Automacao GLPIandClaude Sonnet 5
bdfa675d89
Evolui a automacao (V1 preservada, intocada) para uma V2 com: - Camada deterministica (src/v2): calendario operacional (porta fiel da logica da V1), queries SQL somente-leitura (indicadores, ranking com IDs, contexto de chamados, baseline historico), deteccao de anomalia (spike de categoria/cliente, concentracao, tendencia de backlog), memoria/fingerprint de insights com transicao de estado (new -> persisting -> normalizing -> resolved), mensagens curtas (fallback V1 e V2). 97 testes automatizados (node --test). - Camada de IA (structured output via OpenAI, schema JSON validado em codigo, nunca confia em numeros vindos da IA): prompt de "Analista Operacional", fallback automatico e seguro quando a IA falha/expira/ retorna JSON invalido. - Workflow n8n "[DEV] GLPI - Relatorio Operacional IA v2" (id 3x5kb58TeBCvirm6, INATIVO) criado e validado ao vivo no DEV (devn8n.gtigrupo.com.br) via webhook temporario (removido apos os testes) com SHADOW_MODE/DEV_MODE ligados — nenhuma mensagem real enviada, nenhuma escrita no GLPI. - tools/build_v2_workflow.js + build_v2_workflow_assemble.js: geram o workflow n8n a partir de src/v2/*.js (Code nodes remotos nao importam arquivos locais), mantendo uma unica fonte de verdade testada. Bugs reais encontrados e corrigidos durante a validacao ao vivo: - glpi_tickets nao tem coluna "solution" nesta versao do schema. - Nodes MySQL/DataTable sem "Execute Once" executavam 1x por item recebido do node anterior; a cadeia amplificava ate ~76 mil execucoes na query de baseline por cliente, causando o timeout real observado. Corrigido com executeOnce=true nos 8 nodes afetados e reescrita da query de baseline para nao depender de JOIN com tabela de dimensao. - IF "Pode Enviar" usava o operador booleano invertido (checava "e true" em vez de "e false"), o que quase permitia envio real ao Slack mesmo com SHADOW_MODE/DEV_MODE ligados. - gpt-5.5 exige max_completion_tokens (nao max_tokens) e gasta o orcamento em tokens de raciocinio; ajustado para 3000 tokens + reasoning_effort=low. Validado ao vivo contra dados reais do GLPI DEV (20/08/2026): IA gerou insights reais com evidencia auditavel, memoria persistiu entre execucoes (occurrences incrementando, normalizacao detectada), resultado 200 confirmando envio suprimido (shadow mode). Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
76 lines
2.7 KiB
JavaScript
76 lines
2.7 KiB
JavaScript
'use strict';
|
|
|
|
const test = require('node:test');
|
|
const assert = require('node:assert/strict');
|
|
const {
|
|
mean,
|
|
median,
|
|
isAnomaly,
|
|
detectarSpikes,
|
|
detectarConcentracaoCliente,
|
|
calcularTendenciaBacklog,
|
|
} = require('../src/v2/anomaly');
|
|
const { loadConfig } = require('../src/v2/config');
|
|
|
|
const config = loadConfig();
|
|
|
|
test('median calcula corretamente para lista par e impar', () => {
|
|
assert.equal(median([1, 2, 3]), 2);
|
|
assert.equal(median([1, 2, 3, 4]), 2.5);
|
|
assert.equal(median([]), 0);
|
|
});
|
|
|
|
test('mean calcula a media simples', () => {
|
|
assert.equal(mean([1, 2, 3]), 2);
|
|
assert.equal(mean([]), 0);
|
|
});
|
|
|
|
test('isAnomaly: exige multiplicador E delta minimo (evita falso positivo trivial 0 -> 1)', () => {
|
|
// baseline 0, atual 1: multiplicador ok (sem historico usa MIN_DELTA), mas delta(1) < MIN_DELTA(3)
|
|
assert.equal(isAnomaly(1, 0, config), false);
|
|
// baseline 2.1, atual 7 (exemplo da missao: hardware hoje 7, media 20du 2.1)
|
|
assert.equal(isAnomaly(7, 2.1, config), true);
|
|
// baseline 5, atual 6: nao dobra o baseline
|
|
assert.equal(isAnomaly(6, 5, config), false);
|
|
});
|
|
|
|
test('detectarSpikes retorna somente categorias/clientes que estouraram o baseline, com numeros auditaveis', () => {
|
|
const atuais = [
|
|
{ chave: 'Hardware', atual: 7 },
|
|
{ chave: 'Software', atual: 4 },
|
|
];
|
|
const baseline = new Map([
|
|
['Hardware', [2, 2, 3, 1, 2]], // media 2.0
|
|
['Software', [4, 3, 4, 5, 4]], // media 4.0 (estavel)
|
|
]);
|
|
const spikes = detectarSpikes(atuais, baseline, config);
|
|
assert.equal(spikes.length, 1);
|
|
assert.equal(spikes[0].chave, 'Hardware');
|
|
assert.equal(spikes[0].baseline_media, 2);
|
|
});
|
|
|
|
test('detectarConcentracaoCliente exige contagem minima E participacao minima', () => {
|
|
const clientes = [
|
|
{ nome: 'IMDI', total: 5 },
|
|
{ nome: 'CTO', total: 2 },
|
|
];
|
|
// total periodo 10: IMDI = 50% (>=40%) e >=3 chamados -> concentracao
|
|
const r = detectarConcentracaoCliente(clientes, 10, config);
|
|
assert.equal(r.length, 1);
|
|
assert.equal(r[0].cliente, 'IMDI');
|
|
assert.equal(r[0].share, 0.5);
|
|
});
|
|
|
|
test('detectarConcentracaoCliente nao aponta cliente com poucos chamados mesmo com share alto', () => {
|
|
const clientes = [{ nome: 'Cliente Pequeno', total: 2 }];
|
|
const r = detectarConcentracaoCliente(clientes, 2, config); // 100% mas so 2 chamados
|
|
assert.equal(r.length, 0);
|
|
});
|
|
|
|
test('calcularTendenciaBacklog classifica direcao corretamente', () => {
|
|
assert.equal(calcularTendenciaBacklog(22, 20).direcao, 'aumentando');
|
|
assert.equal(calcularTendenciaBacklog(18, 20).direcao, 'diminuindo');
|
|
assert.equal(calcularTendenciaBacklog(20, 20).direcao, 'estavel');
|
|
assert.equal(calcularTendenciaBacklog(20, null).direcao, 'indisponivel');
|
|
});
|