hermes - 💡(How to fix) Fix [Bug]: 平台连接失败导致 Gateway 重启死循环，Cron 定时任务全部静默失效

Bug Description

当一个消息平台（如 Discord）因 token 失效导致连接失败时，Gateway 会连续崩溃 → systemd 自动重启 → 再次崩溃，形成重启死循环。每次重启会 kill cron ticker 线程，导致所有 cron 定时任务无法触发。

When a messaging platform (e.g. Discord) fails to connect due to invalid/missing auth, the Gateway crashes repeatedly → systemd restarts it → crashes again, creating a restart-death-loop. Each restart kills the cron ticker thread, preventing ALL cron jobs from ever firing.

Steps to Reproduce

1. 配置一个消息平台（如 Discord），填入有效 token
2. 启动 gateway 运行
3. 从 .env 删除该平台的 token
4. 观察 gateway 日志：平台连接失败 → gateway 崩溃 → systemd 自动重启

# 环境: LXC container, systemd service, --run-as-user root

# Discord token 被删除后
15:22  Gateway stopped → systemd restarts (counter=1)
15:38  Gateway stopped → discord: 401 Unauthorized → systemd restarts (counter=2)
15:47  Gateway stopped → discord: 401 → systemd restarts (counter=3)
15:52  Gateway stopped → discord: 401 → systemd restarts
15:59  Gateway stopped → systemd restarts (counter=4)
16:14  Gateway stopped → systemd restarts
       ↑ 1小时内崩溃 6+ 次！

Expected Behavior

• 单个平台连接失败不应该导致整个 gateway 进程崩溃
• 失败的平台应当被优雅降级（标记为 disconnected），不影响其他平台和 cron 调度器
• 或者至少 systemd restart 次数应该在短时间内快速退避（exponential backoff），而不是 5 分钟内重试 4 次

Actual Behavior

1. Gateway 进程崩溃 — 平台连接异常时整个进程 exit
2. systemd 无限重启 — Restart=always 导致 restart counter 持续递增
3. Cron ticker 被反复 kill/restart — 每个 tick 周期 60 秒，但 gateway 每 4-15 分钟就崩溃一次，cron ticker 永远跑不满一个完整周期
4. 所有 cron 任务静默失败 — last_run_at 始终为 null，无任何错误通知

Impact

• 2+ 个定时任务完全失效（收盘分析、网关维护）
• 用户完全不知道任务没执行，只能手动触发
• 问题隐蔽——next_run_at 正常、state: scheduled 正常，但任务就是不触发

Root Cause Analysis

从源码看，cron/scheduler.py :: tick() 和 cron/jobs.py :: get_due_jobs() 本身的调度逻辑是正确的。问题在于：

1. Gateway 没有优雅处理单平台失败 — 平台 adapter 连接失败直接导致进程 exit
2. Cron ticker 依赖 gateway 进程存活 — ticker 是 gateway 进程内的一个线程/定时器，gateway 一死它就没了
3. 重启太密集 — systemd Restart=always + 无退避，导致 15 分钟内重启 4 次

Proposed Solutions

1. 优雅降级：平台连接失败时标记为 disconnected，不 crash 整个 gateway
2. 独立 cron 守护进程：将 cron scheduler 从 gateway 进程分离为独立 systemd 服务，这样 gateway 重启不影响 cron
3. systemd 退避：给 service unit 添加 RestartSec=60s 或更激进的退避

Environment

• Hermes Agent v0.13.0 (commit faa13e49)
• Install method: curl installer
• OS: Ubuntu 24.04 LTS (LXC container)
• Gateway: systemd service, --run-as-user root
• Platforms: feishu (websocket), weixin (iLink), discord (removed)
• Discord bot token 已从 .env 删除但 platform config 仍在

Logs

# gateway.log
2026-05-08 15:22:48 Gateway stopped
2026-05-08 15:23:53 Cron ticker started (interval=60s)
2026-05-08 15:38:35 Gateway drain timed out after 60.0s with 1 active agent(s)
2026-05-08 15:38:36 Gateway stopped
2026-05-08 15:40:36 ERROR gateway.run: ✗ discord error: discord connect timed out after 30s
2026-05-08 15:40:36 discord.errors.LoginFailure: Improper token has been passed.
2026-05-08 15:47:12 Gateway stopped
2026-05-08 15:49:42 discord.errors.PrivilegedIntentsRequired: Shard ID None is requesting privileged intents...
2026-05-08 15:55:15 systemd: restart counter is at 4

# journalctl
May 08 15:23:48 systemd[1]: Scheduled restart job, restart counter is at 1.
May 08 15:40:00 systemd[1]: Scheduled restart job, restart counter is at 2.
May 08 15:49:07 systemd[1]: Scheduled restart job, restart counter is at 3.
May 08 15:55:15 systemd[1]: Scheduled restart job, restart counter is at 4.

# Cron 任务状态 (从未触发)
job_id: bfb62214764d
state: scheduled
last_run_at: null
schedule: "0 3 * * *"

Workaround Used

手动删除 Discord 配置 + 手动重启 gateway 后恢复正常。关键定时任务改用 terminal(background=true) 手动执行，不再依赖 cron。