7 个案例，全部有原始产物可查——代码、日志、测试输出、incident JSON。这里的叙事不靠形容词，靠数字和失败经历。
面向个人 AI 系统本体故障的常驻检测与受控自愈。12 类故障中仅 4 类允许自动重启，6 类只提示、2 类仅诊断；健康路径 0 LLM Token。
z.ai 5 小时窗口刚重置时，上游接口整体省略两个字段，实现误判为「接口结构错误」→ Provider 整体掉线。34 轮独立 Review + 5 轮自检全部漏判——靠与原始 API 数据交叉核对才暴露。
把「让另一个 AI 干活」从一次性动作，变成有状态、可观测、可恢复的协议层：NDJSON 单行流 + 超时三档 + TIMEOUT ≠ ERROR + 零产出保护 + 断点续作 + 有界回退。
记忆功能不可用却叠加了三个互不相关的故障：依赖版本互相冲突且不可解；Windows GBK 把 plugin.yaml 读坏；环境变量文件也被写成了 GBK。修复不是强装依赖，而是换上游版本 + 一行 UTF-8 补丁 + 只修编码。
一次真实事故（09-28 Hindsight 缺依赖 → 自动触发完整 updater → Gateway 重启 → 换回消息排队）之后，把 AI 自主运维这件事写成 L1–L4 分级、14 项升级前检查、Patch 三情形的可执行契约。
用 60 条真实历史任务建立决策基准（Agent Router + Owner Approval Gate，130 gold，数据集 SHA256 冻结），测本地开源模型。结果：低于最简单基线 9–10 个百分点。结论 NOT_READY_FOR_AEGIS，拒绝上线。
扩展支线（权重刻意低配）。两个 BLOCKER：一个是 DMA 死锁的最小修复；一个是「屏上有色块无文字」，先被一份交接报告判成静态池耗尽，后被 Codex 离线审计的宿主对照实验推翻——真因是压缩位图字体但关闭了解码。