Claude (backend session) 636919c52f Add per-model capability wire-shape layer (D3.1) and fold context-assembly, memory-version, and resolved capability into the job snapshot (D5.2)

2026-07-04 20:32:14 +03:00

85 KiB

Raw Blame History

Журнал прогресса

2026-07-04 — Старт проекта (MVP-сессия)

Прочитан стартовый бриф START_PROMT.MD (37 пунктов идей).
Осмотрена кодовая база /home/ubuntu/projects/vojo/apps/ai-bot: Go-сервис с адаптерами LLM-провайдеров (gemini, xai, local), роутером, каскадом, фейловером, прайсингом и телеметрией — кандидат на переиспользование.
Запущен мультиагентный исследовательский воркфлоу (10 направлений параллельно + критик полноты + добор пробелов):
1. Рынок и спрос → research/01-market.md
2. Конкуренты и существующие решения → research/02-competitors.md
3. Научные работы по agentic/document-level MT → research/03-academic-agentic-mt.md
4. LLM API: цены/качество/цензура → research/04-api-providers.md
5. Память и глоссарий (банк памяти книги) → research/05-memory-glossary.md
6. Локальные модели на 8GB VRAM → research/06-local-models.md
7. Методология профессионального худ. перевода → research/07-translation-methodology.md
8. Юридические аспекты → research/08-legal.md
9. Модель стоимости перевода книги → research/09-cost-model.md
10. Ревью vojo/ai-bot на переиспользование → research/10-vojo-ai-bot-review.md
- Добор пробелов от критика → research/11-gap-*.md

Исследования завершены (04.07, ~2 млн токенов, 16 агентов)

Все 15 документов в research/. Ключевые развязки:

Статья «про судью-селектора, март 2026» найдена: arXiv:2603.20324 «When Agents Disagree» — но перевода среди её задач нет; на zh→ru/ja→ru нужен собственный пилот (см. research/11-gap-3.md).
MemPalace существует, но форкать нельзя (метрики не подтверждаются) — банк памяти пишем сами: SQLite + спека SillyTavern World Info + память DelTA.
«Ru-нишу никто не обслуживает» — опровергнуто: Rulate AI-раздел 14,4 тыс. работ, MLate, VseGPT «Нейропереводчик» 999 ₽/мес. Дифференциация — издательское качество, память серии, 18+.
Экономика сходится: COGS тома ранобэ ~$2–4 при марже 70–96%; главные рычаги — prompt caching (до −98% input) и Batch API (−50%).
OpenAI adult mode заморожен бессрочно — NSFW-канал: Grok / open-weights / DeepSeek / локальная abliterated. Anthropic — только «стерильные» роли.
RU-сегмент: BYOK-модель (агрегаторы ProxyAPI/VseGPT/AITunnel или прямой DeepSeek), не перепродавать западные токены.

Синтез (04.07)

architecture/01-decisions.md — 10 решений (Р1 Go-бэкенд на базе vojo/ai-bot; Р2 конфигурируемое ядро пайплайна + пилот 4 рук; Р3 банк памяти на SQLite; Р4 модельный стек и NSFW-роутинг; Р5 экономика вызовов; Р6 durable jobs; Р7 телеметрия/качество; Р8 юр-позиция «инструмент, не платформа»; Р9 прайсинг-гипотеза; Р10 риски).
architecture/02-mvp-plan.md — фазы 0–3 с критериями приёмки.
architecture/components.puml + pipeline.puml (+ отрендеренные .svg) — провалидированы PlantUML.
PARALLEL_SESSION_PROMPT.md — промт для второй сессии («Полигон»: токен-замеры, refusal-бенчмарк, локальный стенд, пилотный корпус, эмбеддинги).
Проведено адверсариальное ревью синтеза тремя критиками (техархитектура, экономика, red-team): 2 critical + ~15 major находок, все внесены в v2 документов. Главные исправления:
- экономика разделена на контуры «чей ключ» (прямые ключи / ru-агрегаторы ×2–6 на флагманы / BYOK) — премиум-микс с Sonnet в ru-контуре недоступен;
- разрешён конфликт «кэшируемый префикс vs селективный глоссарий» (зафиксирована раскладка промпта) и «modernc.org/sqlite vs sqlite-vec» (в MVP — brute-force KNN, без C-расширений);
- Фаза 1 получила интерим-правило 18+ (SFW-приёмка, исключение Anthropic при 18+ в brief) — до этого 18+ книги шли бы через Anthropic до появления NSFW-роутера;
- resume пересобран на чанк-чекпоинты (kill -9 теряет максимум один вызов);
- пилот вынесен в отдельную Фазу 2.5, горизонт MVP честно сдвинут до 10–11 недель;
- baseline метрики качества заменён с «сырой DeepSeek» на «DeepSeek+глоссарий» (уровень VseGPT), порог — статистический;
- в план добавлены режим онгоинга и series-bible-lite (сегмент «ИИ-фабрик» и проверка рода/ты-вы).

Следующие шаги

Фаза 0–1 бэкенда — передана отдельной сессии «Бэкенд» (промт: BACKEND_SESSION_PROMPT.md; шаг 0 — перевалидация решений, финал фаз — агентное селфревью). Оркестратор делает внешнее ревью её кода.
Параллельная сессия «Полигон» запущена (эксперименты 01–03 идут).
Сессия «Редакция» (промпты ролей) — после фиксации формата конфига в Фазе 0.
Сессия «Валидация банка памяти» — завершена (вердикт GO на схему+гейты; реестр architecture/06; ставка гейтится in-house eval'ом в пилоте Ф2.5).
Пилот 4 рук для выбора ядра пайплайна + in-house memory-eval (Фаза 2.5).
Роли сессий: «Бэкенд» → backend/; «Полигон» → eval/ + docs/experiments/; оркестратор → доки, ревью, синхронизация, дозаправки ресёрча.
Дозаправка ресёрча выполнена (04.07, оркестратор): 5 документов research/12-*.md (~70 режимов отказа: ja, zh, ru-сторона; отзывы потребителей по продуктам; академические таксономии DITING/BlonDe/LitEval/LAIT) + верификация (3 minor: неточная ссылка поправлена; 2 пробела — числительные/меры CJK и западные имена через катакану — включены в карту как дыры с действиями). Итоговая карта «проблема → механизм бэкенда» → architecture/04-unhappy-paths.md; в ней раздел «Следствия для плана» — 7 изменений (пре-пасс Annotator в Фазе 2, расширение схемы глоссария, 4 новых дешёвых гейта Фазы 1, судья-анкета с MQM-весами, alignment-защита рефренов, эскалация по цене правки, регрессионный сьют из примеров).

Бэкенд

2026-07-04 — Сессия 1: шаг 0 (перевалидация) завершён

Донорский код vojo сверен построчно + воркфлоу из 4 критиков (консистентность, Go-исполнимость, донор, онлайн-фактчек цен). Вердикт: архитектура v2 исполнима, кодить можно; блокеров нет. Полный вердикт и контракты Фазы 0 → architecture/03-implementation-notes.md.
Главные находки валидации (упущения передачи): в Usage донора нет cache-write Anthropic (×1.25/×2 — тот же класс ошибки, что недоучёт reasoning 30–44%); в транспорте донора скрытый захардкоженный per-attempt таймаут 60 с (полигон видел только 45 с ноги failover); http.Client{} донора уйдёт в webshare-прокси на не-loopback локальных адресах (172.x); Grok 4.1 Fast retired 15.05.2026 — слаги молча редиректят на grok-4.3 с ценой ×9, таблица Р4 устарела; store.go на SQLite — переписывание по семантике, не «адаптация <20%».
Окружение: git-репо инициализирован, Go 1.26.4 установлен (~/sdk/go, PATH в .bashrc).

[НУЖНО РЕШЕНИЕ] (детали в 03-implementation-notes §5):

Формула премиум-бюджета Р5 «≤2×» после токен-калибровки неоднозначна — реализую конфигурируемый $-потолок, формулу уточнить.
Политика инвалидации TM сверх brief_hash (prompt_version в ключе? модель? перечанкование?) — реализую консервативный вариант, нужно подтверждение.
Канал B остался без дешёвого Grok (4.1 Fast retired, grok-4.3 дороже ×9) — перевыбрать модель канала B к Фазе 2.
Стриминг: эмпирика полигона требует его как keep-alive транспорта (не SSE-фронт) — предлагаю перенести из Фазы 3 в Фазу 1–2; в Фазе 0 закрываю длинными таймаутами.
Оркестратору, не блокирует: цифры Р5 устарели ~2× против эксп. 01; задача «cache-hit агрегаторов» задвоена (Фаза 0 бэкенда ↔ бэклог полигона — предлагаю отдать полигону); мелкие фазовые пометки в диаграммах.

Вопросы владельцу: ключи провайдеров для backend/.env (DeepSeek минимум — на нём приёмка Фазы 0 с реальным вызовом; Anthropic — для проверки cache_control). Не блокируюсь: тесты на httptest-моках.

Ответ оркестратора на [НУЖНО РЕШЕНИЕ] (04.07). Отличный шаг 0 — фактчек Grok и cache-write Anthropic особенно ценны. Решения:

Премиум-бюджет: подтверждаю $-потолок; формула зафиксирована в Р5 (clamp(price_target × (1 − target_margin) − est_base_cogs, 0, hard_cap), дефолты $5/том, $30/вебновелла-500). «≤2×» — только прикидочная эвристика доков.

TM-инвалидация: консервативный ключ подтверждён и зафиксирован в Р6: (chunk_src_hash, lang_pair, model_id, prompt_version, brief_hash, context_snapshot_hash); перечанкование инвалидирует by design.

Канал B: Р4 обновлён — интерим до Фазы 2: DeepSeek офиц. + локальная abliterated; Grok 4.3 только как дорогая эскалация; перевыбор дешёвого пермиссивного тира — по результатам refusal-бенчмарка полигона.

Стриминг: перенос одобрен — транспортный keep-alive-стриминг в Фазу 1–2 (без SSE-фронта), зафиксировано в плане; в Фазе 0 — длинные per-роль таймауты.

Р5 обновлён сноской на токен-калибровку (×1.4–1.75 для zh→ru); задача «cache-hit агрегаторов» снята с Фазы 0 — она в бэклоге полигона. Новая вводная: готова карта режимов отказа architecture/04-unhappy-paths.md (~70 режимов → механизмы). Перед фиксацией схемы store/глоссария Фазы 1 прочитай раздел «Следствия для плана»: расширение полей глоссария (alias-граф, ranked-set, gender=hidden, first_person, translit_policy), ruby-парсер в спеку импорта, дешёвые детерминированные гейты Фазы 1 (линтер прямой речи, блок-лист транслит-междометий, ёфикатор, число-гейт 万/億), словарь тегов ошибок с MQM-весами в request_log с первого дня. Пороги coverage-гейта уже сняты полигоном (см. его секцию, эксперимент 02).

2026-07-04 — Сессия 2: Фаза 0 (каркас) ЗАВЕРШЕНА

Каркас backend/ собран, приёмка Фазы 0 продемонстрирована исполняемо: tmctl translate --config book.yaml гоняет чанк draft→edit с полным учётом $ по стадиям в request_log; повторный запуск обслуживается из чекпоинтов за $0 (ledger неизменен); kill -9-тест настоящим SIGKILL подтверждает инвариант committed == SUM(checkpoints) (деньги ≡ чекпоинты). go test ./..., go vet, -race — зелёные.

Порт vojo → internal/llm|ledger|obs: нейтральные типы (+CacheCreationTokens, CacheBoundary, FinishReason); общий OpenAI-совместимый транспорт (таймауты-параметры per-провайдер, Retry-After с капом, overflow-safe backoff, LimitReader, оба варианта cache-полей DeepSeek); нативный Anthropic-адаптер (Messages API, cache_control, суммирование usage-инварианта, sampling не шлётся); local-адаптер с no-proxy транспортом (грабли стенда 172.x); failover с анти-flapping брейкером; ledger с cache-write и PriceForResponse.
internal/store (SQLite, modernc, CGO-free): идемпотентные миграции; reserve/settle с потолками книга/день; settle+checkpoint одной транзакцией (закрыта дыра двойной оплаты); flock-владение проектным файлом; recovery зависших резервов; request_log.
internal/config (fail-fast): models.yaml (цены с датой проверки, CheckKeys preflight), pipeline C1+C2 (граница «конфиг vs код» Р2, CheckRunnable guard на механику Фазы 2), book.yaml + brief_hash.
internal/pipeline: детерминированный однопроходный рендер (инвариант §3.1), request-hash (length-prefix, attempt-измерение), snapshot-pinning с --resnapshot, нормализация источника (BOM/CRLF/NFC), мини-раннер draft→edit с resume; cmd/tmctl (translate/report); черновики промптов ролей.
Финал — агентное селфревью: /code-review (8 линз) + воркфлоу-критики (4 линзы задания) с адверсариальной верификацией; подтверждённые находки исправлены двумя волнами (детали и остаточный техдолг — 03-implementation-notes §6). Коммиты: dc6ea8e каркас → a32ec2e волна 1 → волна 2.

Учтено из ответа оркестратора: ключ TM (chunk_src_hash, lang_pair, model_id, prompt_version, brief_hash, context_snapshot_hash) — совпадает с составом моего snapshot-payload (prompt_version+model+PromptSHA256 per-role, brief_hash, chunker/estimator version); перечанкование инвалидирует by design (chunkerVersion в snapshot). Карту 04-unhappy-paths заберу в схему store/глоссария при старте Фазы 1.

Остаток техдолга Фазы 0 (осознанные ограничения, не блокеры; детали §6): дневной потолок пер-книжный; timeout-путь «оплачено-но-потеряно» (≤1 вызов, укладывается в Р6); cache_ttl↔cache_write под один TTL (5m); гонка Runner.clients (безопасна при последовательном проходе, мьютекс — к fan-out Фазы 1–2).

Ключи: бэкенд заводится на ДВУХ ключах (DEEPSEEK_API_KEY + ZAI_API_KEY) — по замечанию владельца сузил CheckKeys: модели стадий проверяются всегда, модели эскалационных цепочек — только если включён хоть один гейт (эскалация запускается по провалу гейта; в Фазе 0 гейты off → цепочки недостижимы → ключи Anthropic/Kimi не нужны). Проверено на боевых конфигах: с 2 ключами прогон доходит до сетевого вызова DeepSeek. .env.example размечен «нужны сейчас / Фаза 1+ опционально». Anthropic/Kimi для Фазы 0 не требуются.

Вопросы от бэкенда — сессии «Полигон» и оркестратору (04.07)

Владелец резонно заметил: бэкенд не должен коммититься в модели, которых полигон не гонял. Прежде чем в Фазе 1 включать эскалацию и фиксировать редактора-дефолт, нужны замеры:

Полигону — Anthropic на «стерильном» канале (SFW). Sonnet 5 как SFW-эскалация/судья не валидирован: в refusal-бенчмарке Anthropic исключён намеренно (гигиена NSFW-аккаунта, gap-2 §3), но сам эксп. 02 отметил «уровень L0–L1 можно добавить отдельным конфигом для проверки стерильного канала». Можно ли прогнать Sonnet-5 (промо $2/$10) на чистых SFW-фрагментах — качество ru-редактуры/суждения — чтобы знать, окупает ли он цену как эскалация? Если не приоритет — бэкенд держит Anthropic вне дефолтной цепочки и берёт валидированную дешёвую модель.
Полигону — качество редактора ru-стиля. Эксп. 02 мерил роль ЧЕРНОВИКА (отказы/вырезания), но не роль РЕДАКТОРА. Дефолт C1 — GLM-5 на редактуре — стоит на утверждении Р4, без замера. Планируется ли маленькое сравнение GLM-5 vs Kimi-K2.6 (vs Sonnet-5, если будет ключ) по ru-редактуре на нескольких SFW-фрагментах? От этого зависит дефолт редактора Фазы 1.
Оркестратору — эскалационный дефолт в RU-контуре. Оставить Anthropic Sonnet дефолтом эскалации или в RU-контуре взять GLM-5.1/Gemini (Sonnet — только прямой контур, где per-book-премиум оправдан)? Это правка Р4/экономики; бэкенд — только исполнитель конфига.
Оркестратору — per-role provider-fallback? Для batch-джобы (не live-бот) провайдер-недоступность естественно закрывается durable jobs + чекпоинтами (лёг → пауза → resume без переоплаты), поэтому мгновенный fallback на другого провайдера — nice-to-have, не блокер. Добавлять ли простой список фоллбеков на роль (draft: [deepseek, glm]) для длинных ночных прогонов, или полагаться на pause/resume? Решение — за оркестратором (владеет Р4/экономикой).

Не блокирует Фазу 0 (принята на DeepSeek+Z.ai); ответы нужны к старту Фазы 1 (эскалация, дефолты ролей).

Внешнее ревью Фазы 0 — принято (04.07)

Независимая сессия провела построчное ревью backend/ + исполняемую приёмку + адверсариальный воркфлоу. Вердикт: Фаза 0 принята, блокеров ноль. Детали и диспозиция находок — 03-implementation-notes §6. Кратко: F1 (CheckKeys) уже был закрыт до ревью; F2/F5/F7/F8 исправлены этой волной (local-оверрайды в snapshot; fail-loud на включённый гейт в Фазе 0; поправка §3.4 под подтверждённый ключ TM; *.db.lock в .gitignore); F3/F4/F6 — в техдолг (F3: граница timeout-недоучёта уточнена — до MaxAttempts−1, не «≤1»; честный фикс — idempotency-ключ, отложено). Дизайн-вопросы к владельцу/оркестратору D1–D3 (монолингвальный редактор Фазы 1; per-chunk skip+flag вместо падения; структурный запрет Anthropic в канале B при подключении failover) — зафиксированы в §6, все Фаза 1–2.

Следующее: Фаза 1 (перевод книги целиком) — чанкер, банк памяти v1, гейты (пороги полигона готовы), режим онгоинга.

Реальная приёмка на живых ключах — PASS (04.07, ревьюер)

Первый реальный прогон провайдеров (раньше всё было на моках — главный незакрытый пробел ревью). tmctl translate на example/book.yaml (draft=deepseek-v4-flash → edit=glm-5, один чанк 264 симв., потолок $1.00):

Деньги сходятся до цента: draft $0.000219 (453·0.14+556·0.28/1e6 ✓), edit $0.001277 (672·1.0+189·3.2/1e6 ✓); committed == Σстадий == $0.001496, reserved=0. Порядок величин совпал с прайсингом DeepSeek/z.ai.
Цена по ответившей: z.ai вернул model=glm-5 → edit книжится по цене GLM, НЕ по дешёвому deepseek-якорю (fallback дал бы $0.000147 — в 8.7× меньше); PriceForResponse подтверждён на реале.
Usage реальный, не мок: prompt/completion_tokens ненулевые в request_log; GLM латентность штатная (5–8 с, без ×3) → extra_body thinking:{type:disabled} фактически применён.
Resume: второй прогон — обе стадии из чекпоинтов за $0, ledger неизменен (нет двойной оплаты).
DeepSeek автокэш на реале: повторный прогон того же префикса в окне кэша → cached_tokens=384/453 (поле prompt_cache_hit_tokens парсится в request_log.cached_tokens), billed по $0.0028/M; CostUSD сошёлся до 7 знаков ((453−384)·0.14 + 384·0.0028 + 1074·0.28 = $0.0003115). Кэш-путь подтверждён живым провайдером.
Пост-ревью правки провалидированы: F1 (CheckKeys — заводится на 2 ключах), F2 (provider temp/maxtok в snapshot), F5 (fail-loud на включённый гейт), F7 (сноска §3.4) — все на месте; Anthropic вычищен из конфигов, висячих ссылок нет (в BuildClient ветка case "anthropic" осталась, но kind: anthropic в models.yaml нет).

Новая находка реальной приёмки (исправлена): tmctl report рвался с context canceled и печатал таблицу частично/пусто без строки Ledger (exit 1). Причина — Store.RequestLogRows отдавал *sql.Rows с defer cancel(): контекст отменялся посреди ленивой итерации у вызывающего. Данные и деньги в БД были корректны — баг только на read-пути report. Фикс: строки материализуются под таймаутом и возвращаются срезом []RequestLogView; регрессионный тест TestRequestLogRowsMaterializes. go test ./... -race зелёные.

Не покрыто реальным прогоном (честно): (б) kill-9 посреди реального провайдерского вызова — инвариант committed==SUM(checkpoints) доказан unit-тестом kill9_test.go (настоящий SIGKILL на SQLite), на реале не воспроизводил (деньги/один-чанк дисциплина). (в) Anthropic cache_control/usage-сумма — Anthropic из стека убран, проверять больше нечего на этом контуре.

[НУЖНО РЕШЕНИЕ] перед Фазой 1 (владелец/оркестратор)

Фаза 0 закрыта; перед стартом Фазы 1 нужно закрыть решения ниже (по каждому — рекомендация ревьюера). Фундамент Фазы 1 (чанкер + схема памяти) можно начинать параллельно — гейтят только пп. 1, 2, 4.

D1 — что видит редактор: монолингвальный (черновик) vs билингвальный (черновик+исходник). Рек: монолингвальный стилист; верность/полноту → coverage-гейт + билингвальный судья (Р2/04-unhappy-paths; убирает риск zh→ru кальки от GLM). Блокирует context assembly, промпты «Редакции», editor.md (убрать {{text}}).
D2 — диспозиция «плохого» чанка (пустой/отказ/finish=length): падать всем прогоном vs per-chunk флаг+продолжить. Рек: skip+flag+continue (Р4) + механизм attempt (на length — ретрай с бОльшим max_tokens; N → флаг). Ключ resume уже несёт attempt. Блокирует главный цикл раннера, resume-семантику флагов.
Финальные модели эскалации (канал A/B) после вывода Anthropic — [НУЖНО РЕШЕНИЕ] п.3. Рек: A — GLM-5.1/5.2 или Gemini (нативный адаптер Ф2); B — по refusal-бенчмарку полигона, интерим DeepSeek+abliterated. Фундамент НЕ блокирует (нужно к моменту исполнения эскалации).
Схема банка памяти v1 — скоуп (миграция store v2). Рек v1: база Р3 + alias-граф + gender=hidden(until_ch)
- translit_policy + first_person + series-bible-lite; отложить в v1.1: ranked-set, эвфемизмы, nickname_translation, число-словарь. Сверка со «Следствиями для плана» 04-unhappy-paths — обязательна.
Онгоинг: перегоняется ли Analyst при add-chapters ([НУЖНО РЕШЕНИЕ] п.5)? Рек: инкрементально, Analyst только на новые главы, book-brief не перегонять.

Уже решено (не пере-обсуждаем): премиум-бюджет (формула Р5 + $5/$30), ключ TM (консервативный), стриминг keep-alive (Ф1–2), инъекция глоссария (selective), пороги coverage (полигон), epub v1 (текст по spine).

Ответ оркестратора на все [НУЖНО РЕШЕНИЕ] + Q3/Q4 (04.07) → полный контракт в architecture/05-decisions-log.md. Все 6+1 решений приняты (D1 монолингвальный редактор, D2 skip+flag+continue, D3 эскалация, D4 нет provider-fallback, D5 инкрементальный Analyst, D6 think-режим, D7 схема памяти v1) и прошли адверсариальную панель из 3 критиков (research/эконом/код) — читай 05-decisions-log.md целиком перед Фазой 1, там уточнения меняют реализацию. Самое важное для тебя:

snapshotID расширить memory-state + context-assembly hash ДО инъекции памяти (D5.2) — иначе изменённый глоссарий/STM меняет request_hash, но не snapshotID, resnapshot-гейт молчит, ре-ран старой главы промахивается мимо чекпоинта и переоплачивает расходящимся переводом. Это общий гейт, держит D1 и D5.

Runner без цикла по чанкам/главам + нет хранилища флагов — главный длинный шест Фазы 1; attempt НЕ несёт disposition/skip-семантику (я переоценил). Строить цикл + таблицу флагов + flag_reason первым.

D2: тегировать flag_reason; retry-flagged переатакует только length/empty (refusal — не переатаковать, деньги на гарантированный отказ не жечь); n-gram-loop чек ПЕРЕД удвоением max_tokens; edit max_tokens от длины ЧЕРНОВИКА, не исходника.

D3: завести провайдеры gemini/xai/openai/deepseek-v4-pro/glm-5.1 в models.yaml (все OpenAI-совместимы, kind: openai; нативный Gemini-судья — Ф2), фактчекнуть слаг deepseek-v4-pro. Премиум-бюджет $5/$30 устарел (был на Sonnet) — полигон пересчитает на Gemini-апексе с reasoning-as-output.

D1: убрать {{text}} из editor.md И поднять edit prompt_version (иначе лейбл врёт на двух SHA); честно: приёмка Фазы 1 БЕЗ критерия верности (mistranslation ловит билингвальный судья Ф2, не coverage-гейт).

D6: дефолт think off/minimal (операционно), но пилот Ф2.5 think-ON включает translator/editor (не только Terminologist); Gemini-апекс форсированно думает (бюджетить как output); think-ON эскалация — только subset-провайдеры (не xAI/Grok, пока EstimateUSD не резервирует reasoning).

Новые дешёвые гейты Фазы 1 (детерминированные, Go): линтер тире-диалогов, ёфикатор, блок-лист транслит-междометий, число-гейт 万/億; ruby-парсер в спеку импорта (для ja-имён).

ПОПРАВКА ВЛАДЕЛЬЦА (04.07): удалён только Anthropic (за дороговизну), OpenAI ОСТАЁТСЯ. Живой набор ключей у бэкенда и полигона: DEEPSEEK_API_KEY, ZAI_API_KEY, KIMI_API_KEY, OPENAI_API_KEY, GEMINI_API_KEY, XAI_API_KEY. → Вернуть провайдер openai в models.yaml (gpt-5-nano альт черновика, gpt-5-mini кандидат редактора/second-opinion судьи; квирки в experiments/00-provider-quirks.md: reasoning_effort minimal, без temperature, max_completion_tokens). Gemini/xAI теперь доступны сразу (не «Фаза 2»), нативные адаптеры для safety-судьи — по-прежнему Ф2. Р4 в 01-decisions.md обновлён. xAI/Grok НЕ выведен (уточнение владельца): Grok 4.3 — основной пермиссивный тир канала B + судья 18+; промо $150 за data-sharing — на выделенный NSFW/eval-аккаунт.

Ответ оркестратора на два флага + вопрос «план vs старт» (04.07). Оба флага верные, приняты:

Рассинхрон quirks — исправил (experiments/00-provider-quirks.md: строка про OpenAI была устаревшей). Источник истины по стеку — 05-decisions-log.md D3 + Р4.

Capability-слой — принял как корректировку D3.1 (записано в 05-decisions-log.md): «без новых адаптеров» было оптимистично. Kimi (temperature:1), gpt-5-mini (max_completion_tokens, без temperature, effort minimal), Gemini 3.1 Pro (thinking обязателен) → текущий openAIRequest даст 400. И это раньше D3: Kimi — уже альт-редактор, edit temp 0.4 упрётся. Форма — декларативные capabilities per-модель в models.yaml (budget_field, temperature: send|omit|locked:1, reasoning_control), адаптер строит тело по ним; эталон квирков — 00-provider-quirks.md. Про «план vs старт»: пиши КОРОТКИЙ implementation-plan, но только на контракт-несущие куски, не waterfall. Полную спеку — на три места, где двусмысленность = переделка: (а) точный payload snapshotID (что именно входит в хэш памяти/сборки контекста — это класс бага «тихий расходящийся ре-пэй»); (б) схема disposition/флагов (таблица флагов, flag_reason, как resume читает терминал-для-прогона vs retry-flagged); (в) capability-матрица провайдеров. Чанкер/импорт/гейты — механика, их в план не разворачивай. Порядок работ, который ты предложил, ратифицирую: (1) runner-loop + флаг-таблица + disposition, (2) snapshotID под память, (3) чанкер+импорт(+ruby), (4) миграция памяти v2, (5) четыре гейта; capability-слой + заводка D3 — не «параллельно потом», а вместе с (1), т.к. Kimi-редактор упрётся сразу. Стартуй с (1)+(2) — они держат всё остальное. deepseek-v4-pro слаг фактчекни на api-docs.deepseek.com перед wiring эскалации (не блокирует фундамент).

Ответ оркестратора на readiness-вердикт + флаг git (04.07). Готовность принята, порядок работ подтверждён кодом — старт Фазы 1 разрешён.

Флаг git закрыт: docs закоммичены (docs/ — моя зона; коммит после этой записи). Полигону: закоммить свою зону eval/ (2 изменённых + 4 новых скрипта untracked — при reset --hard потеряются); eval/data/.venv/токенизаторы в .gitignore, коммить только код.

Дефолт редактора Фазы 1 = grok-4.3 (эксп.04 полигона, бейк-офф — закрывает твой вопрос №2, ОПРОВЕРГАЕТ прежнее «редактор=GLM»): ранг-1 верность, ранг-2 стиль, ~13с без reasoning, лучший value. Премиум-эскалация редактора — gemini-3.1-pro. GLM/Kimi сняты с дефолта. В pipeline-c1.yaml edit-стадию перевести на grok-4.3 (провайдер xAI, kind: openai, thinking OFF — reasoning=0, ledger чист; capability: temperature шлётся, max_tokens). Провизорно (LLM-судьи, короткие фрагменты) — финал на пилоте Ф2.5. Р4/05-decisions-log обновлены.

Следствие: grok-4.3 стал центральной моделью (редактор SFW + канал B + судья 18+) — гигиена аккаунтов xAI на три использования (Р4): промо/data-sharing только eval+NSFW, продакшн-редактор SFW — чистый аккаунт.

⚠ DeepSeek-черновик «эхал» оригинал на высоко-CJK фрагменте (эксп.04, 3/3) — тихий отказ = оригинал вместо перевода. CJK-гейт Фазы 1 обязан это ловить (уже в плане); плюс фолбэк-черновик как у полигона.

Ещё две вводные бэкенду (04.07): 5. Схему памяти v2 (твой шаг 4) держи до реестра рисков от сессии «Валидация банка памяти». Владелец выделил банк памяти (главная точка отказа пайплайна) в отдельную адверсариальную сессию (промт docs/MEMORY_RESEARCH_SESSION_PROMPT.md, финализирован); её выход — architecture/06-memory-risk-registry.md — вход, по которому ты фиксируешь схему store/глоссария. Шаги 1–3 (runner-loop / snapshotID / чанкер) от схемы памяти не зависят — иди по ним, шаг 4 гейтит валидация. snapshotID под память (D5.2) проектируй с запасом, но финальную схему полей не морозь. 6. Коррекция контура (владелец): EU-SaaS, прямые ключи, BYOK отменён — в коде это НИЧЕГО не меняет (бэкенд всегда был на прямых ключах; BYOK был продуктовым концептом Р8/Р9, не кодом). Обновлены только Р5/Р8/Р9/Р10 в 01-decisions.md. Дефолт редактора Фазы 1 — grok-4.3 (эксп.04) — в pipeline-c1.yaml edit-стадию на него (xAI, thinking OFF, capability: temperature шлётся).

Ответ оркестратора на 4 вопроса Фазы 1 (04.07) → полностью в 05-decisions-log.md D8–D11. Онбординг-поправки ратифицированы (grok-editor не Kimi; deepseek-v4-pro резолвить через /models, не хардкодить; gemini -preview несущий; models.yaml обновляешь сам; F4 в A, F3 явно). A/B/C-план принят. Ответы:

Q1 (D8): content-hash материализации памяти, не version-counter (drift-proof; счётчик переоткрывает баг тихой переоплаты). Хэшируй полное состояние инъектируемого пула на старте джобы (per-chunk выбор уже в request_hash).

Q2 (D9): приёмочная книга — ja→ru ранобэ. Ставит ruby-извлечение на критический путь (форсирует закрытие дыры §4). Границы: фуригана первого появления → глоссарий-лок имени, НЕ ruby в выходной вёрстке. Хедж если ruby-тайм-синк — в D9.

Q3 (D10): знаменатель — ВСЕ approved-термины (имена+титулы/термины), матчит R7 + бьёт по жалобе №1 (коллапс рангов). names-only — под-метрика. Порог 98% на детерминированном слое достижим; недостижимость → ревизия порога, не знаменателя.

Q4 (D11): budget_usd — конфиг-потолок, не гейт приёмки — ДА. Но ⚠ оба cost-числа устарели, не только премиум: дефолт-редактор grok-4.3 ($2.50/M out ≈ 10× draft) → стандарт-микс ранобэ ~$0.73 (>$0.6). Приёмка по стоимости = escalation уважает конфиг-потолок + точность телеметрии (ledger корректно биллит grok reasoning=0 / gemini reasoning-as-output), мягкий sanity ~$1/ранобэ, не жёсткий $0.6/$5. Точные числа — полигон пересчитывает на стеке draft-DeepSeek+editor-grok+премиум-Gemini. Ре-флаг: grok = дефолт-редактор → каждый чанк через xAI. Продакшн-редактор — чистый xAI-аккаунт без data-sharing (промо-аккаунт только eval/NSFW). Концентрация 3 ролей на xAI — риск доступности (Р10), gemini-премиум как замена под рукой.

2026-07-04 — Сессия 3: Веха 1 Фазы 1 — capability-слой (C) + snapshotID под память (B)

Ратифицированный порядок стартует с twin-фундамента (runner-loop+snapshotID, capability-слой вместе). Веха 1 = C + B (жёстко связаны через stageSnap); runner chapter/chunk-loop + A (disposition) — Веха 2. Всё зелёное: go build/vet/test -race, реальные конфиги валидируются через tmctl report ($0).

C — capability-матрица (D3.1). Декларативные capabilities: per-модель в models.yaml: budget_field (max_tokens|max_completion_tokens), temperature (send|omit|force+value), reasoning (control none|effort|extra_body_disable|mandatory + off_effort/off_extra_body/on_extra_body). Резолвер (Capability.applyToBody) строит тело в openAIRequest.MarshalJSON; Models.ResolveCapability мержит provider-дефолт ← model-оверрайд (модель побеждает по-полю). Fail-fast валидация (enum + companion-поле). Нулевая каппа = Phase-0 wire (обратная совместимость — все текущие модели без изменений на проводе). GLM thinking:disabled перенесён extra_body → capabilities.reasoning.off_extra_body (тело байт-в-байт то же, тест TestGLMMigrationWireIdentical; сдвигается только snapshot — осознанный --resnapshot). Отдельно от Provider.Reasoning=subset|additive (то — биллинг). Юнит-тесты покрывают все квирки: gpt-5 (max_completion_tokens+omit+minimal), Gemini mandatory-swallow, Kimi force=1, GLM off/on.

B — snapshotID под память (D5.2/D8). snapshotID сворачивает: (а) суб-хэш context-assembly-ручек (glossary_injection/budget/stm_depth/overlap/cache_ttl), (б) memoryVersion — content-hash материализованной инъектируемой памяти (не bump-счётчик, D8; пока пустая материализация до банка памяти v2), (в) резолвнутую capability per-стадию в stageSnap. STM исключён (пересобирается из чекпоинтов). Цепочка capability → stageSnap → snapID → request_hash подтверждена (mutation-verified: без фолда правка каппы молча подаёт старый чекпоинт).

Заведён стек (частично). Провайдер xai + grok-4.3 (цена $1.25/$2.50 факт. 04.07). deepseek-v4-pro ПОДТВЕРЖДЁН живьём (GET /models: [deepseek-v4-flash, deepseek-v4-pro]; deepseek-chat из списка ушёл — депрекейт 24.07). Черновик = deepseek-v4-flash, голова эскалации A = deepseek-v4-pro. ⚠ Цену v4-pro /models не отдаёт — фактчекнуть перед wiring. Отложено в след. конфиг-шаг (нужны фактчек цен gpt-5-mini/nano + подтверждение xAI прод-ключа): переключение edit-стадии glm-5→grok-4.3, заводка gemini/openai + gemini-3.1-pro-preview/gpt-5-*/glm-5.1 + цепочки эскалации. Веха 1 даёт МЕХАНИЗМ (юнит-тесты по всем квиркам) + живой путь; полный стек — когда цены подтверждены.

Селфревью (адверсариальный воркфлоу, 4 измерения → верификация каждой находки). Детерминизм — 0 дефектов (инвариант держит, проверено эмпирически). 5 находок исправлено: (1) [регресс, мой] GLM-disable стал условным на reasoning=="off" — пустой (незаданный) effort молча включал бы thinking (×3 таймауты + reasoning-биллинг); фикс: extra_body_disable трактует "" как "off" (сохранён Phase-0 unconditional-disable), только явный low/med/high → think-ON; (2) валидация не требовала companion-поля (typo off_extra_body → тихий no-op) → требуем off_extra_body/off_effort; (3) нет теста, что каппа входит в snapshotID (центральный инвариант B) → e2e-гейт TestRunnerSnapshotPinsCapability (mutation-verified); (4) mandatory-swallow тестился только на off → строка на non-off; (5) валидация не тестилась на provider-пути/temp-mode/reasoning-control → добавлено.

Техдолг вперёд (не блокирует Веху 2): capabilities эскалационных моделей НЕ в snapshot (только стадии) — закрыть при заводке цикла эскалации (тот же класс D5.2, но пути исполнения ещё нет); memoryVersion — заглушка до банка памяти v2 (при инъекции памяти заполнить запрос); Kimi max_tokens≥16000 не выразим в capability-схеме (при wiring эскалации).

Гигиена xAI (напоминание): в models.yaml у провайдера xai — комментарий-контракт «прод-clean без data-sharing». XAI_API_KEY в .env подтвердить как прод-аккаунт перед первым боевым grok-вызовом (в Вехе 1 grok в стадии не зовётся).

Веха 2 (следующая): runner chapter/chunk-loop + chunk_status/disposition (A, D2) — flag_reason-константы, classify(text,finish) (refusal/echo до length), ось attempt, exit-коды 0/2/1, фиксы F4 (усечённый length → flagged) + edit-max_tokens от длины черновика.

Полигон

(секция параллельной сессии — записи добавлять сюда)

Сообщение от основной сессии (04.07, после ревью твоих экспериментов 01–02). Работа принята, качество высокое. Важные вводные:

Архитектурные доки обновлены до v2 (~05:08, после адверсариального ревью) — если читал их до этого, перечитай architecture/01-decisions.md: экономика теперь разделена по контурам «чей ключ» (Р5), премиум-микс с Sonnet в ru-контуре недоступен, batch — только для батчуемых стадий. Твой пересчёт COGS из эксперимента 01 отлично ложится в контур «прямые ключи»; при случае добавь строку-оговорку про ru-агрегаторский контур (×2–6 на флагманы).

Твои коридоры len_ratio из эксперимента 01 — прямой вход в coverage-гейт v1 бэкенда (Р7/план Фазы 1). Когда сузишь их по факту прогонов — зафиксируй в experiments-доке итоговые пороги отдельной таблицей, я заберу их в конфиг гейта.

GTX 1070 ≠ допущения research/06 (там RTX 3060/4060, 40–53 tok/s; по vojo-референсу у 1070 ~28 tok/s на 8B). В эксперименте про локальный стенд явно проверь: (а) реальные tok/s качественного кандидата 30b-a3b MoE при лимите WSL RAM ~19GB (модель 18GB — впритык, возможен свопинг; вариант — llama.cpp --n-cpu-moe вместо ollama), (б) достаточность 8B-abliterated для ролей «скрининг + 18+ перевод». Если 30b не влезает — это меняет рекомендацию Р4 по локальному стеку, пометь как «Расхождение».

Опциональная задача в бэклог (из Р5/Р10 риск №6, понадобятся ключи владельца): эмпирическая проверка, пробрасывают ли ru-агрегаторы (ProxyAPI/VseGPT/AITunnel) cache-hit тарифы DeepSeek — два одинаковых запроса подряд, сравнить usage/стоимость. Это разблокирует экономику ru-контура.

Договорённость по журналу: фиксируй здесь краткие итоги каждого эксперимента (1–2 строки + ссылка на док) — основная сессия читает эту секцию, а не всю папку experiments.

2026-07-04 — Сессия 1 полигона (ответ на вводные выше — приняты)

Инфраструктура: eval/ (venv, токенизаторы DeepSeek V3.2/Qwen3/Qwen2.5/GLM-4.6 + tiktoken), PD-корпус 16 текстов zh/ja/en/ru с 3 параллельными парами. Ключи — eval/.env (gitignored, закрыт deny-правилом; скрипты читают сами; шаблон на 7 провайдеров создан, ждёт заполнения владельцем).

Эксперимент 01 (задача 1) — завершён → experiments/01-token-calibration.md. Два расхождения с research/09 >15%: иероглиф = 0.86–0.93 ток. (in-family) против 0.65–0.75; «выход≈вход±20%» сломано — zh→ru 1.88×B (en→ru 1.53, ja→ru 1.29). COGS (контур прямых ключей): стандарт-вебновелла DeepSeek $1.85→$2.57, премиум-микс ≈$28→≈$49 ($26 batch); ранобэ ja→ru подешевел ($3.9→$3.1). Оговорка про ru-агрегаторский контур добавлена (п.1 вводных учтён).
Эксперимент 02 (задача 2) — первый прогон выполнен (ключи получены ~06:10) → experiments/02-refusal-benchmark.md. 6 провайдеров × 11 фрагментов (SFW/L1/L2-violence): 66/66 ok — ноль отказов и вырезаний, контроль ложных срабатываний пройден; содержательная 18+ часть ждёт explicit-фрагментов владельца. Пороги len_ratio для coverage-гейта готовы (п.2 вводных): zh→ru <2.2, ja→ru <1.4, en→ru <0.70, sent_cov <0.75 — таблица в 02, забирайте в конфиг v1. Побочные находки для продакшн-конфига провайдеров: thinking GLM-4.6 (таймауты ×3) и Gemini (молча обрезал перевод — детектор поймал) отключать для роли переводчика; gpt-5-mini — reasoning minimal; safety_settings Gemini через OpenAI-слой не передаются (судье нужен нативный API).
Эксперимент 03 (задача 3) — первый замер + эталон → experiments/03-local-stand.md. По п.3 вводных: (а) 30b-a3b в WSL влезает (mmap, без OOM), но на ollama даёт лишь 10 tok/s — «Расхождение» с research/06 (25–30 обещаны через llama.cpp --n-cpu-moe; ставится в фоне — перемерить; Р4 менять пока не надо: рекомендация там и так llama-server); частично виноват и лимит WSL RAM 20GB — поднят до 26GB (.wslconfig, вступит после рестарта WSL); (б) 8b @ 27 tok/s (6.6GB VRAM) — на роли скрининга/экстракции годен. Эталон DeepSeek снят: разрыв качественный — API даёт корректные реалии («ворота Расёмон на улице Судзаку», «Новогоднее жертвоприношение») за ~$0.0005/фрагмент там, где обе локалки галлюцинируют («Рождественская дверь», «петухи»); NSFW-фрагменты ещё не гонялись. Для бэкенда: лег-таймаут vojo 45 с несовместим с чанками (63–278 с) — нужен свой профиль + стриминг. План расширения пула: ваниль qwen3:8b (цена абляции) → Qwen3.5-9B → RuadaptQwen3 (докачиваются в фоне).
Бэклог принят: проверка проброса cache-hit агрегаторами (п.4, нужны ключи) — в шагах ниже. Задачи 4–5 не начаты (bge-m3 уже на стенде).

2026-07-04 — Сессия 2 полигона (после рестарта WSL с RAM 26GB)

llama.cpp --n-cpu-moe для 30b-a3b — перемерено, «Расхождение» с research/06 подтверждено: потолок генерации на GTX 1070 ~13.5 tok/s (не 25–30). Таблица конфигов в 03: ollama 10 → llama.cpp --cpu-moe 11.2 → --n-cpu-moe 33 13.5 (VRAM 2.9→7.8GB, prefill 105→208). Узкое место — пропускная способность CPU-RAM (DDR4/Pascal), не рантайм; llama.cpp честно лучше ollama (+35% ген., ×2–3 prefill), но 30b-a3b на этом железе — только фоновые роли (~2.5 мин/главу). Скрипт: eval/llama_moe_bench.sh.
Замер 4 новых dense-моделей (ваниль qwen3:8b / qwen3.5:9b / +abliterated / ruadapt) — готово, таблица в 03. Три вывода: (1) абляция бесплатна — qwen3.5 vanilla vs abliterated идентичны по скорости и SFW-качеству → 18+-роль можно на abliterated без штрафа; (2) поколение 3.5>3 умеренно (лучше понимание, −25% токенов, −10% скорости); (3) RuAdapt: токен-выигрыш подтверждён (−40% ru-токенов), но перевод развалился (羅生門→«дерево с колокольчиками») → редактор ru-стиля, не переводчик (как и предупреждал research/06). Разрыв с API держится у всех. Побочная находка для бэкенда: thinking у Qwen3.5+/GLM/Gemini для роли переводчика обязателен к отключению (иначе пустой/обрезанный вывод — ловилось дважды: эксп. 02 и здесь).
Think-режим (проверка гипотезы владельца «reasoning поднимет качество в разы») — 03, раздел «Влияние thinking». Итог: (а) прежняя «пустота» — артефакт тесного контекста (рассуждения не влезали с ответом), не зависание; (б) с ctx 16k think завершается и реально чинит реалии (羅生門: «Радзёмон»→«Рашо-мон»; 朱雀 с китайского чтения на японское) — гипотеза частично подтвердилась; (в) но локально нежизнеспособен: 8,6 мин и ~11k токенов рассуждений на 1400 знаков (вебновелла ≈ 200 ч). Новый пункт бэклога → оркестратору/бэкенду: проверить think-ON vs OFF по КАЧЕСТВУ на быстром облачном черновике/редакторе (DeepSeek/GLM) — потенциальный дешёвый рычаг качества, раз reasoning вытаскивает реалии.
Справочник провайдерских граблей → experiments/00-provider-quirks.md (по замечанию владельца: бэкенд и полигон оба «ходят к провайдерам», но это не дубль — Go-продакшн-адаптеры 1735 строк с failover/ledger vs 40-строчный Python-зонд сырого поведения; объединять нельзя, но знание о граблях сведено в один справочник). Собраны: thinking-управление (GLM/Gemini/gpt-5/Qwen — у каждого по-своему!), Kimi только temp=1, Gemini 3.1 Pro обязательно-думающая, safety_settings Gemini не через OpenAI-слой, localhost-прокси, деприкации. Бэкенду: читать при правке адаптеров internal/llm.
Эксперимент 04 — бейк-офф редакторов ru-стиля (вопрос бэкенда №2 + замена Anthropic) → experiments/04-editor-quality.md. Метод: DeepSeek-черновик → 4 редактора (glm-4.6/kimi-k2.6/gemini-3.1-pro/grok-4.3) полируют; 4 фрагмента (ja/zh/en); слепая человеческая оценка владельца (LLM-судьи на худ. качестве ненадёжны). Артефакт для оценки: https://claude.ai/code/artifact/25394796-96f0-4f3f-b8d0-de000d415472. Объективно уже видно: grok-4.3 — быстрый/дешёвый (~13с, без reasoning); kimi-k2.6 дорогой (~11k reasoning-токенов на абзац → биллятся как выход); gemini-3.1-pro обязательно-думающая. Цена входит в решение наравне со стилем. Оценка стиля — на владельце (ожидает). Методическое следствие для пилота (задача 4): владелец читает только en/ru → человеческая оценка верности возможна лишь на en→ru + русской стороне, для zh/ja нужен английский якорь.

Эксперимент 04 — РЕЗУЛЬТАТ (04.07): слепую оценку сделали два фронтир-судьи (GPT + Opus 4.8), сверяясь с каноническими переводами (Фельдман/Рогов/Морозов), сошлись независимо. Ключ: A=grok-4.3, B=glm-4.6, C=gemini-3.1-pro, D=kimi-k2.6. Итог: стиль gemini > grok > kimi > glm; верность grok > gemini > glm > kimi; value grok ≫ gemini > glm > kimi. Рекомендация дефолта редактора Фазы 1: grok-4.3 (лучший баланс качество/цена, надёжен по смыслу, ~13с/без reasoning), премиум-эскалация gemini-3.1-pro (лучшая проза, культурные узлы на уровне канона). GLM-4.6 (текущее допущение Р4 «редактор=GLM») эмпирически слабейший — снять с дефолта; Kimi убрать (худший value: 11k reasoning/абзац, последний по верности). → оркестратору: правка Р4 (полигон архдоки не трогает). Полный разбор — 04-editor-quality.md.

⚠️ КОРРЕКЦИЯ ВВОДНЫХ ОТ ВЛАДЕЛЬЦА (04.07) → ОРКЕСТРАТОРУ, фундаментально: владелец НЕ в РФ; бэкенд на EU-сервере, все вызовы моделей идут оттуда; модель — обычный SaaS с прямыми ключами (владелец платит за токены, клиент платит за сервис). BYOK НЕ делается — ни сейчас, ни в планах (стопнуть в доках). Следствие: весь «ru-контур / BYOK / агрегаторы» неверен — Р5 «два контура чей ключ» схлопывается в один (прямые ключи), почти весь Р8 (152-ФЗ/259-ФЗ/ЮKassa/ИП) неприменим. Остаётся валидным ru как язык перевода (рынок ru-читателей), меняется только доставка. Правки Р5/Р8/Р9 — на оркестраторе (полигон архдоки не трогает). Полигон: проверку ru-агрегаторов из очереди снял.

Следующие шаги полигона

Эксперимент 04 (редактор) — оценён (grok-4.3 дефолт, gemini-3.1-pro премиум; GLM/Kimi не дефолт); правка Р4 на оркестраторе.
Прогон refusal-бенчмарка (SFW/L1/L2-violence часть) — 66/66 ok, пороги в 02.
Эталон DeepSeek + llama.cpp 30b-a3b (13.5 tok/s) — в 03.
[~] explicit-часть refusal-бенчмарка — владелец даёт фрагмент реальной вебновеллы («Мастер Гу», жёсткая сцена) → полигон заведёт в корпус и прогонит через провайдеров (кто откажет/вырежет/переведёт). Проверка ставки «Grok = NSFW-канал».
~~Проверка ru-агрегаторов~~ — СНЯТА (BYOK отменён владельцем, см. коррекцию выше).
[—] Банк памяти (задача 5 + шире) — по решению владельца выносится в отдельную сессию «Валидация банка памяти» (главная точка отказа пайплайна; не бросаться в код без разбора опасных сценариев). Полигон подготовил черновик промта → docs/MEMORY_RESEARCH_SESSION_PROMPT.md; оркестратору вычитать/финализировать, затем владелец запускает. Замер эмбеддингов (bge-m3 vs Qwen3-Embedding vs LaBSE) — часть мандата той сессии.
Довалидация токен-калибровки на 3–5 главах реальных вебновелл (файлы владельца).
Задача 4 (пилот выбора ядра, Фаза 2.5): протокол BWS + панель LLM-судей.

Задачи от оркестратора (04.07, из журнала решений architecture/05-decisions-log.md):

Пересчитать ОБА cost-числа (не только премиум) на реальном Фаза-1 стеке — расширено после D8–D11: дефолт-редактор теперь grok-4.3 ($1.25/$2.50), не GLM/DeepSeek → и стандарт-микс подорожал (ja→ru ранобэ ~$0.73, не $0.17; порог приёмки $0.6 устарел). Дай: (а) стандарт-микс (DeepSeek-draft + grok-editor) на ранобэ ja→ru и вебновелле zh→ru; (б) премиум-микс с апексом Gemini 3.1 Pro (обязательный thinking, reasoning-as-output $12/M; batch −50% только судье/QA, НЕ inline-эскалации; эскалированный чанк платит Gemini дважды). Дефолты $5/$30 и порог $0.6 — заглушки до пересчёта.

Замерить, эмитят ли DeepSeek/GLM/Kimi/grok finish_reason=content_filter (D2.4, теперь и grok — он дефолт-редактор): бэкенд ветвит диспозицию по нему, но OpenAI-совместимый слой отдаёт finish_reason сырым — если провайдеры его не шлют, реальная страховка только refusal-blacklist. Дешёвый зонд на отказном фрагменте. Плюс, если есть ключ: подтвердить capability-квирки gpt-5-nano (бэкенд предполагает = mini: max_completion_tokens + omit temperature + effort minimal — верифицировать).

Think-ON vs OFF по КАЧЕСТВУ на облачных translator/editor (DeepSeek/GLM/Kimi — subset-billing, безопасно по потолку): гипотеза владельца про reasoning частично подтвердилась локально (羅生門→Радзёмон), DRT (arXiv:2412.17498) подтверждает для роли переводчика. Это ключевой вход в пилот Ф2.5 — мерить именно translator/editor, не только Terminologist.

Проброс cache-hit/batch RU-агрегаторами (уже в бэклоге) гейтит достоверность всего премиум-бюджета — приоритет поднять.

Ключевой набор расширен: теперь живы и OPENAI_API_KEY, и GEMINI_API_KEY, и XAI_API_KEY — Gemini-судья и Grok-канал-B можно гонять в евалах сразу.

xAI/Grok НЕ выведен (уточнение владельца): ретайрнулся только дешёвый Grok 4.1 Fast, сам провайдер жив. Роли Grok — переводчик канала B и судья 18+ (не отказывается оценивать explicit). У xAI промо $150 за data-sharing — бери на выделенный NSFW-аккаунт: этим разблокируется висящая 18+ часть refusal-бенчмарка (эксп.02) и 18+ плечо пилота. Гони на промо-кредитах: (а) 18+ refusal/excision на Grok/DeepSeek/локальной abliterated; (б) Grok в роли 18+-судьи — качество оценки explicit-сцен. Data-sharing только PD/тест-корпус, реальные книги через него не гнать. Grok в евалах — thinking OFF (reasoning аддитивный).

Память

(секция сессии «Валидация банка памяти» — записи добавлять сюда)

2026-07-04 — Сессия «Валидация банка памяти» завершена

Метод: многоагентный ресёрч по 7 направлениям + независимая адверсариальная верификация по первоисточникам + completeness-критик (15 агентов) + локальный эмпирический бенчмарк retrieval на реальном PD-корпусе + чтение кода backend/. Выходы:

research/13-memory-bank-validation.md — вердикт (что менять, обоснование, источники).
architecture/06-memory-risk-registry.md — реестр рисков (вход бэкенду перед фиксацией схемы store/глоссария Фазы 1).
Эмпирика: eval/retrieval_bench.py, eval/data/retrieval_bench/ (реюз PD-корпуса полигона, не дублируя инфру).

Вердикт (кратко): архитектура ДЕРЖИТ, но go/no-go на саму ставку сейчас нельзя — центральный детерминированный no-LLM горячий путь академически нов (DelTA — LLM-в-цикле per-предложение), сравнение «банк vs длинный контекст» на реальном zh/ja→ru стеке не проведено, acceptance-критериев/baseline/cost-модели нет.

Находки (1–2 строки):

Q1 Робастность: опасение владельца уточнено — «пусто» безопасно (норма горячего пути), тихую деградацию порождает ошибочная инъекция (модель послушно следует неверной строке, уверенность↑ точность↓ — 2510.00829). Защита: «лучше ничего, чем мусор» + трёхсторонний disposition (accept/verify/reject) + обязательный post-check.
Q2 Масштаб: brute-force KNN держит с огромным запасом — <20 мс на 100k×1024-d (замер); триггеры миграции на порядки выше нужд одной книги.
Q3 Корректность retrieval: детерминированный точный матч — строго лучше dense на дословных именах (эмпирика: substring precision 1.0, 0/4 ловушек-омографов; char-BM25 — все 4 ловушки в top-5); dense/reranker/BM25 — только второй эшелон.
Q4 Режимы отказа: DelTA Proper-Noun-Records (first-wins-без-обновления) сам порождает stale/contradiction/drift; полная таблица «сценарий→защита→DET/LLM/где в коде» — в реестре.
Q5 Детерминизм: soft>hard по качеству (в т.ч. en→ru), но soft молча теряет 17–36% терминов → post-check обязателен; слепой post-replace в русский — запрет (ломает согласование); decl — safety, не фича рынка.
Q6 Академика: DelTA (ICLR 2025) En-центрична, LTCR-1 = самосогласованность (не корректность), слабые базовые модели, нет zh/ja→ru; сильнейшее переносимое — Karpinska&Iyyer 2023 (польский прокси ru), но mistranslation/omission персистят даже при идеальном контексте.
Q7 Вендоры/эмбеддинги: memory-числа Mem0/Zep первоисточник не переживают (full-context бьёт Mem0; Zep 84%→58% в исправленной репродукции); эмбеддинг-дефолт bge-m3 (R@5 0.974 vs Qwen3-0.6B 0.891 vs LaBSE 0.827); ни одна модель не даёт разделяющего порога (пересечение распределений) → эмбеддинги low-trust, только кандидаты на ревью.
Инвариант D5.2 — подтверждён кодом: snapshotID (runner.go:145-163) не хэширует версию глоссария/context-assembly, а RequestHash включает msgs → после инъекции памяти Фазы 1 изменённый глоссарий тихо промахивается мимо чекпоинта и переоплачивает расходящимся переводом. Общий гейт Фазы 1 (F1 реестра), закрыть ДО инъекции памяти.

[ПИНГИ ОРКЕСТРАТОРУ] расхождения с research/05 / Р3 / Р7

Эта сессия архдоки не правит (кроме своих 13/06) — расхождения выношу пингами:

Р3/research/05 §177 «sqlite-vec нельзя, pure-Go не загрузит C-расширение» — неточно. Верно только для modernc.org/sqlite; CGO-free sqlite-vec существует (ncruces WASM). Решение brute-force в MVP верно, но рациональ переписать («держим modernc единым драйвером», а не «pure-Go не может»). → правка формулировки Р3.
Р3/research/05 §7 «один стек LaBSE на выравнивание и RAG» — опровергнуто эмпирически (LaBSE слабейшая на retrieval, R@5 0.827). LaBSE — только Bertalign; RAG — bge-m3 (дефолт) + Qwen3-Embedding-0.6B (challenger, добавить в стек Р4). → правка Р3/Р4.
research/05 §4.1 «vectorized-активация — все три нужны» — не в горячем пути (вредна там); только второй эшелон. §5.2 «желательно без эмбеддингов» → строго без для дословных терминов.
research/05 §4.2 DelTA / §1.2 Zep / §5.3 constrained decoding — числа/атрибуции поправить (см. research/13 Q4/Q5/Q6): LTCR-1 = самосогласованность, не качество; DelTA-память LLM-в-цикле (не детерминированная — наша ставка нова); «структурированная память > длинный контекст» — гипотеза, не доказанное; вендор-числа Mem0/Zep убрать; «constrained decoding портит качество» overstated (реальная причина — закрытые API).
Р3/Р7 усилить: post-check из «флаггера» в обязательный гейт (E1/E2 реестра); спойлер-окно since_ch/until_ch — safety-гейт с жёстким reject+лог, не UX-фича; добавить ось «редакционное время» ⊥ спойлер-окну (stale/drift); гейт фактичности резюме (у резюме нет post-check-аналога — первоклассный пробел D1).
zh/ja→ru-специфика, не покрытая ни одним доком: стандарты транслитерации Палладий (zh)/Поливанов (ja) (ось корректности ⊥ самосогласованности — крупнейший пробел, B6); утечка рода через русский глагол прош. вр. мимо gender=hidden (морфо-гейт Ф2 должен сканировать глаголы — C3).

[БЭКЕНДУ] шаг «миграция памяти v2» разблокирован — с гейтами

Реестр вышел → шаг 4 можно фиксировать, соблюдая architecture/06 §Гейты: (1) F1 snapshotID под память+context-assembly ДО инъекции (общий гейт, держит D1/D5); (2) схема D7 + sense, ось редакционного времени, UNIQUE(src,sense,window)+обратная dst-проверка, min_key_len+запрет одиночных ключей, нормализация NFKC/OpenCC/kana/ruby; (3) post-check обязателен, слепой post-replace в ru запрещён; (4) трёхсторонний disposition + per-chunk retrieval-state запись. Горячий путь = НЕ FTS5 (impl-notes §3.6 уже так; FTS5 не сегментирует CJK), а детерминированный Aho-Corasick/trie. Ставку на банк памяти НЕ морозить до in-house eval (протокол/acceptance — research/13 §Вердикт: WMT25-трёхрежимный, baseline «банк vs длинный контекст», предзарегистрированные пороги).

[ВЕРДИКТ ОРКЕСТРАТОРА] банк памяти — GO на схему+гейты, ставка гейтится eval'ом (параллельно, не блокер)

Валидацию принял (15 агентов + верификация + свой retrieval-бенчмарк — самый провалидированный артефакт проекта). Пинги применены в Р3/Р7 (01-decisions.md). Разбор надвое:

Схема + детерминированный горячий путь + 5 гейтов реестра — GO, low-regret. Строим сейчас: структурированный глоссарий нужен как СУБСТРАТ для post-check-гейта («тихое→громкое») в любом случае, спойлер/род-гейты — safety в любом случае, а режим инъекции уже конфиг (selective|full_prefix). Даже если eval покажет «длинный контекст победил» — флипается конфиг инъекции, а не схема. Поэтому схема не гейтится eval'ом.
Ставка (достаточность селективной инъекции vs полный контекст + whole-book эмбеддинг-слой) — гейтится in-house eval'ом, но eval идёт ПАРАЛЛЕЛЬНО реализации схемы, не блокирует её. Eval — часть пилотного трека (тот же голд-сет, WMT25-трёхрежимный протокол); фолдим в пилот Ф2.5, не отдельная сессия.
Ключевая переоценка опасения владельца принята: тихую деградацию порождает не «пусто», а ошибочная инъекция — и мы её конвертируем в громкую (post-check + disposition + retrieval-state), а не устраняем обещанием. Это и есть ответ на твой страх.
Крупнейший непокрытый пробел — транслит-стандарты Палладий/Поливанов (ось корректности ⊥ самосогласованности, реестр B6) и утечка рода через русский глагол (C3): заложены в реестр, Фаза 2.
Сессия «Валидация банка памяти» — задача выполнена, закрывается. In-house eval — уже не её мандат, а пилотного трека.

[БЭКЕНДУ] реестр architecture/06 — твой контракт для шага 4 (миграция памяти v2). Порядок: F1 (snapshotID под память+context-assembly) — ПЕРВЫМ (общий гейт, держит D1/D5, независим от memory-вопроса — код отстаёт от impl-notes §3.2, там уже предписан версия-счётчик); затем схема v2 = D7 + добавления реестра (sense, ось редакционного времени, UNIQUE(src,sense,window)+обратная dst-проверка, min_key_len+запрет одиночных ключей, артефакт нормализации NFKC/OpenCC/kana/ruby); горячий путь = Aho-Corasick/trie, НЕ FTS5 (impl-notes §3.6 уже так); post-check обязателен, слепой post-replace в ru запрещён; трёхсторонний disposition + retrieval-state запись. Режим инъекции держи конфигом (selective|full_prefix) — eval потом решит дефолт. Отложенное в v1.1/Ф2 (заложить поля/место, не реализовывать): Палладий/Поливанов B6, гейт фактичности резюме D1, эмбеддинг-слой A7, бэкап файла F4, морфо-гейт глагольного рода C3.

[ПОЛИГОНУ/ПИЛОТУ] in-house memory-eval — дециждающий эксперимент, фолдится в пилот Ф2.5: WMT25-трёхрежимный (no / correct / random terminology — random-рука ловит тихую деградацию) на реальных zh/ja→ru чанках; обязательный baseline «банк ON vs OFF» и «банк vs длинный контекст frontier-модели» на том же стеке (DelTA этого не делала — это пробел, который решает go/no-go на ставку); мерить две оси раздельно (самосогласованность approved-форм + source-fidelity/omission через CometKiwi + LLM-судья-против-источника); ru-специфика (согласование рода вкл. глагол, склонение dst); предзарегистрировать пороги + допустимый flag-volume на главу. Эмбеддинг-бенчмарк уже сделан этой сессией (bge-m3 дефолт, eval/retrieval_bench.py) — переиспользуй.

85 KiB Raw Blame History Unescape Escape