本文数据来自本机 2026-11-21 的巡检脚本与三次直跑输出,命令、数字、退出码均为原文,可复跑。解释器路径、库路径、账号与内网信息已泛化为 <user> / <agent-sandbox> / ~/.<runtime>/governance/audit.db。

一、现象:同一个脚本,两种结论

我有一条只读巡检脚本,每轮跑九段。段9 是 AUDIT,其中一行做 AUDITDB 对账:拿当天 00:00 到次日 00:00 的时间窗,只读打开本地治理库 audit.db,按 decision 分组数 ask / deny,再和日志侧解析出的 deny 数比差值。这一行是 print-only——不写行、不参与 FAIL 判定。

生产侧每天多轮,日志里长这样。11-20 的两行:

1
2
[INFO] AUDITDB ask=8 deny=6 diff=log_resolved(8)-db_deny(6)=2 (print-only; not FAIL)
[INFO] AUDITDB ask=12 deny=10 diff=log_resolved(11)-db_deny(10)=1 (print-only; not FAIL)

11-19 也是数字:

1
[INFO] AUDITDB ask=22 deny=19 diff=log_resolved(22)-db_deny(19)=3 (print-only; not FAIL)

我在 agent shell 里复跑同一条脚本:

1
[INFO] AUDITDB unavailable (print-only; not FAIL)

同一个文件、同一份库、同一天。一边有数,一边 unavailable。没有异常退出、没有 FAIL、没有 traceback,整轮巡检照样 PASS。

这就是这次事故的形状:它不是崩溃,是一行长得像正常输出的 INFO。

二、误诊:三天里我一直在查错的东西

第一天:怀疑库

推理很顺:生产侧有数,说明数据源没坏;数据源没坏,那问题必然在我这一侧的读取链路上。于是查 audit.db 的路径展开、查 file:...?mode=ro 的只读 URI 写法、查是不是有别的进程占着锁。

结论:路径对,只读能打开,无锁冲突。

第二天:怀疑脚本

换个方式读同一个库(命令行客户端)是能读的,于是判断"脚本写错了",回去读调用点。调用点是这样的:

1
2
3
4
5
6
7
8
$dbCode = 'import sqlite3,sys,os,datetime,zoneinfo; d=datetime.date.fromisoformat(sys.argv[1]); z=zoneinfo.ZoneInfo("Asia/Shanghai"); ...'
$dbB64  = [Convert]::ToBase64String([Text.Encoding]::UTF8.GetBytes($dbCode))
$dbOut  = @(& python -c "import base64;exec(base64.b64decode('$dbB64'))" $today 2>&1)
if ($dbOut -match '^AUDITDB ask=(\d+) deny=(\d+)$') {
    # 拼差值、打印正常行
} else {
    Write-Host '[INFO] AUDITDB unavailable (print-only; not FAIL)'
}

三个细节凑在一起,把证据烧干净了:

  1. 真正的 Python 代码被 base64 包了一层,读脚本时看到的是一串 b64,zoneinfo.ZoneInfo("Asia/Shanghai") 藏在里面,肉眼扫不到。
  2. 2>&1 把 stderr 全部收进 $dbOut 变量——traceback 确实在变量里。
  3. 下游正则只认 AUDITDB ask=N deny=M 一行;匹配不上就打成 unavailable。整段 traceback 一次都没被打印。

证据在手上,被自己的日志格式吃掉了。 这也是为什么它能躺三天:每一轮巡检都只是在输出一行"不可用",没有任何一行字告诉你为什么不可用。

第三天:怀疑那个词

开始怀疑 python 这个词本身。跑一句:

1
python -c "import sys;print(sys.executable);print(sys.version)"

打印出来的路径不是我脑子里那个安装包路径。三天里唯一没被检查的变量,是"我以为这台机器上只有一个 python"。

三、证伪:两条互相独立的数据源

误诊的根子是只有一个观测点。所以修的第一步不是改代码,是造第二个观测点,而且两个必须互相独立——一个回答"谁在跑",一个回答"差别是不是就是原因"。

3.1 数据源 A:解释器指纹

1
2
3
4
5
6
7
8
9
$py  = "C:\Users\<user>\...\Python312\python.exe"     # 生产侧
& $py -c "import sys;print(sys.version);print(sys.executable)"
& $py -c "import importlib.util as u;print('tzdata:', u.find_spec('tzdata') is not None)"
& $py -c "from zoneinfo import ZoneInfo;print(ZoneInfo('Asia/Shanghai'))"

$py2 = "<agent-sandbox>\python\python.exe"            # agent 沙箱
& $py2 -c "import sys;print(sys.version);print(sys.executable)"
& $py2 -c "import importlib.util as u;print('tzdata:', u.find_spec('tzdata') is not None)"
& $py2 -c "from zoneinfo import ZoneInfo;print(ZoneInfo('Asia/Shanghai'))"

结果:

解释器 版本 tzdata ZoneInfo("Asia/Shanghai")
生产侧 3.12 有,2025.3 正常返回
agent 沙箱 3.13.18 无 抛异常

机制不复杂:Windows 上的 zoneinfo 没有系统时区库可读,ZoneInfo("Asia/Shanghai") 只能回退到 tzdata 这个 pip 包;包里没有对应 key,就先抛 ModuleNotFoundError,再抛 ZoneInfoNotFoundError。同一段代码在 Linux 上常常撞不见这个问题,因为 /usr/share/zoneinfo 在那儿。

3.2 数据源 B:同一段代码 × 两种解释器 × 改前改后

把 base64 里那段代码原样解出来,不 mock、真读库,三个场景直跑,同一天、同一份库:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
===== BEFORE: original code on sandbox python 3.13.18 (no tzdata) =====
RC=1
ModuleNotFoundError: No module named 'tzdata'
...
zoneinfo._common.ZoneInfoNotFoundError: 'No time zone found with key Asia/Shanghai'
MARK=unavailable FALLBACK=N

===== AFTER: fixed code on py -3.12 (tzdata 2025.3) =====
RC=0
AUDITDB ask=14 deny=11
MARK=ok FALLBACK=N

===== AFTER: fixed code on sandbox python 3.13.18 (no tzdata) =====
RC=0
FALLBACK +08:00
AUDITDB ask=14 deny=11
MARK=ok FALLBACK=Y

为什么非要两条:

  • 只有 A,可以反驳一句"环境不同,不代表会影响结果"。
  • 只有 B,可以反驳一句"也许变的是别的东西"。

两条摆在一起,“解释器"这个变量就被钉死在同一分钟、同一份库、同一段代码上:换解释器,结论从 unavailable 变成 ok;不换解释器,改前改后同一把解释器结果稳定。

而生产侧那几天的日志一直有数(A 也证明它有包),所以"生产坏了"这个前提从第一天起就不成立。真正被搞错的是这一点:我用来判断生产的那条复跑命令,压根没跑在生产的环境里。

四、修法:为什么是回退,不是装包

最省事的方案是给沙箱解释器装个 tzdata。没选它,四条理由按重要性排:

1. 装包修的是现场,不是代码。 沙箱解释器的路径由宿主管理,版本随宿主升级,用户既没权限也不必往里装东西。今天装上了,宿主换一版就没了;换台机器又要再来一遍。这是"每次出事都要人肉修一次"的方案。

2. 装包把隐含前提藏得更深。 真正的缺陷是脚本把"环境里必须有 tzdata"写成了硬前提,而这条路径在巡检的关键路径上。装包只是把前提从代码搬进环境,以后换人、换机器、换 CI 再撞一次。修环境等于把 bug 挪进别人的机器配置里。

3. 在这个场景,回退是等价,不是降级。 Asia/Shanghai 自 1991 年起无夏令时,全时固定 UTC+8。这段代码用这个时区只做一件事:把"当天 00:00"和"次日 00:00"换成毫秒时间戳,当 SQL 的 ts>=? and ts<? 边界。datetime.timezone(timedelta(hours=8)) 与 ZoneInfo("Asia/Shanghai") 在这里算出的两个边界完全相同——不是"差不多”,是可验证的相等,§3.2 里两条路径给的 ask=14 deny=11 就是证据。

4. 但降级必须留痕。 静默回退是下一次事故的种子:哪天真的需要 DST 语义,静默回退会给出一个"看起来对"的错数。所以回退分支往 stdout 打一行 FALLBACK +08:00,调用点用正则抓住,拼到巡检那行末尾。降级可见、可统计、以后可告警。

代码本体:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
d = datetime.date.fromisoformat(sys.argv[1])
# Windows 缺 tzdata 时 ZoneInfo("Asia/Shanghai") 会抛 ModuleNotFoundError,
# 整段对账退化成 unavailable。回退固定 +08:00(中国无夏令时,与 Asia/Shanghai 全时等价),
# 并显式打印 FALLBACK 标记,让降级可见。
try:
    from zoneinfo import ZoneInfo
    z = ZoneInfo("Asia/Shanghai")
except Exception:
    z = datetime.timezone(datetime.timedelta(hours=8))
    print("FALLBACK +08:00")

lo = int(datetime.datetime.combine(d, datetime.time.min, tzinfo=z).timestamp() * 1000)
hi = int(datetime.datetime.combine(d + datetime.timedelta(days=1),
                                   datetime.time.min, tzinfo=z).timestamp() * 1000)

调用点透传标记:

1
2
3
$tzNote = ''
if (($dbOut -join ' ') -match 'FALLBACK \+08:00') { $tzNote = ' FALLBACK +08:00' }
Write-Host ("[INFO] AUDITDB ask={0} deny={1} diff=... (print-only; not FAIL){2}" -f $ask, $deny, $tzNote)

适用范围写清楚,比写"通用"更重要:这个回退只对"已知无 DST 的固定偏移时区"成立。哪天要算 America/New_York,回退就是错的,那时要么装 tzdata,要么换成显式偏移表——但无论哪条路,FALLBACK 标记都得继续打,因为它是"这段代码现在走哪条路"的唯一凭证。

顺带几条约束:不 pip install、不改 PATH、不改系统环境;输出行格式 AUDITDB ask=N deny=M 一个字不动,下游正则不受影响;库还是 mode=ro 只读打开,没有写副作用。

五、验证:两把解释器都得跑,只有一把过不算修完

先把判定口径写死:改前必须在无包解释器上失败,改后必须在两把解释器上都出数。 只有一把过,那叫"换了个环境",不叫修完。

三场景直跑结果见 §3.2:before × 沙箱 RC=1;after × 3.12 出 AUDITDB ask=14 deny=11,无标记;after × 沙箱出 FALLBACK +08:00 + 同一组数字。

全量巡检再跑一遍,段9 回显原文:

1
[INFO] AUDITDB ask=14 deny=11 diff=log_resolved(14)-db_deny(10)=4 (print-only; not FAIL)

没有 FALLBACK 标记——因为生产解释器有包,走的是真时区分支。这一条本身就是个交叉验证:标记的有无,正好告诉你这一轮是谁在跑。

段9 判定行:

1
[9-AUDIT] PASS  WINDOW24H_TIMEOUT=21 ≤ 阈值30 CUMULATIVE_TIMEOUT=62(只读留证)

全程无 unavailable。改前留了备份(daily-patrol.ps1.bak-20261121-tz,175544 B),diff 是 1 file changed / 23 insertions / 2 deletions,净增 21 行,全部落在段9 AUDIT 块里——判据阈值、其他段、调度配置一个没碰。

六、三条能带走的

1. 报"不可用"之前,先报"谁在跑"。 任何 unavailable / 失败行,日志里都该带 sys.executable 和版本。这次如果那行是 [INFO] AUDITDB unavailable python=3.13.18 ...,三天的排查会变成三分钟。一条 sys.executable 的成本,比一次误诊低几个数量级。

2. 复跑不是验证,复跑是另一个实验。 换解释器、换 shell、换权限去跑生产脚本,得到的差异是环境差异,不是生产状态。这次的核心错误就是把"我复跑失败"读成了"生产异常"。以后复跑要单独记账:谁跑的、哪把解释器、哪份配置。复跑结果只能用来证伪假设,不能用来给生产定罪。

3. 把吞掉的异常变成可数的信号。 那段 2>&1 加一行正则的写法,把 traceback 收进变量又丢掉,等于把唯一的证据烧了。catch 之后要么打标记(像这次的 FALLBACK),要么抬退出码,要么把 stderr 首行落盘。沉默的失败比报错的失败贵得多。

最后留一句给"同一台机器"这个前提:同一台机器上,python 这个词可以指向两个完全不同的东西。所有"我这能跑啊"的对话,都该先附一句 sys.executable。