對話摘要 2026-08-12

---

description: 6 note(s) today. name: ‘2026-08-12’

• fastmcp name: hermes-fastmcp-azcli-ops description: 2026-08-12 三項工作：(1) Hermes 轉用 Auto Router（smart-router）完成——修正三個問題：Hermes 實際用緊 LiteLLM key alias qwenpaw-gpt4o（sk-wFu…）唔係 MEMORY 記錄嘅 sk-Momk，403 後先發現，已將 smart-router 加入 whitelist；smart-router 路由去 DeepSeek 唔支援 response_format JSON mode，title_generation 已 pin 去 azure-gpt-4o（token 量極細，Azure 成本可忽略）；restart 後 API_SERVER_KEY 由 stage2 自動生成新 key 並持久化喺 /opt/data/.env（93cf696e…），MEMORY 舊記錄 932fe5c 已失效。(2) FastMCP 升級 3.4.7（security patch，CIMD audience 修復，無破壞性變更）：requirements 更新 + push（commit 973217b），Dockhand deploy 完成容器 healthy，實測 fastmcp.version = 3.4.7，n8n「Self-Built Images Update Check」pinned 3.4.5→3.4.7（2 處 jsCode，用 PUT 更新），QwenPaw 排程 restart 重連 driver。(3) az-cli container（mcr.microsoft.com/azure-cli）23:06 建立但從未 run（created）已啟動，az 2.89.1 正常，登入狀態存 volume azure-cli-home，已應要求加 unless-stopped restart policy；排查確認 Azure credit 已用 $18.08/$200（9.04%、今日 $3.76、9/6 到期）、用量監控 workflow 每日 09:00+21:00 正常、server 無容器裝 az CLI。
• memory/2026-08-12/infra-and-tools-notes.md name: infra-and-tools-notes description: 當日多項工作：(1) Secret Redaction 令模型讀唔到 tool 返回嘅明文 secret，確立「搬 secret 值」規則——由 n8n/host script/工具封裝處理，LLM 只做決策唔經手值；現有 Vikunja Token 每日輪換就係 n8n（零 LLM）SSH host 行 rotate-vikunja-token.sh。(2) QwenPaw 收編 Gemini Notebook（NotebookLM 2026年7月改名）探討：冇公開 API/self-host；方案 A Open Notebook（Docker、18+ AI providers 可駁 LiteLLM、完整 REST API、podcast 1-4 speakers、需查 arm64）；方案 B 用現有 QwenPaw RAG；方案 C Edge-TTS 生成 podcast。未揀方向。(3) Blinko-Extention 已裝上 notebook Chrome（Web Store 或 load unpacked），API URL 用內網 http://172.21.0.78:1111/api/v1 繞過 CF Access；memo.benhoweb.com 打唔開係因 Cloudflare Access（Authentik）保護、未登入被 redirect；Auth Key 喺 Blinko 設定攞 Access Token；Alt+B 總結頁面/Alt+E 提取內容；用內網 URL 要 VPN keep 住連住。(4) MCP Gateway 研究：MCP Gateway 係中間代理層統一收 MCP servers 對外一個 HTTP endpoint；Cloudflare MCP Server Portals（Cloudflare One beta、免費 50 seats、Access+IdP 認證、OAuth、portal logs、shadow MCP discovery）vs Cloudflare AI Gateway（LLM 請求閘道，易混淆，2025年5月官方出 AI Gateway MCP server 3.9k stars，免費 tier 每月10萬 logs）；結論：單人自用維持 fastmcp+n8n MCP 已夠，多人多 agent 要安全管控先值得上 MCP Portal。(5) Hindsight 方案 B 已部署完成並啟用：ARM64 slim image ~500MB 駁 pg-main（PG18+pgvector 0.8.5）、LiteLLM LLM（deepseek-first）+ Embeddings（後期已換成本地 e5-large）、Reranker flashrank 本地、內建 MCP Server、Control Plane UI 喺 hindsight.benhoweb.com；部署時遇 401（Control Plane 連 dataplane API key 未對齊）同路徑 404，查官方 API 後解決；建 bank 方式係 PUT /v1/default/banks/{bank_id}；Health check 未開（要改 env）。(6) Hindsight 上線：已建第一個記憶庫 benho（Ben Ho 個人記憶庫，mission 記錄生活/技術/人物/事件、繁中回答）並存第一條真實記憶（用戶背景：香港/繁中/Oracle Cloud 基建 40+ 容器）；retain/recall/reflect 三條 pipeline 實測全通（deepseek-first 正常提取、自動拆 fact + 辨識 entity「Ben Ho(用戶)」、reflect 推斷用戶擅長自托管優化）。下一步選項待用戶揀：1 Hermes 日常自動記錄（已 MCP 接 Hindsight）、2 批量導入現有資料（MEMORY.md/Hermes 舊記憶/FNS raw/ 每日摘要）、3 QwenPaw 接入 fastmcp（hindsight retain/recall tools 共享記憶庫）、4 進階設定（consolidation/mental models/多 bank）；建議順序 3→2→4。（當日已做：批量導入完成、進階設定大部分完成，剩 mental model 未搞掂，見第10項）注意：預設 embeddings 係 BAAI/bge-small-en-v1.5（384 dims），換 CF bge-m3（1024 dims）要由零開始、日後換 model 要重 embed 所有 memories。(7) Hindsight consolidation 大量 error 修復：consolidation LLM 原用 deepseek-first 但 DeepSeek 唔支援 Hindsight 要求嘅 JSON Schema response_format（This response_format type is unavailable now），fallback CF 免費額度 10K neurons/日用晒且 CF 模型都唔支援 JSON Schema，每次失敗 retry 3-4 次燒 LLM call；觸發背景係全量搬 82 個歷史檔案產生 309 條 pending 記憶。修復：整合 LLM 改用 azure/azure-gpt-4o（支援 JSON Schema、每批約 8 秒），LiteLLM key whitelist 加權限、LiteLLM SDK 要 provider prefix 故 env 填 azure/azure-gpt-4o、改 repo compose + Dockhand env + deploy（撞 UNIQUE constraint 已修正）；Worker 唔 re-scan 舊 failed，手動重置 32 條失敗記憶經 manual consolidate 重跑。結果：pending 309→0、nodes 733→903、UI 唔再出 error。（此風險已解除，見第9項）(8) 本地 Embedding Server（.80）上線 + Hindsight 切本地 Embedding（完成）：原用阿里雲百煉 dashscope/qwen3.7-text-embedding 額度已爆；本地用 e5-large 多語言（intfloat/multilingual-e5-large）1024 維、實測 2.65s（首次含載入）/0.5s 出向量、container 4GB、重複 model 4.2G→2.1G。關鍵坑：fastembed 0.5.1 期望 cache 路徑 /models/fast-multilingual-e5-large/（GCS tar 結構），誤放 HF 結構 /models/intfloat/multilingual-e5-large/ 致每次 restart 重下載 1.31GB 卡 6+ 分鐘；fastembed 對 e5 行 HF snapshot_download，手動構建 HF snapshot cache（hardlink 慳空間）+ 覆蓋 symlink 成實際 file 後秒載入。切換步驟：LiteLLM 註冊 local-e5-large（dim 1024）、env 未注入要 recreate、PUT env 插新 row（environment_id=NULL）冇 UPDATE 舊 row（MEMORY 教訓重現，手動修正 DB）、403=key whitelist 冇 local-e5-large（已加）、Infisical 冇 HINDSIGHT_LLM_KEY 改 host 攞 Dockhand DB 值、host 冇 Docker DNS 用固定 IP、/retain 係 MCP tool 包裝（fastmcp call，實測 retain 200/0.53s/0 tokens chunks mode 零 LLM）。全鏈路：recall 語義 0.89；收編 Dockhand stack 74 + AdGuard client(.80) + MEMORY.md。最終：Hindsight 由 AI 呼叫到向量生成全部本地化，雲端只係 consolidation 用 Azure GPT-4o（每次 ~HK$0.15 可接受）；e5-large 仍係 1024 dims——注意：語義空間同 dashscope/bge-m3 唔同，舊 1081 條向量全部唔夾、recall 0，已 re-embed 完成（見第10項）。(9) Hindsight consolidation 由 Azure GPT-4o 轉 qwen3.8-max（免費 token plan 慳返 Azure credit）完成：踩兩個坑——① LiteLLM SDK 要求 provider prefix（tokenplan/qwen3.8-max 報「LLM Provider NOT provided」、底層係 openai provider + 阿里 token-plan endpoint，要註冊 openai/qwen3.8-max）；② SDK 拆 prefix 後 proxy 收到裸名 qwen3.8-max（error Tried to access qwen3.8-max），要註冊埋裸名 model 本身，whitelist 三隻名（tokenplan/qwen3.8-max、openai/qwen3.8-max、qwen3.8-max）都要加。關鍵操作：host 連唔到 Infisical、agent 攞會被 secret redaction 遮，改 host script docker exec litellm env 攞 master key 更新 whitelist；/model/aliases 404 改直接複製 DB model row 做 alias（加密 api_key 可複製、同一 master key 可解）；LiteLLM 要 restart 先 reload DB model；DB 有 env rows（API 顯示空係 API 問題）。最終設定 HINDSIGHT_API_LLM_MODEL=openai/qwen3.8-max，端到端實測通過（failed=0、pending=0、consolidated_recently=1）；Azure GPT-4o 唔再被 consolidation 消耗，第七節風險解除。(10) Hindsight 收尾（2026-08-12）：1081 條記憶 re-embed 完成（sim 0.89+，「Dockhand」9 hits、「Hindsight」3 hits、「技術決策」7 hits），真正 recall endpoint 係 /memories/recall、新增記憶係 POST /memories；Webhook→Telegram 管道搭建完成（webhook-forwarder 加 /hindsight route 方案 C 採用，因 Hindsight 有 SSRF protection 唔准 call 內網 n8n、n8n adapter 方案放棄；Hindsight payload 用 event/data 欄位唔係 event_type，格式化修正後全鏈路 200、Telegram 收靚格式通知）；進階功能全部設定好——Directives 3 條（只記事實/避免重複記每日筆記/唔記同步操作）、Webhook 自動推 Telegram、Export 一鍵 JSON 備份、Entities Graph 299 實體/1000 關係；唯一未搞掂：Mental Model（技術決策模式）因 qwen3.8-max thinking mode 唔支援 tool_choice=required、agentic reflect 失敗留空，已知限制唔阻 core 功能；測試資料已清理（7 條 test 記憶用 tags filter + 批量 DELETE 刪除，total 1085）、n8n workflow uGWXeXyYIFEK2Gnw 已刪、MEMORY.md 已更新。(11) 506 條 pending consolidation 大清理（晚間，見第十一節）：真正樽頸唔係 e5-large embed（實測 batch 8 只需 0.8-6.5s，根本唔慢）而係 qwen3.8-max Token Plan 1 週 quota 爆咗（8/16 07:39 UTC 先 reset，連 QwenPaw 都 429），每 call timeout 600s 無限 retry 卡死；雲端 embedding 全滅——dashscope 帳戶被封（Access denied, account not in good standing，免費額度爆）、CF bge-m3 429、NVIDIA nemotron 0.19s 快但 2048d 入唔到 vector(1024) column；最終臨時方案：consolidation LLM 用 Azure gpt-4o（快 3-12s/batch、支援 JSON Schema，再撞「LLM Provider NOT provided」照 MEMORY 方法 copy model row 做 azure/azure-gpt-4o alias）+ local e5-large embed（唯一可用），並行優化 env CONSOLIDATION_RESERVED_SLOTS=4（HINDSIGHT_API_WORKER_CONSOLIDATION_RESERVED_SLOTS，default 2）+ CONSOLIDATION_LLM_PARALLELISM=2（Azure 50K TPM 限制）；手動重置 82 failed + 觸發 op 2923cf12 後 ~50 分鐘清晒 506 條（pending 0、nodes 563→817 +254 observations、recall 正常，0 hits 係 parse 錯 key、response 用 results 欄位）；qwen3.8-max 8/16 quota reset 後可換返（已同用戶講）。
• memory/2026-08-12/memory-slimming-archive-20260812.md
• memory/2026-08-12/n8n-workflow-builder-skill.md name: n8n-workflow-builder-skill description: 建立並收編 n8n-workflow-builder skill（已 approve 2026-08-12）：內含十大鐵律、標準流程、batch JSON build-workflow.json（3 steps：建 credential → 建 workflow+activate → 建 tag+插表）、3 個 helper scripts（get_n8n_api_key.py / create_http_header_cred.py / tag_workflow.py）全部實測通過。關鍵坑位：n8n 要攞第二個 API key（第一個 401）；新版 credentials API 返回冇 data wrapper（直接 object）；workflows_tags 表 columns 係 workflowId+tagId（camelCase）；tags 表實名 tag_entity；用 psycopg2 直連 pg-main 代替 SSH+docker exec。測試資料（TEST-skillcheck2/3、tag wgAZpOEcUzMNjtBQ）已清理。同晚另記錄：Hermes config 由 azure-gpt-4o 轉 smart-router（litellm:4000/v1）——實際 key alias 係 qwenpaw-gpt4o（sk-wFu，非 sk-Momk）已加 whitelist、auxiliary.title_generation pin 返 azure-gpt-4o（JSON mode 400 問題）、API server key restart 後更新並持久化喺容器 /opt/data/.env（93cf696e…）；另向 user 解釋 Cloudflare OS（2026-08-05 開源嘅 AI agent 平台，Workers+Durable Objects、Gatekeeper 安全模型、early-access）。
• memory/2026-08-12/oracle-adb-pause-keepalive.md name: oracle-adb-pause-keepalive description: Oracle Always Free 政策：ADB 連續 7 日 idle 自動暫停、60 日 idle 永久回收。2026-08-12 收到 Oracle email，aivspoc23（AI-Vector-PoC-23ai，8/4 由 aivspoc clone 嘅測試庫）因從建後無 activity 被暫停，reclamation deadline 2026-08-18。已用 OCI CLI resume（啟動歷時約 26 分鐘回 AVAILABLE）、生成 DB2 新 wallet、寫 keep-alive script（ADMIN + wallet_password，密碼 K3epAl1ve!2026，每日 SELECT 1），併入每日 07:40 mirror workflow 一齊執行並已 publish。重要教訓：DB2 冇 AGENT_MEM 用戶（ORA-01017），必須用 ADMIN + wallet_password 連線；sync script 一直用 ADMIN 所以 DB1 每日 mirror 正常。同日另為每晚 23:55 Hindsight 每日 sync workflow 加成功/失敗通知：script 改為失敗時 exit 1 + 每步 log（/home/opc/scripts/hindsight-sync.log），n8n 加 IF node + Telegram 通知（成功 ✅ / 失敗 ⚠️ 連錯誤內容），SSH node onError=continueErrorOutput，通知管道已實測。aivspoc 主庫正常。用戶可考慮刪除 aivspoc23 釋放 Always Free 名額（需要時可再 clone）。
• memory/2026-08-12/season-group-stuck-session-unlock.md name: season-group-stuck-session-unlock description: 2026-08-12 Season Telegram 群組（telegram:-5572953387）session e9aaf890 卡死 running 44+ 分鐘冇回應，阻擋新訊息（與之前群組卡死相同問題：舊 turn 未結束）。第一次 stop 返回 {“stopped”:true} 但 session 其實未轉 idle，第二次 stop 先成功，兩個 session 轉返 idle。教訓：stopped:true 唔等於 idle，stop 後必須 re-check chats list 驗證 status；未 verify 前唔好報成功。已更新 AGENTS.md「subagent / 群組 session 卡死診斷」規則及 reflections/2026-08-12.md。待查項：watchdog（每 10 分鐘）今次冇自動解鎖 Season 群組（running 44 分鐘都冇郁），要查 watchdog 點解漏咗群組 session。

2026-08-12 後續（Blinko SSO + 權限）

• memo.benhoweb.com SSO（Authentik）登入成功——之前「打唔開」只係未登入被 redirect，唔係故障。
• 發現 Blinko 兩個帳號：id=1 本地 superadmin（Ben Ho）/ id=2 oauth 普通 user（SSO 自動 create 新帳號，唔 link 現有）。
• 用戶揀方案 A：已執行 UPDATE accounts SET role='superadmin' WHERE id=2，兩個帳號都係 superadmin。

Oracle ADB aivspoc23 idle pause 事件（2026-08-12 ~11:00）

• 收到 Oracle Email：Always Free ADB 因 7 日 idle 被自動 pause
• 中招：DB2 aivspoc23（8/4 由 DB1 clone，無日常活動）STOPPED；DB1 aivspoc AVAILABLE 正常
• Resume：oci db autonomous-database start --autonomous-database-id <ocid>（OCI key 夠權限；~26 分鐘先 AVAILABLE）
• 生成 DB2 新 wallet：/home/opc/aivspoc23-wallet/（wallet pw K3epAl1ve!2026，admin pw 同 DB1）
• Keep-alive：/home/opc/scripts/keepalive_aivspoc23.py（ADMIN + wallet_password 必須；AGENT_MEM 喺 DB2 唔存在 ORA-01017）；實測 KEEPALIVE_OK
• 已併入 n8n mirror workflow M1eNKjFGrLAW8Fb7 每日 07:40 後執行並 publish
• 🔴 Oracle 政策：ADB 7 日 idle → pause；60 日 idle → 永久回收（time-reclamation-of-free-autonomous-database）
• 用戶可考慮：DB2 若無用途可刪除（Always Free 名額釋放）

Hindsight 修復（2026-08-12 下午，用戶話「由你決定,解決Hindsight呢個問題」）

• 根因1：embeddings 用 CF bge-m3（免費 10K neurons/日）→ 額度用晒 → 429 + dim mismatch crash
• 根因2：retain pipeline 嘅 LLM fact extraction（deepseek-first 唔支援 response_format + free-first 撞 CF 額度）→ 成日 120s 超時 / 0 units
• 修復：
  1. LiteLLM 加 dashscope/qwen3.7-text-embedding（1024 維，用戶 Qwen key）→ 實測 dim 1024 ✅
  2. Hindsight LiteLLM key（sk-rYmikhWfZ…）whitelist 加新 model
  3. Dockhand stack 73 env：HINDSIGHT_API_EMBEDDINGS_LITELLM_MODEL=dashscope/qwen3.7-text-embedding
  4. bank-level PATCH retain_extraction_mode=chunks（zero-LLM，skip fact extraction）——global env 唔夠，bank record 先係決定性
  5. GitHub oracle-arm-stacks commit 8c70c28：compose 加 RETAIN passthrough
• 驗證：retain operation completed（unit_ids_count=1, retry 0, tokens 13）；DB memory_units count(embedding)=2 ✅；測試資料已清
• 教訓：① Dockhand PUT env 只加 DB row，compose 冇 ${VAR} 唔注入（deploy 會 skip recreate）；② Hindsight extraction mode 係 bank-level，新 bank 要再 PATCH

2026-08-12 傍晚：本地 Embedding Server 上線

• 問題：Hindsight embeddings 用緊 dashscope/qwen3.7-text-embedding，阿里雲百煉免費額度已爆（「余量不足186.249千tokens」警告）。
• 方案 A 落地：自建 embedding-server（.80，stack 74）：
  • fastembed 0.5.1 + intfloat/multilingual-e5-large（1024-dim，多語言）
  • 關鍵教訓：fastembed 0.5.1 對 e5 係行 HF snapshot_download（唔係 GCS tar）——cache 必須係 models--qdrant--multilingual-e5-large-onnx/snapshots/<sha>/ + refs/main 結構；放喺 fast-multilingual-e5-large/（GCS 結構）會令每次 restart 重新下載 1.31GB 卡死（實測卡 6+ 分鐘）。手動構建 HF snapshot cache 後秒 load（2.6s）。
  • mem_limit 2g → 4g（e5-large onnx 2.24GB）
• LiteLLM 註冊 local-e5-large（model=openai/text-embedding-3-small + api_base=http://embedding-server:8000/v1）→ 實測 dim 1024。
• Hindsight 切換：HINDSIGHT_API_EMBEDDINGS_LITELLM_MODEL = dashscope → local-e5-large。
  • ⚠️ Dockhand PUT env 只插新 row（environment_id=NULL）唔 UPDATE 舊 row——要手動 UPDATE stack_environment_variables SET value=... , environment_id=1（MEMORY 教訓重現）。
  • ⚠️ Hindsight 個 LiteLLM key 有 model whitelist——新 model 要 POST /key/update 加（403 Forbidden 之謎）。
• ✅ 全鏈路驗證：retain 0.53s / 0 tokens（chunks mode + 本地 embedding 零 LLM）→ recall semantic score 0.89。
• 收編：stack 74（buildOnDeploy）、AdGuard client .80、MEMORY.md 已更新。
• 測試 memory 83e31164 留低咗（API 唔支援 DELETE /memories/{id}）。

2026-08-12 夜晚：Hindsight 全管道本地化完成

• embedding-server 修復（用戶報告 unhealthy）：
  • 元兇：model.embed() 係 sync blocking call，喺 FastAPI async handler 入面跑會 block 成個 event loop → /health 答唔到 → healthcheck fail → unhealthy。
  • 修復：run_in_executor(ThreadPoolExecutor(max_workers=2)) 包住 embed（commit e4ab86d）。
  • 實測：batch 60 = 50s（之前 102.5s）、health 全程 OK。
• Hindsight timeout 240 → 600（3 個 LLM_TIMEOUT env，Dockhand stack 73；⚠️ PUT env 又係插新 row 唔 UPDATE 舊 row，要手動 DELETE NULL rows + UPDATE environment_id=1）。
• MEMORY.md（53KB）retain 成功：122s（之前 500 error @180s——embedding 慢 + timeout 240s 唔夠）。
• 生產 sync script 修正：sync_qwenpaw_to_hindsight.sh python timeout 120 → 300（否則每晚 23:55 會 FAIL memory）。
• 現況：nodes 905 → 979（MEMORY.md +74），pending_consolidation 35 由 azure-gpt-4o worker 自動消化（$0.02/條）；failed ops 2 個係頭先 500 error 遺留（API 唔俾刪 failed ops，無害）。
• 每日 sync 全管道（n8n 23:55 → script → Hindsight retain 本地 embedding → consolidation azure）驗證通過。

Hindsight consolidation 轉 qwen3.8-max（2026-08-12 晚）

決定：用戶授權「由你決定點做」→ 將 Hindsight consolidation LLM 由 Azure GPT-4o 轉去 qwen3.8-max（token plan 免費額度，慳 Azure credit）。

踩坑過程（重要教訓）：

1. Hindsight key whitelist 冇 qwen3.8-max → 403 → POST /key/update 加 tokenplan/qwen3.8-max ✅
2. 直接設 HINDSIGHT_API_LLM_MODEL=tokenplan/qwen3.8-max → 「LLM Provider NOT provided」——litellm SDK 要 provider prefix（同 azure 教訓一樣）→ 註冊 openai/qwen3.8-max（DB copy tokenplan 嗰行，加密 params 可直接複製）
3. /model/aliases 同 /model/reload endpoint 都 404（版本唔支援）→ 改 DB 後要 docker restart litellm
4. 設 openai/qwen3.8-max 之後仍然 403「Tried to access qwen3.8-max」——litellm SDK 會拆 provider prefix，proxy 收到裸名 → 要註冊埋裸名 model qwen3.8-max + whitelist 加埋
5. 最終：3 個 model 名（tokenplan/qwen3.8-max、openai/qwen3.8-max、qwen3.8-max）都喺 LiteLLM + whitelist；env HINDSIGHT_API_LLM_MODEL=openai/qwen3.8-max → 端到端 consolidate 測試通過（failed=0, pending=0, consolidated_recently=1）

而家狀態：

• consolidation = qwen3.8-max（免費 token plan，JSON Schema ✅）
• Azure GPT-4o 唔再被 consolidation 消耗（credit 慳返）
• azure-credit-check workflow（5PCjZpiYEgvyZHgX）仍會每日 check，但 switch 返 deepseek 嘅後果已唔再影響 consolidation（consolidation 唔用 deepseek）
• MEMORY.md 已更新（Hindsight section）

Hindsight 進階功能設定完成（晚上）

用戶問「Hindsight 全部嘅設定」+「最新情況」→ 完整設定進階功能：

1. Directives（3 條）：fact-only、避免重複記每日筆記、唔記同步操作
2. Webhook：retain.completed → Telegram。踩坑：
   • 最初指向 webhook-forwarder /telegram → 400（payload 冇 text/message field）
   • 試 n8n adapter workflow → Hindsight SSRF 擋內網 IP（Webhook host 'n8n' resolved to disallowed address）
   • 最終方案：webhook-forwarder worker.js 加 /hindsight route（格式化 Hindsight event → Telegram），deploy 後全鏈路 200 ✅
3. Export：記憶+設定 JSON 備份
4. Entities graph：自動運行（299 nodes/1000 edges）
5. Mental model「技術決策模式」：refresh 失敗——qwen3.8-max thinking mode 唔支援 tool_choice=required → content 空（已知限制）

重要發現/教訓：

• Recall 正確 endpoint：POST /memories/recall（唔係 /recall）——之前 0 hits 有一半係 call 錯 path
• Retain：POST /memories（items array）；DELETE：DELETE /memories（memory_ids array）
• Recall query 用單一具體詞（多詞 AND 0 hits）
• 切 embedding model 必須 re-embed 舊 vector——re-embed 1081 條後 recall 正常（sim 0.89+）
• 刪咗 7 條測試記憶，保留真實記錄
• n8n 建 workflow 教訓重溫：active read-only 要建完再 activate；tags 要直插 DB（camelCase quote）

MEMORY.md 已更新（Hindsight section 加進階功能 + endpoint 正確 path + re-embed 教訓）。

🔴🔴 Hindsight 誤刪全部記憶事件（2026-08-12 上午）

事故：用戶報告「而家冇晒記憶」——查 DB memory_units=0。 根因：我頭先刪測試記憶用 DELETE /v1/default/banks/benho/memories body {"memory_ids":[...]}——但呢個版本 DELETE /memories 係 clear_bank_memories（清空成個 bank），body 被忽略！audit log 實錘 clear_memories action（10:19:12）。之前 MEMORY.md 記錄「刪記憶 = DELETE /memories body memory_ids」係錯——根本冇 delete-by-id endpoint（grep source 確認只有 clear_all）。 雪上加霜：Hindsight 係 8/12 今日先部署 → 05:00 pg backup 冇 hindsight db → 冇 backup 可 restore（dump 只有 authentik/blinko/n8n 等，冇 hindsight section）。

恢復：

1. embedding-server 塞死（單條 embed 50s+，Hindsight retain timeout）→ docker restart embedding-server 復原
2. 根因：Hindsight HINDSIGHT_API_EMBEDDINGS_OPENAI_BATCH_SIZE default 100，對本地 e5-large 太慢（~80s+ 爆 LiteLLM timeout）→ compose 加 passthrough（GitHub commit c1310e4）+ Dockhand env=20 + deploy ✅
3. 重新 import：scripts/import_hindsight.py（19/19 成功）+ scripts/import_hindsight_archive.py（83 檔全入，timeout 批次其實 server 端有處理完）
4. Dedup：DELETE 474 duplicate units（跑咗兩次 script 造成）→ 563 unique units / 148 docs
5. Recall 驗證：「Dockhand」→ 2 hits（semantic 0.78）✅（注意 recall response field 係 results 唔係 memories/items！）
6. consolidation worker 自動跑緊（log 顯示 76 memories processing）

教訓（已入 MEMORY.md）：

• DELETE /memories = clear-all，唔接受 body；冇 delete-by-id endpoint；想刪單條唯一安全做法 = 清空後 re-import（源材料保留喺 scripts/）
• Hindsight 今日先建 → 05:00 backup 未涵蓋 → 誤刪冇 backup；新服務部署後要諗 backup 覆蓋時機
• embed batch 100 → 20（大 batch 對本地 e5-large 爆 timeout）
• embedding-server 塞死診斷：單條 embed >50s = 積壓 → restart 清 queue
• recall response field 係 results（含 scores.final/semantic/keyword），唔係 memories/items

2026-08-12 深夜：Auto Router Phase 1 正式開始（smart-router）

• 正式版 smart-router 已建（LiteLLM DB model_id 7a24a606-8995-4c02-985d-13c2892894ff），取代已刪嘅 test-smart-router（ebc969ee）。
• Tiers：SIMPLE→deepseek-first / MEDIUM→free-first / COMPLEX→deepseek-first / REASONING→azure-gpt-4o；default=deepseek-first；weighted_scores；max_num_tokens=8000。
• Baseline 測試（8/12 22:21 + host 3 輪）：分類行為穩定——T1/T2/T4/T5/T6/T7→deepseek-v4-flash、T3→gemini（free-first shuffle：有時 gemini-3.1-flash-lite $1.2/M、有時gemini-3-flash-preview$2.9/M、試過 llama-3.1-8b 500 error）、T8→azure/gpt-4o（REASONING ✅）。
• 每日統計 n8n workflow NMyJ5M0VOpjWNfZb「Auto Router 每日統計 v3」（tag QwenPaw，每日 23:55 HKT，已 activate）：
  • Schedule → Code A（日期+prompts）→ HTTP Spend Logs（GET litellm /spend/logs，LiteLLM Master credential F4XjoAiFhE4Q7doX，URL 用 = 前綴 + date 格式 YYYY-MM-DD）→ Code B（精確 HKT 時段 filter + 統計 + 輸出 8 shadow prompts per-item）→ HTTP LLM Call（8 次 smart-router calls，jsonBody 用 = 前綴 expression，options.response includeHeaders 攞 x-litellm-model-name）→ Code C（組 Telegram text）→ HTTP Telegram（webhook-forwarder /telegram）
  • 統計：reqs/tokens/spend/by-model/avg_dur/errors + baseline（全 deepseek-v4-flash，用 smart-router 內 deepseek 均價 $0.227/M fallback）+ save_pct
  • 測試執行 9346 success ✅（Telegram 已收到）；Webhook 測試 node 已移除
• 踩坑記錄：① n8n Code node sandbox 唔支援 fetch / require(‘http’)——HTTP 一律用 HTTP Request node；② Code node 唔支援 $credentials——key 用 httpHeaderAuth credential + node parameters authentication: genericCredentialType + genericAuthType: httpHeaderAuth；③ n8n 4.x HTTP node URL/jsonBody expression 要 = 前綴；④ LiteLLM /spend/logs 只接受 YYYY-MM-DD 日期（ISO 8601 會「unconverted data remains」），精確過濾喺 Code 做；⑤ SSH node 只支援 sshPassword credential（host 係 key-only，撞牆），放棄 SSH node 方案；⑥ n8n credential 解密唔 work（新格式），建新 credential 直接用 qwenpaw SSH key 都唔收（sshPassword 冇 privateKey 字段）。
• Host script /home/opc/scripts/auto-router-shadow.py（+env /home/opc/scripts/auto-router.env）保留做手動工具；stats.jsonl 喺 /home/opc/auto-router-stats/（今日已寫 3 條 baseline）。
• 今日數據（27 reqs）：spend $0.006601vsbaseline$0.001822 → save_pct -407%（蝕）——因為測試 set 有大量 MEDIUM/REASONING（gemini/azure 貴）；真實 workload 以 SIMPLE 為主時會慳。呢個就係 Phase 1 要每日記錄比較嘅嘢。

n8n-workflow-builder skill 收編（2026-08-12 深夜）

• 用戶批准 make-skill 提案 → materialize_skill 建立 n8n-workflow-builder skill（workspace skills/，已 enabled）
• 內容：十大鐵律（Watchdog/Auto Router 兩次實戰坑）+ 標準流程 + batch JSON + 3 個 helper scripts
• Helper scripts（全部 py_compile + 實測通過）：
  • get_n8n_api_key.py：攞 n8n API key——⚠️ 要攞最後一個 key（第一個 MCP Server key 會 401，MEMORY 教訓「第二個 key 先 work」）
  • create_http_header_cred.py：建 httpHeaderAuth credential——⚠️ n8n 新版 API 返回冇 data wrapper（直接 object），舊版先有
  • tag_workflow.py：建 tag（POST /api/v1/tags）+ psycopg2 直連 pg-main 插 workflows_tags（camelCase columns workflowId/tagId，character varying）——唔使 SSH
• Batch build-workflow.json：3 steps（建 credential → 建 workflow+activate → 建 tag+插表），step 2 輸出 WORKFLOW_ID 由 step 3 grep 抽
• 實測驗證：credential 建+刪（TEST-skillcheck 系列已清理）、tag 建+刪（skillcheck-test tag wgAZpOEcUzMNjtBQ 已清理）
• qwenpaw skills list CLI 冇 output（容器內 CLI 問題），skill 目錄存在於 32 個 skills 中

2026-08-12 晚：BigCapital 完整刪除 ✅

用戶要求「完整地刪除」BigCapital（已唔用）。已完成：

• Containers：bigcapital-webapp/migration/server/mysql/gotenberg 5 個全刪
• Volume：bigcapital_mysql_data 刪除
• Dockhand：stack 64 + repo 3（shinggo8000/bigcapital fork record）刪除；env 殘留 0
• Redis：db0 flush（44 keys → 0）
• CF：DNS record account.benhoweb.com 刪除
• AdGuard：4 個 bigcapital clients 刪除
• list-site：BigCapital 收錄移除（commit 6737581，CF Pages 自動 rebuild）
• n8n：workflow eCBKKj4HYXgdITNh（BigCapital Release Check）刪除
• fastmcp：bigcapital_status tool 移除（oracle-arm-stacks commit 59a3b9e，sync+deploy stack 56 成功，容器 healthy 已驗證）
• backup script：移除 bigcapital_mysql_data 備份行（backup-to-r2.sh line 64）
• MEMORY.md：4 處更新（IP 表 .61/.62/.63/.65 釋放、Redis db0 標空、n8n 清單移除、BigCapital section 刪除）

需要用戶手動（權限不足）：

1. CF Access app d2eb0e0c + policy ba964003 刪除（account.benhoweb.com Access）——現有 tokens 都冇 Access:Edit（10405）
2. GitHub fork shinggo8000/bigcapital 刪除——ghp_SCev... token 冇 delete_repo scope（403）