850e1),守卫会正确拒绝,
但要求人**手动传 VERSION** 才能打包。而 build.sh 早已能自动回退 meta.Version
⇒ 同一个版本,走 build.sh 打得出来、走 package-linux.sh 打不出来。

危害不只是"要手动传参":运维为了跑通会去掉守卫,而分支名一旦进
meta.Version 就是**插件协议主版本**的来源 ⇒ 22 个子进程插件全部握手失败
(这是真实发生过的事故,见 3efa4e5)。

修法:两个脚本用同一套规则(git describe 仅在 vX.Y.Z 形态时采用,
否则回退 meta.Version),并对最终值做形态守卫。

判据:TestBothPackagingScriptsShareVersionRules —— 逐个读两个脚本,
要求都能从 meta/meta.go 取权威版本、都校验 git describe 形态。
变异(把 package-linux.sh 改回旧规则)咬住并准确指出是哪个脚本。

实测:不传 VERSION 跑 package-linux.sh,输出
  [PKG] warn: git describe 给出非版本串(...),改用 meta.Version=1.4.0
  Version: 1.4.0

* fix(test): 跨仓判据在 CI 上应 skip 而非 fail(修 PR 双红)

CI 上 "Go build / vet / test" 与 "Build linux/amd64" 双红:

  --- FAIL: TestHmapdevTemplateImplementsAllPluginMgrMethods
      bridge_sync_test.go:170: 读模板: open
      ../../../third_party/homeagent-sdk/tools/hmapdev/templates/proc_main.go.tmpl:
      no such file or directory

## 根因:判据依赖了一个**被 gitignore 的路径**

`.gitignore:33` 有 `third_party/homeagent-sdk/tools/`(SDK 仓自治,本仓不跟踪)。
于是:
  · 本机(完整 SDK 检出)有该文件 ⇒ 判据通过
  · CI(只 checkout 本仓)没有该文件 ⇒ Fatalf ⇒ **必红**

我提交时只在本机跑测试、没看 CI,所以这个问题拖到 PR 才暴露。

## 修法

文件缺失时 `t.Skipf` 而不是 `t.Fatalf`。

★ 这不是"放弃检查":
  · 跨仓一致性由 **SDK 仓自己的判据**守着
    (tools/hmapdev/scaffold_stdout_test.go 等),那里才是模板的真实归属地
  · 本判据在本机开发时**仍然生效**(已验证:有文件时 PASS,缺文件时 SKIP)

## 验证

 · 本机(有文件)  → PASS(判据真跑)
 · 模拟 CI(移走 tools/)→ SKIP(不再 fail)
 · 全量 53 包 ok / 0 fail

## 顺带

同目录还有 e2e_template_test.go 也读 tools/,但它是 `//go:build` 门控的
e2e 判据,CI 默认不跑,无需处理。

---------

Co-authored-by: JianFeeeee <JianFeeeee@users.noreply.gitcode.com>
This commit is contained in:
JianFeeeee
2026-10-17 19:18:24 +08:00
committed by GitHub
parent 03d87a4e21
commit a68d6a428c
266 changed files with 30185 additions and 1424 deletions

188
cmd/homed/kmod_runtime.go Normal file
View File

@ -0,0 +1,188 @@
package main
// 内核模块装配的执行入口(Group 0 之后调用)。
import (
"fmt"
"log"
"os"
"path/filepath"
"strings"
"github.com/JianFeeeee/HomeAgent/internal/kernelboot"
"github.com/JianFeeeee/HomeAgent/internal/kernelmod"
// ★ 把全部内核模块**引入编译**(Go 要求 import 才会编译进来)。
// 加一个新模块 = 新建 internal/kernelmod/<name>/mod.go + 在 all.go 加一行。
_ "github.com/JianFeeeee/HomeAgent/internal/kernelmod/all"
)
// RunKernelModules 装配全部内核模块(必须在 Group 0 串行段之后调用)。
//
// ## 为什么"加模块零中央清单"在这里成立
//
// 各模块在自己的文件夹里写 `func init() { kernelmod.Register(...) }`,
// 由 `kernelmod/all` 统一引入编译。本函数只问注册表要模块,
// **不认识任何具体模块**,也不含任何依赖清单。
//
// ① 注册表(kernelmod)返回全部已注册模块(**乱序**,顺序无意义)
// ② Build:算依赖图层(缺依赖/环/重名 ⇒ 这里就报错)
// ③ Run:分层执行(同层有界并行),层边界更新 syncbus
//
// kernelAssembleHooks 是装配的**阶段回调**(供 main 在正确时机挂接)。
type kernelAssembleHooks struct {
// BeforeRun 在**执行任何模块之前**调用(此时 syncbus 已创建、
// 全部设施已 MarkDeclared,但还没有一个就绪)。
//
// ★★ 为什么需要它(一个真实的设计缺口):
//
// 插件调度器若在装配**完成之后**才挂到 syncbus 上,那么它提交插件时
// 全部设施早已就绪 ⇒ 每个声明了依赖的插件都"立即拉起"
// ⇒ **「声明提前启动」从未真正生效**(永远退化成同步全就绪)。
//
// 实测证据(真机,2026-10-16):装一个声明 requires_facilities=[config] 的
// 外部插件,它仍在内核**全部 5 层完成**后才被拉起 —— 因为 stage-host
// 就绪(第 3 层)时插件注册表才存在,而调度器那时还没接上拉起动作。
//
// 有了本回调,调度器在 **Run 之前**订阅 syncbus ⇒ 内核每完成一层
// 都会触发它重新评估 ⇒ 声明了 config 的插件不必等 agent 层。
BeforeRun func(bus *kernelboot.SyncBus) error
// OnLayerDone 在每层完成后调用(供 main 在 **stage-host 就绪** 的那一刻
// 接上插件拉起动作)。
//
// ★★ 为什么必须是"每层"而不是"全部完成后":
//
// 插件加载需要 **plugin.Registry**,而它是 `stage-host` 模块的产物
// ⇒ 插件**不可能**早于 stage-host 被加载(这是硬约束)。
// 但 stage-host 在第 3 层,而 agent 在第 4 层 —— 而 agent 层实测要
// **35 秒**(context dense backfill 750 events + document/knowledge 重建索引)。
//
// ⇒ 声明了早期设施(config/llm)的插件完全没必要等那 35 秒。
// 在 stage-host 就绪那一刻接上拉起动作,它们就能立刻起。
//
// 实测收益(真机):early_probe(只声明 config)从"装配全部完成后"
// 提前到"第 3 层完成时",省掉 agent 层那 35 秒。
OnLayerDone func(idx int, layer []kernelboot.Module)
}
func RunKernelModules(ks *kernelboot.KernelState, hooks kernelAssembleHooks) (*kernelboot.SyncBus, error) {
mods, err := buildModuleList()
if err != nil {
return nil, err
}
// ★★ 启动顺序来自**编译期产出的图**(用户设计)。
//
// 编译期:homed-depgraph 算好分层 → depgraph.bin(含层号)+ digest 注入二进制
// 运行期:**读**这份图 ⇒ 不自己算顺序
//
// 这样"启动顺序"是**编译期制品**,可审计(进 PR diff)、可离线校验。
//
// 缺失/损坏/漂移策略:
// · dev(EmbeddedGraphHash 为空):允许无图 ⇒ 回退运行期 Build(便于 go test/go run)
// · 生产(有 hash):必须有图,且 hash 必须匹配,且层号必须与声明一致
// —— 任一不符 ⇒ **拒绝启动**(不猜哪边对:都是制品装配错误)
plan, err := loadStartupPlan(mods)
if err != nil {
return nil, err
}
bus := kernelboot.NewSyncBus()
// ★★ 先把**全部模块声明的设施**登记为"内核注册过",**再**调用 BeforeRun。
//
// 时序很关键(我第一版搞反了,实测报了"内核已知的设施名: []"):
//
// BeforeRun(attach):插件调度器提交声明 ⇒ 触发**拼错校验**
// ⇒ 若此刻 known 为空,**所有声明都被误判为拼错**
// MarkDeclared :把各模块的 Provides 登记进 known
//
// ⇒ 顺序必须是 **MarkDeclared → BeforeRun**。
// (Run 内部也会 MarkDeclared,那是为了"装配中途失败也成立",
// 与本处不冲突 —— MarkDeclared 幂等。)
var allProvides []string
for _, layer := range plan.Layers {
for _, m := range layer {
allProvides = append(allProvides, m.Provides()...)
}
}
bus.MarkDeclared(allProvides)
// ★ 在**执行任何模块之前**挂接(插件调度器在这里订阅 syncbus)。
// 这样内核每完成一层都会触发调度器重新评估 ⇒ 声明提前启动**真的生效**。
if hooks.BeforeRun != nil {
if err := hooks.BeforeRun(bus); err != nil {
return nil, err
}
}
res, err := kernelboot.Run(plan, kernelboot.RunOptions{
State: ks,
Bus: bus,
// 并发上限:开 DB / 起 VM 很吃 IO,全放开会互相拖慢。
// 同层最多 8 个模块时 4 路并发实测最快(再高变 IO 争抢)。
MaxParallel: 4,
OnLayerDone: func(i int, layer []kernelboot.Module) {
names := make([]string, 0, len(layer))
for _, m := range layer {
names = append(names, m.Name())
}
log.Printf("[homed] 内核装配 第 %d 层完成(%d 个): %s",
i, len(layer), strings.Join(names, ", "))
// ★ 把"某层完成"事件交给 main(用于在 stage-host 就绪时
// 立刻接上插件拉起动作,而不是等 agent 层的 35 秒)。
if hooks.OnLayerDone != nil {
hooks.OnLayerDone(i, layer)
}
},
})
if err != nil {
return nil, err
}
log.Printf("[homed] 内核装配完成: %d 层 / %d 模块(峰值并发 %d,原为 17 步串行)",
res.LayerCount, len(res.Order), res.MaxConcurrent)
return bus, nil
}
// loadStartupPlan 取启动计划:优先读**编译期图**,dev 环境回退运行期 Build。
func loadStartupPlan(mods []kernelboot.Module) (*kernelboot.Plan, error) {
exe, err := os.Executable()
if err != nil {
return nil, fmt.Errorf("无法确定二进制路径(图与它同目录): %w", err)
}
graphPath := filepath.Join(filepath.Dir(exe), kernelboot.GraphFileName)
gf, err := kernelboot.LoadAndCheckGraph(graphPath, kernelboot.EmbeddedGraphHash)
if err != nil {
return nil, err
}
if gf == nil {
// dev:没有图(也没注入 hash)⇒ 运行期现算。
// 这条路径**不是**生产路径;它存在只为让 go test / go run 能用。
log.Printf("[homed] 未找到编译期依赖图(dev 构建),回退运行期分层")
return kernelboot.Build(mods)
}
plan, err := kernelboot.PlanFromGraph(gf, mods)
if err != nil {
return nil, err
}
log.Printf("[homed] 启动顺序来自编译期依赖图 %s(digest %s)",
filepath.Base(graphPath), gf.Digest[:16])
return plan, nil
}
// buildModuleList 从注册表取模块并做结构性检查。
func buildModuleList() ([]kernelboot.Module, error) {
if d := kernelmod.Duplicates(); len(d) > 0 {
return nil, fmt.Errorf("内核模块名重复注册: %v(两个模块取了同名,或同一模块被导入两次)", d)
}
mods := kernelmod.Registered()
if len(mods) == 0 {
return nil, fmt.Errorf("没有任何内核模块被登记 —— " +
"通常是没有 import internal/kernelmod/all(见 cmd/homed/kmod_runtime.go)")
}
return mods, nil
}