swarm-self-heal

核心用法

swarm-self-heal 是专为 OpenClaw 多智能体 Swarm 设计的可靠性看门狗（watchdog）技能，提供从网关到通道再到各个 Lane 的全链路健康检测与 bounded 自动恢复能力。

主要工作流：
1. 诊断模式：通过 check.sh 立即执行金丝雀检测，覆盖 gateway 健康、openclaw channels status 通道就绪状态、以及各 Lane 的活跃性
2. 持续守护：setup.sh 部署主备双 Lane 的 cron 定时任务（均配置为 xhigh thinking 优先级）
3. 直接调用：anvil_watchdog.sh 支持自定义超时（如 PING_TIMEOUT_SECONDS=180 适配慢速提供商）

检测层级：

• Gateway：执行 openclaw health
• Channel：执行 openclaw channels status --json --probe
• Passive Lane：通过 openclaw status --json 获取 recency
• Active Probe：对 main, builder-1, builder-2, reviewer, designer 等关键 Lane 进行存活探测（仅在状态陈旧时触发）

Bounded Recovery 机制：

• 单轮重启限制（single restart pass per run）
• 针对基础设施失败的目标重探测
• 禁止破坏性状态清除与盲重装

输出与审计：
每次运行生成结构化收据，包含 timestamp, targets, ok_agents, failed_agents, actions, VERDICT, RECEIPT，满足事件时间线审计需求。健康运行可压缩为单行输出减少运维噪音。

显著优点

• 生产级可靠性设计：主备双 Lane + 分级检测策略
• 安全优先的恢复模型：明确限制操作范围，避免级联故障
• 可审计：标准化收据输出，适配事后复盘与合规要求
• 生态集成：原生适配 OpenClaw/Discord-v2 运行时

潜在缺点与局限性

• 依赖 OpenClaw 二进制与特定 CLI 契约，迁移成本较高
• xhigh thinking 配置可能增加资源消耗
• 慢速网络场景需手动调优 PING_TIMEOUT_SECONDS
• 当前仅支持 bounded 恢复，复杂故障仍需人工介入

适合人群

• 运维 SRE / DevOps 工程师：需要 Swarm 级别健康监控与事件响应
• AI Agent 平台开发者：基于 OpenClaw 构建多智能体系统的团队
• 生产环境管理员：追求可观测性与最小权限恢复策略的组织

常规风险

• 自动化恢复本身可能掩盖根因，建议配合日志分析使用
• cron 任务高频运行可能产生 API 调用压力
• Telegram 通知自动派生配置，需确认 fallback 机制避免信息泄露