aether-status

name	aether-status
description	聚合查询 Aether 集群和服务状态。整合 Nomad 节点、Job、Allocation 和 Consul 服务健康信息。 支持查看失败 allocation、最近部署、日志等详细信息。 使用场景："查看集群状态"、"检查服务是否正常"、"查看失败的 allocation"、"查看最近部署"、"查看服务日志"
argument-hint	[service-name] [--failed] [--recent] [--logs] [--watch]
disable-model-invocation	false
user-invocable	true
allowed-tools	Bash
dependencies	{"cli":{"required":false,"note":"可直接通过 Nomad/Consul API 查询，无需 CLI"}}

Aether 状态查询 (aether-status)

版本: 2.0.0 | 优先级: P0

核心原则

调查优先，不是清单。 异常信号是入口，不是终点。发现一个问题时，追踪到根因再停。

• 不要停在计数层面（"3 个 critical"）—— 查看每个 critical 的 Output 内容
• 不要停在 Consul API 层面 —— 验证 Raft 共识、Serf 成员、DNS 解析
• 不要停在 Allocation 状态 —— 检查 TaskStates 事件链、退出码、资源使用
• 发现负载不均时 —— 计算每个节点的精确分配率百分比，不只说"不均衡"

---

集群拓扑（查询前必须理解）

Infra 层 (192.168.69.70-72): Nomad Server + Consul Server + dnsmasq
  → .service.consul DNS 解析依赖这 3 台 dnsmasq
  → Consul Raft 共识在这 3 台之间

Heavy 节点 (heavy-1/2/3, 192.168.69.80-82): Docker workload
  → 所有容器服务运行在此
  → node_class = heavy_workload

Light 节点 (light-1~5, 192.168.69.90-94): exec only
  → 仅运行 exec driver 任务，无 Docker
  → node_class = light_exec，空闲是正常状态

---

调查信号映射

发现以下信号时，按箭头方向深入：

信号	调查方向
Allocation failed	→ TaskStates 事件链 → 退出码 → 区分 OOM / image pull / crash loop / port conflict
Consul health critical	→ 查看 Check Output 具体内容 → 区分 connection refused / timeout / 500
节点负载 >80%	→ 列出该节点所有 alloc 的资源分配 → 标注 Warning；>95% 标注 Critical
同一 Job 反复失败	→ 检查是否每次在同一节点 → 节点级 driver/disk/OOM 问题
同一节点集中失败	→ 检查 Docker driver 状态、磁盘空间、dmesg OOM 记录
Nomad running + Consul 0 passing	→ Phantom alloc (Issue #12): 检查 TaskStates.State 是否 dead
部署后服务降级	→ 对比前后 Job spec 版本差异（镜像、资源、count）
Consul 不可达	→ 不只报错，主动验证 Raft leader / Serf members / DNS 8600 / KV store

---

输出要求

严重度分级（必须使用）

级别	定义	示例
Critical	用户可感知的服务中断	alloc 全部 failed、Consul 0 passing、端口不可达
Warning	降级但可用	部分 alloc pending、节点负载 >80%、单点故障风险
Info	潜在风险	资源分布不均、历史失败记录、配置非最优

可行动建议（必须具体）

不要只说"建议增加资源"。给出具体内容：

• HCL stanza 示例（constraint/spread/affinity/resources 的具体值）
• 迁移计划：before/after allocation 分布表
• 操作命令：nomad alloc stop、nomad node drain、具体 job run 命令

---

查询入口

• 无参数: 集群全局健康 — 节点、Job、Allocation、Consul、资源
• <job>: 单服务深入 — 元信息、镜像、alloc 分布、Consul 实例、部署历史
• --failed: 失败 alloc 根因分析 — 事件链、模式识别、资源相关、镜像问题
• --recent: 近期部署时间线 — 版本变更、失败/回滚标注、spec diff
• --logs: 日志获取 — running + failed alloc 的 stdout/stderr，错误模式识别
• --watch: 持续监控 — 每 5 秒刷新，连续 5 次失败自动退出

---

Consul 深度检查（不要跳过）

对 Consul 不要只看 /v1/health/state/critical 的计数。始终覆盖：

• Raft 共识: GET /v1/status/leader + GET /v1/status/peers → leader 是否稳定，3 voter 是否一致
• Serf 成员: GET /v1/agent/members → 所有节点是否 alive，有无 failed/left
• DNS 解析: dig @192.168.69.70 <service>.service.consul → 验证 dnsmasq 转发链路
• 健康检查详情: GET /v1/health/service/{name} → 读 Check Output，不只看 Status

---

降级策略

• Nomad 可达 + Consul 不可达: 展示 Nomad 数据，同时主动诊断 Consul 为何不可达（Raft? Serf? 网络?）
• 双不可达: 报错 + 建议 /aether:setup --show 确认配置

---

前置条件

执行前需要 Aether 集群配置。读取 .aether/config.yaml 或 ~/.aether/config.yaml 中的 cluster.nomad_addr 和 cluster.consul_addr。未配置时提示运行 /aether:setup。