docs: mark bug-1494 fully fixed (worker rejoin slots update, bug-1511)

bug-1510 (dispatch-fail re-PEND, 6928f74) + bug-1511 (sched_update_workers
in-place update on re-push, 1a2bd3f) together close bug-1494. Update
left_scheduler_work.md and buglog.

Co-Authored-By: Claude <noreply@anthropic.com>

.wolf/buglog.json

@@ -14972,5 +14972,27 @@
     ],
     "occurrences": 1,
     "last_seen": "2026-08-11"
+  },
+  {
+    "id": "bug-1511",
+    "timestamp": "2026-08-11",
+    "error_message": "controller 重启 / worker 死亡后，worker 重新 join（slots=8）但 scheduler 资源视图仍 slots=0，PEND 作业永不派发（即使 worker 已恢复容量）",
+    "file": "src/scheduler/src/scheduler.c (sched_update_workers)",
+    "root_cause": "worker 死亡时 mark_worker_unavail 正确清零 slots=0；worker 重新 join 时 controller 推送新 worker（slots=8），scheduler 的 sched_update_workers 创建新 worker 后 sched_add_worker 用 key_add 遇 EEXIST 丢弃新对象，scheduler 永久保留旧的 slots=0 worker → 分配失败（unsatisfy slots total 0）→ 全部 PEND。与 bug-1510（dispatch-fail 不重试）同属 bug-1494 症状的另一根因。",
+    "fix": "sched_update_workers 对已存在 worker 就地更新：交换新 resvals/resInUse/status 到现有 worker，释放被丢弃对象（注意 w->name 是 makeString 驻留串不能 free，否则 ASAN bad-free）；NULL-guard make_sched_worker。集群验证：scheduler 在 worker 死亡时启动（slots=0）→ worker 重新 join（slots=8）→ 卡住 PEND 作业全部派发完成，无 ASAN。commit 1a2bd3f。",
+    "tags": [
+      "scheduler",
+      "pend",
+      "slots",
+      "worker-rejoin",
+      "key_add-eexist",
+      "fixed"
+    ],
+    "related_bugs": [
+      "bug-1494",
+      "bug-1510"
+    ],
+    "occurrences": 1,
+    "last_seen": "2026-08-11"
   }
 ]

.wolf/memory.md

@@ -7380,3 +7380,4 @@
 | 09:00 | Session end: 10 writes across 6 files (frpcdbg_mon.sh, frpc_prod.toml, frpc_mon.sh, frpc_watchdog.sh, frpc-watchdog.sh) | 2 reads | ~2247 tok |
 | 09:01 | Session end: 10 writes across 6 files (frpcdbg_mon.sh, frpc_prod.toml, frpc_mon.sh, frpc_watchdog.sh, frpc-watchdog.sh) | 2 reads | ~2247 tok |
 | 03:2x | Merged js branch sched.c NULL guard (commit 5657fca); fixed bug-1510 scheduler dispatch-fail re-PEND (commit 6928f74) | src/controller/sched.c, src/scheduler/{src,include,testsuite} | verified full job lifecycle on t1 cluster (job PEND->RUN->EXIT, all daemons healthy, 0 ASAN) | ~120k tok |
+| 06:1x | Fixed bug-1494 sub-2: scheduler kept stale slots=0 after worker rejoin (key_add EEXIST dropped fresh worker); fixed sched_update_workers in-place update (commit 1a2bd3f), verified jobs dispatch after worker rejoin | src/scheduler/src/scheduler.c | verified on t1 (worker dead->rejoin slots 0->8, PEND jobs dispatch, no ASAN) | ~150k tok |

docs/left_scheduler_work.md

@@ -10,17 +10,13 @@
 
 ## 一、最紧急：当前影响集群的 bug
 
-### 1. bug-1494 — 作业全部 PEND 不调度【部分已修复，2026-08-11】
-- **状态**：部分解决。**子问题一（派发失败作业不重试）已修复（bug-1510，commit 6928f74）**；**子问题二（controller 重启后 worker/scheduler 不自愈重连）仍开放**。
+### 1. bug-1494 — 作业全部 PEND 不调度【已修复，2026-08-11】
+- **状态**：已解决（两个子问题均已修复并集群验证）。
 - **来源**：`CLAUDE.md`、`docs/Scheduler-Agent-设计文档.md` §10.2b
-- **子问题一（已修复）**：scheduler 在 worker 未就绪（down/joining）时派发，controller 拒绝（`dispatch_a_job_ worker t1 status=0x10000 ep nil`）并回 `jobDispatchFail` 通知，但 scheduler 的 `sched_handle_notify` 无此 case（丢弃）→ 作业保持 RUN 视图永不重选 → 永久 PEND（worker 恢复也不派发）。**修复**：handler.c 加 `jobDispatchFail` case + `sched_requeue_pend_job()`（重置 PEND + 重新入 fcfs pendJobs），作业持续重试直到 worker 就绪 → 派发 → EXIT。集群已验证。
-- **子问题二（仍开放）**：controller 重启后，worker + scheduler **都不能自愈重连**，导致 scheduler 资源视图 slots=0 → 无法派发：
-  1. **worker 不重连**：controller 重启后 t1 保持 `UNAVAIL`（NCPUS/MAX_SLOT=-，HOST_TYPE=UNKNOWN），每 15s `Failed to send load indices error -1`，无 rejoin 尝试（worker 连接监控 `checking_connection` 未检测到 controller 重启）
-  2. **scheduler 无重连逻辑**：controller 重启后 scheduler 连接断开，重启后重新 join 时看到 t1 UNAVAIL、0 slots（`resource 0 (slots) total 0.000000 shortfall 1.0`）
-  3. scheduler 无法分配 → 全部 PEND（`main decision = (nil)`）
-- **已排除**：不是 wbuf 污染（bug-1508 修复无效）；不是 resources.yaml（缺 slots 定义但 slots 是内置资源，来自 host config `mxj`/`maxcpus`）
-- **关联**：component-failover-adoption（scheduler 重连）+ worker 连接监控健壮性——**这是 P2.5/component-failover-adoption 的核心，尚未实现**
-- **临时恢复**：全量重启 daemon（clean restart）可恢复，但集群无自愈能力
+- **子问题一（已修复，commit 6928f74，bug-1510）**：scheduler 在 worker 未就绪（down/joining）时派发，controller 拒绝（`dispatch_a_job_ worker t1 status=0x10000 ep nil`）并回 `jobDispatchFail` 通知，但 scheduler 的 `sched_handle_notify` 无此 case（丢弃）→ 作业保持 RUN 视图永不重选 → 永久 PEND（worker 恢复也不派发）。**修复**：handler.c 加 `jobDispatchFail` case + `sched_requeue_pend_job()`（重置 PEND + 重新入 fcfs pendJobs）。
+- **子问题二（已修复，commit 1a2bd3f）**：controller 重启 / worker 死亡后，scheduler 资源视图 slots=0 → 无法派发。**根因**：worker 死亡时 `mark_worker_unavail` 正确清零 slots=0；worker 重新 join（slots=8）时 controller 推送新 worker，但 scheduler 的 `sched_update_workers` → `sched_add_worker` 用 `key_add` 遇 EEXIST **丢弃新 worker**，scheduler 永久保留旧的 slots=0 → PEND 作业永不派发。**修复**：`sched_update_workers` 对已存在 worker **就地更新**（交换新 resvals/resInUse/status，释放旧对象），并 NULL-guard make_sched_worker。**集群验证**：scheduler 在 worker 死亡时启动（slots=0）→ worker 重新 join（slots=8）→ 之前卡住的 PEND 作业全部派发完成，无 ASAN。
+- **关联**：scheduler 运行时重连（component-failover-adoption）仍为独立待办——scheduler 本身不会在 controller 重启后自动重连，需手动重启（但重连后 slots 恢复正常）。
+- **临时恢复**：不再需要（worker 重新 join 即可恢复 slots）。
 
 ### 2. bug-1490 — apiserver control HTTP 500【已修复，2026-08-07】
 - **状态**：已修复
@@ -166,7 +162,7 @@ spec 声称 36/36 任务完成，但 re-audit（research.md）发现缺陷。来
 | Bug | 影响 |
 |-----|------|
 | **bug-1490** | ✅ 已修复（c90e63e）。MCP 写工具（submit/hold/release/cancel）集群 E2E 验证通过；`scheduler_get_job` 的 CompConditions 过滤 bug 也已修复（0572740）。另修了部署缺口：/opt/xce/config 缺 rbac.yaml 导致 mcp API key 全 403 |
-| **bug-1494** | 作业全 PEND 不调度，Agent 提交流程无法完成。**部分已修复（2026-08-11）**：派发失败作业重试（bug-1510）已解决；controller 重启后 worker/scheduler 不自愈重连仍开放（见第一节） |
+| **bug-1494** | 作业全 PEND 不调度，Agent 提交流程无法完成。**已修复（2026-08-11）**：子问题一 dispatch-fail 重试（bug-1510）+ 子问题二 worker 重新 join 后 slots 不更新（见第一节） |
 | **chatbot 过度建议** | ✅ 已缓解（3db216c）：mcp-server 加 server instructions + 状态工具 report-only 描述，防止 LLM 把非 OK 状态当事故、主动给一堆排查建议 |
 
 ### 2. Phase 2：监控 + 纠错闭环（未开始，估 2-3 天）