job-system-design

name	job-system-design
description	用于为 PSOP 设计或实现基于数据库的后台任务系统、worker 池、调度器、租约、重试、恢复和后台执行拓扑。
allowed-tools	[]

Job System Design

本 skill 用于 PSOP 的后台任务系统设计与实现，尤其适用于以下场景：

• 新增 runtime_job 类型
• 调整 worker / scheduler / sandbox 分工
• 设计 claim / lease / retry / dead-letter
• 排查任务恢复、重复执行、幂等、延迟调度问题

1. 目标边界

默认目标不是“尽快把任务跑起来”，而是构建一个：

• 以数据库为事实源
• 可恢复
• 可审计
• 可观测
• 可控扩展

的任务系统。

2. 设计原则

• API 进程不直接执行长耗时后台任务。
• producer 写 job，consumer 领 job，scheduler 做恢复和补偿。
• claim 必须原子化，不能靠“先查后改”的竞态逻辑。
• 每个 job 类型都要声明：
  • 幂等键
  • 最大重试次数
  • 重试退避策略
  • 超时策略
  • 失败去向
• job payload 优先保存引用，不在数据库中塞超大对象。
• 所有任务都应具备 trace / log / metric 观测点。

3. 推荐工作流

1. 明确 producer、consumer、外部依赖和完成定义。
2. 画出 job 生命周期：
   • pending
   • claimed
   • running
   • retryable_failed
   • dead_letter
   • succeeded
3. 定义 claim / lease / renew / release / recover 规则。
4. 明确哪些错误可重试，哪些需要死信或审批。
5. 设计幂等边界：
   • 重复领取是否安全
   • 重复回调是否安全
   • 失败后重放是否安全
6. 明确观测字段：
   • job_id
   • run_id
   • trace_id
   • worker_id
   • attempt

4. PSOP 特殊要求

• Runtime Kernel 仍然是正式状态主权者；worker 只产生 observation/result。
• 高风险任务通过 Sandbox Manager 升级隔离，而不是把所有任务默认丢进 sandbox。
• 与 MCP Gateway、LLM Inference Gateway 相关的 job，必须保留 provider/tool 侧审计信息。
• 恢复逻辑要优先保证“不会错写正式状态”，再考虑吞吐。

5. 交付检查

• 是否有状态机说明。
• 是否说明了 claim 的原子性。
• 是否说明 lease 过期后的恢复策略。
• 是否说明重试与死信边界。
• 是否说明幂等键和观测字段。
• 是否说明 API / worker / scheduler / sandbox 的职责分层。