问题背景​

生产 Traefik 一天内卡死 2 次，外部访问全部超时，系统基本不可用。根因： /data/memex/traefik-conf/ 累积 1119 个路由文件，其中 1065 个是僵尸 （预览进程早已死、路由文件残留）。Traefik file provider 每次文件变更就全量 reload 上千个 YAML，8668 entrypoint 监听 hang，外部请求全超时。

僵尸来源​

正常 stop_serve 会删路由，但容器重建杀进程、OOM、崩溃等异常路径不走 stop_serve，路由文件就永久留下了。

修复内容​

新增 reap_orphan_routes()：扫路由文件，用端口 HTTP 探活判定预览死活， 删掉端口无响应的孤儿路由。挂到 preview_patrol_loop（每 300s），持续把 路由数收敛到实际运行的预览数。

生产处置：立即批量清理 1065 个僵尸路由（1119→55），Traefik reload 压力锐减，外部访问恢复（探活稳定 0.3-0.5s）。

分层修复​

• 消除 core→api 反向依赖，新增 core/dispatcher.py Dispatcher protocol
• task_manager.py 三拆：db_adapter.py + db_schema.py + 业务方法
• api/sse.py 瘦身 1466→94 行，阶段编排状态机下沉为 core/phase_runner.py

数据库层​

• 修生产连接饱和（"FATAL: too many clients already"）：改为进程级共享 SQLAlchemy Engine（QueuePool），16 线程并发只占 3 个连接（旧代码 16 个）
• 删除全部手写方言转换规则
• 新增 schema_migrations 表，补 Postgres 此前不执行 migrations 的缺陷

可观测性​

每次 job 启动生成 job_run_id（12 hex），server.log 每行携带 [run:xxx]。

测试抓出的 3 个生产 bug​

1. sweep_wedged_running 产物检查被 except 吞掉 → 误杀保护从未生效
2. run_migrations 在 Postgres dict 行上 row[0] KeyError → PG 库二次启动崩
3. SQLite Core 路径默认值列落 NULL → api_tokens.revoked 为 NULL 导致认证失败