feat(otel #876): 双 Claw 强制标签 + 入口接线 + Grafana 双 Claw 对比看板

#876 OpenTelemetry 可观测（双 Claw 标签）：
- app/core/otel.py: 新增 set_otel_ctx/get_otel_ctx(ContextVar 三元组 tenant_id+claw_type+
  trace_id)；current_span_cm 自动注入双 Claw 强制标签，全部 13 个 span 调用点零签名侵入带维度；
  record_span_metrics 指标维度补 tenant_id+claw_type（trace_id 因高基数不计入指标标签）。
- app/core/llm_router.py: set_route_ctx 桥接转调 set_otel_ctx（单次入口注入双端共享：
  路由上下文 + OTel 标签），失败安全。
- app/api/chat.py: send_message 与 send_message_stream 入口注入 set_route_ctx(web)，
  stream 经 asyncio.create_task 子协程自动传播 contextvars，使 _send_message_core 内
  所有 span 均带 tenant_id+claw_type。
- app/api/im_llm.py: _call_real_llm 入口最早注入 set_route_ctx(im_wechat)，并显式开启
  im.send_message span（此前 IM Claw 完全无 span，Grafana 无 IM 数据点），finally 关闭。
- tests/test_dual_claw.py: R-DUAL-6 由 skip 转为确定性断言（Web/IM 双 Claw span 必带
  tenant_id+claw_type），作为持续哨兵。
- 交付 Grafana 双 Claw 对比看板 JSON（aiflow_span_* / aiflow_llm_route_total 按 claw_type
  分组：P50/P95 延迟、成功率、QPS、租户健康 Top10）。Alloy OTLP 仅桥接 metrics→Prometheus，
  trace 无 pipeline（#800 已压制 UNIMPLEMENTED 噪声），看板基于 metrics 出图。

safe-align: 仅复制 5 个 git-tracked 文件，未触碰 secrets/venv/node_modules/caches。本地提交不 push。

backend/python/app/api/chat.py

@@ -143,6 +143,7 @@ from app.api.chat_utils import (CST_TZ, CreateConversationRequest, SendMessageRe
 
 
 from app.api.chat_service import _send_message_core
+from app.core.llm_router import set_route_ctx
 
 
 
@@ -1560,6 +1561,12 @@ async def send_message(
 
     from app.core.observability import span
 
+    # #876 双 Claw 维度：入口最早注入，确保外层 span 即带 tenant_id + claw_type 标签
+    set_route_ctx(
+        tenant_id=str(getattr(current_user, "tenant_id", "") or ""),
+        claw_type="web",
+    )
+
     async with span("chat.send_message", conv_id=conv_id, user_id=getattr(current_user, "id", None)):
 
         return await _send_message_core(conv_id, req, db, current_user)
@@ -1579,6 +1586,13 @@ async def send_message_stream(
     """
     db = SessionLocal()
     try:
+        # #876 双 Claw 维度：入口最早注入。runner() 经 asyncio.create_task 派生子协程，
+        # contextvars 自动随上下文传播，使 _send_message_core 内所有 span 均带 tenant_id + claw_type。
+        set_route_ctx(
+            tenant_id=str(getattr(current_user, "tenant_id", "") or ""),
+            claw_type="web",
+        )
+
         adapter = SseAdapter(
             trace_id=f"sse-{conv_id}",
             tenant_id=str(getattr(current_user, "tenant_id", "") or ""),

backend/python/app/api/im_llm.py

@@ -30,7 +30,7 @@ from sqlalchemy.orm import Session
 
 from ..capability_registry import resolve_auto_model
 from ..models import AIModel, ModelProvider, TokenUsageLog, gen_uuid
-from app.core.observability import get_trace_id
+from app.core.observability import get_trace_id, span
 # #875 LLM Router：统一模型路由层（影子模式先行，收敛 litellm 主密钥硬编码）
 from ..core.llm_router import (
     route as _llm_route,
@@ -137,6 +137,13 @@ def _log_media_usage(db: Session, user_id: str, ai_model, media_type: str, promp
 
 def _call_real_llm(db: Session, user=None, prompt: str = "", platform: str = "im", user_id: str = None) -> "str | dict":
     """调用七虎AI 生成回复，供 IM Bot 复用。支持媒体意图路由、已安装技能自动发现、模型 failover。"""
+    # #876 双 Claw 维度：入口最早注入 tenant_id + claw_type，确保下方所有 span / metric
+    # 均带双 Claw 标签（此前 IM Claw 完全无 span，Grafana 无 IM 数据点）。
+    _set_route_ctx(tenant_id=getattr(user, "tenant_id", "") or "", claw_type="im_wechat")
+    # #876：IM Claw 此前完全无 span，Grafana 无 IM 数据点。此处显式开启一个 im.send_message
+    # span（手动 enter/exit 以避免整段重缩进），使 IM 链路在双 Claw 对比看板出图。
+    _im_span = span("im.send_message", platform=platform, user_id=user_id)
+    _im_span.__enter__()
     try:
         from app.api.chat import (
             _generate_media,
@@ -224,7 +231,6 @@ def _call_real_llm(db: Session, user=None, prompt: str = "", platform: str = "im
         # 计算决策并打 claw_type 标签 metrics；影子模式下仅观测，不改流量。
         # 切主路径：LLM_ROUTER_SHADOW=0 时改用 Router 候选链（已含文本过滤，等同此处逻辑）。
         try:
-            _set_route_ctx(tenant_id=getattr(user, "tenant_id", "") or "", claw_type="im_wechat")
             _rm = _llm_route("text", db=db, legacy_primary=_try_models[0].name if _try_models else None)
             if not _LLM_ROUTER_SHADOW and _rm.models:
                 _try_models = _rm.models
@@ -441,6 +447,12 @@ def _call_real_llm(db: Session, user=None, prompt: str = "", platform: str = "im
         return f"（已尝试 {len(_try_models)} 个模型均调用失败。最后错误: {_summary}。请稍后重试。）"
     except Exception as e:
         return f"（AI 回复生成失败：{e}）"
+    finally:
+        # #876：关闭 im.send_message span（记录耗时 + 指标，强制带 tenant_id + claw_type）
+        try:
+            _im_span.__exit__(None, None, None)
+        except Exception:
+            pass
 
 
 async def _call_engine_core(db, user_id, prompt: str, platform: str, user=None) -> "str | dict":