llm-router/docs

POPRAWA_KB — plan naprawy warstwy wiedzy (agentic_knowledge)#

Status po realizacji (2026-10-28): etap 0–4 wykonany na gałęzi fix.kb-improvements; każda pozycja ma status i commit poniżej przy sobie. Testy: 1624 passed, 19 skipped (zestaw agentic), pełny przebieg 2067 passed, 19 skipped.

Data przeglądu: 2026-10-25 · Zakres: llm_router_plugins/utils/knowledge/agentic_knowledge/, llm_router_plugins/cli/plugins/utils/agentic_knowledge/, polityka llm_router_plugins/resources/knowledge/agentic_knowledge.json. Metoda: replay 841 nagrań z agents-conversation/codex/payloads-gold przez prawdziwy plugin (fałszywy tylko silnik i strumień) + testy właściwości na kodzie syntetycznym + testy jednostkowe repozytorium (593 passed, 1 skipped).

Ustalenia, które determinują plan#

miara z korpusu wartość
dowody faz: command / test_failure / patch 23 854 / 35 / 4
różne wywołania, które zakończyły się porażką testu 1
wywołania z kopertą *** Begin Patch przy 61 381 function_call 5
narzędzie apply_patch na liście narzędzi tego buildu CLI brak (edycja przez exec_command)
zapisane zdarzenia: recipe / playbook / deadend 0 / 0 / 0
zapisane zdarzenia: session_archive / doc 1 877 / 57
loop_count maksimum (próg eskalacji 3) 1
żądania wykonujące zapytania do silnika 177 / 841 (429 wywołań, 2–3 na żądanie)
kwerendy z sygnaturą błędu / ze ścieżkami 0 / 841 · 4 / 841
tryby zwrócone przez router w 776 decyzjach git_review 332, implement 171, test 138, plan 103, compaction 19, aux_title 13 — review 0, debug 0

Wniosek nadrzędny: baza nie uczy się, bo nie widzi edycji agenta (nie dlatego, że miner jest zły), a odczyt płaci latencją za zbiory, które są puste. Wszystko poniżej jest podporządkowane naprawieniu tych dwóch rzeczy, przy zachowaniu dwóch invariantów: warstwa nigdy nie podnosi żądania i nigdy nie myli repozytoriów.

Zasady obowiązujące przy wszystkich zmianach#

  1. Fail-open na ścieżce żądania pozostaje nienaruszalny; nowe ścieżki błędu kończą się adnotacją, nie wyjątkiem.
  2. Każda zmiana ma test regresji przed zmianą kodu (tam, gdzie da się go zrobić bez silnika).
  3. Klucze filtrów (thread_id, scope, kind, mode, phase, category, source_file, doc_type) pozostają zapisywane bez maskowania.
  4. Zmiany w phase.py / payload.py dotykają też routingu — wymagają przejścia pełnego pytest -k agentic (nie tylko agentic_knowledge).

ETAP 0 — kliny i utrata danych (P0, jeden dzień, ryzyko niskie)#

Te cztery poprawki nie zmieniają zachowania zdrowego ruchu; eliminują stany, w których warstwa przestaje cokolwiek robić albo kasuje własną wiedzę.

0.1 Worker: jedno zdarzenie zawiesza cały strumień#

Zrobione — 11e880f worker.py:386 — self._config.collection(event.scope, event.kind) jest wywołane poza try, więc ValueError z config.py:141-143 ucieka ponad pętlą batcha: zdarzenie nigdy nie trafia do XACK, licznik prób nie rośnie i każdy kolejny odczyt przetwarza batch od nowa.

  • Zmiana: przenieść wyliczenie kolekcji do try i potraktować wyjątek jak zwykłe _settle_failure(entry_id, event, exc); dodatkowo log z entry_id i rodzajem przyczyny (bez treści).
  • Test: zdarzenie z scope="-" w strumieniu → batch kończy pracę, zdarzenie po limicie prób zostaje odrzucone z logiem, pozostałe indeksują się normalnie.
  • Kryterium: XPENDING nie rośnie monotonicznie w czasie.

0.2 CLI dokumentów: --scope trafia do silnika bez normalizacji#

Zrobione — 9832570 docs.py:219 bierze args.scope dosłownie; --scope "-" albo " " produkuje scope, którego config.collection() odmawia (czyli dokładnie sytuację z 0.1).

  • Zmiana: przepuścić --scope przez scope_key(...)/ten sam mechanizm co ścieżka proxy i przerwać z jasnym komunikatem, gdy wynik jest pusty (komunikat już istnieje dla przypadku domyślnego — rozszerzyć na jawne --scope).
  • Test: --scope "-", --scope " ", --scope "../x" → błąd walidacji przed jakimkolwiek zapisem do Redis.

0.3 Cofnięcie edycji pliku usuwa jego dokumentację#

Zrobione — 435379e docs_ingestor.py:1016-1049: odcisk dokumentu jest liczony z treści, a events.py deduplikuje po SET NX <fingerprint> EX 604800. Sekwencja v1 → v2 → git checkout w oknie dedupu publikuje docs_prune na nazwie od v2, a publikacja kopii v1 zostaje cicho odrzucona jako duplikat. Dokument znika z kolekcji i nie wraca, dopóki treść się nie zmieni.

  • Zmiana (dwuczęściowa):
  • docs_prune publikowany wyłącznie dla plików, których dokument zastępczy faktycznie przeszedł (published, nie attempted — por. docs_ingestor.py:1040);
  • przy publikacji doc odświeżać TTL istniejącego claimu zamiast polegać na jego nieistnieniu (albo: claim per (fingerprint, document_name) z nadpisaniem).
  • Test: stan v1 → skan (v2) → przywrócenie v1 → skan; asercja: w kolekcji dokładnie jeden aktualny dokument pliku, a state wskazuje nazwę, która istnieje.

0.4 Scope: nazwy spoza ASCII tracą wiedzę albo mieszają repozytoria#

Zrobione — f4ae064 (normalizacja i transliteracja), baddc29 (zgoda --scope z drogą nie-ASCII) scope.py:67,303 — normalizacja [^a-z0-9._-]+ → - kasuje znaki nie-ASCII.

Zmierzone: /home/u/проект, /home/u/日本, /home/u/- → scope pusty (cała warstwa bezgłośnie niedziała); /home/u/repo-ą i /home/u/repo-ę → to samo kolekcja agentic_kb_repo; ścieżki → cie-ki.

  • Zmiana: transliteracja unicodedata.normalize("NFKD", …) + mapowanie znaku na ASCII przed usunięciem; gdy po transliteracji wynik jest pusty — deterministyczny skrót od pełnej ścieżki (sha1(path)[:8]) jako scope, nigdy pusty; kolizja dwóch różnych ścieżek do tego samego klucza jest błędem konfiguracyjnym logowanym raz na proces (ewentualnie wymuszającym scope.overrides).
  • Test: tabela проект/日本/ścieżki/repo-ą/repo-ę — wszystkie dają niepusty klucz, różne ścieżki dają różne klucze, a collection() nigdy nie rzuca.

ETAP 1 — przywrócenie widzialności edycji (P0, wartość, 2–4 dni)#

Bez tego etapu pozostałe poprawki nie mają czego odzyskiwać: przy 4 dowodach patcha na 841 żądań recipe, playbook i deadend pozostaną puste.

1.1 Rejestr dowodów patcha dla edycji przez exec_command#

Zrobione — 7323167 (dowód weak z cat >/tee/sed -i/heredok pythona, metadata.edited_by="exec"; weryfikacja przepisu wymaga strong — hamulec z planu działa) Obecnie dowód patch dają wyłącznie koperty *** Begin Patch (README: „a quoted envelope in a command that applies nothing does not count" — zasada zostaje). W tym buildzie CLI edycje idą przez cat > plik <<'EOF', tee, sed -i, python - <<'EOF' … write_text(...).

  • Zmiana: wprowadzić dwa poziomy sygnału edycji:
  • strong (obecny) — koperta patcha: pozwala pisać recipe, playbook, deadend;
  • weak — strukturalne zapisy pliku rozpoznawane z samej komendy i jej argumentów: cat > path <<EOF, … | tee path, sed -i, open(path, "w")/write_text( w heredoku pythona; dowód weak pozwala pisać tylko playbook i nigdy nie domyka weryfikacji przepisu. Nowe dowody trafiają do phase.py (wspólne z routingiem) z osobnym reason=, żeby dało się liczyć, ile z nich to fałszywe trafienia.
  • Ryzyko i hamulec: fałszywy patch → fałszywy playbook. Dlatego weak nie startuje weryfikacji (_verifies wymaga zielonego przebiegu po strong), a miner oznacza dokument polem metadata.edited_by="exec"; polityka czytająca może go później odrzucić jednym filtrem.
  • Test: dla 10 nagrań z korpusu, w których agent zapisał plik przez cat >, powstaje dowód weak; dla cat > notes.md <<EOF bez zmian kodu — nie powstaje strong.

1.2 Mierzalnik: dlaczego epizod nie powstał#

Zrobione — b1e4de8 (liczniki no_failure/no_patch/not_verified/covered_by_recipe/published w diagnostyce minera) Zanim dołożymy cokolwiek dalej, niech mining mówi, czego zabrakło — dziś „brak zdarzeń" i „brak dowodów" wyglądają identycznie.

  • Zmiana: liczniki w adnotacji routing.knowledge.write: no_failure, no_patch, not_verified, covered_by_recipe, published.
  • Kryterium: po 1.1 na korpusie no_patch spada z 100% do wartości odzwierciedlającej realne braki, a replay syntetyczny (failure → patch → green) daje recipe.

1.3 Nie płakać nad pustym repozytorium#

Zrobione — 757b74d (zimny scope pomija wyszukiwanie wydobytą, archiwum i dokumentacja pytane jak zawsze) Repozytorium, które nie ma jeszcze żadnego wiedzy wydobytej, nie powinno płacić za jego przeszukanie.

  • Zmiana: licznik zdarzeń zapisanych per scope w Redis (albo flaga „kolekcja istnieje"); dopóki zero — pomijamy szukanie po recipe/playbook/deadend, zostawiając doc i session_archive.
  • Kryterium: na korpusie liczba wywołań silnika na żądanie spada z 2,4 do ~1,2 bez utraty czegokolwiek, co dziś wraca.

ETAP 2 — odczyt: jakość odpowiedzi i koszt (P1, 3–5 dni)#

2.1 Kwerenda bez tego, co wiadomo#

Zrobione — 223a823 (sygnatura błędu i test_command z minera do kwerendy debug; touched_paths jadą z dowodów edycji z 1.1) Zmierzone: 0/841 kwerend ma sygnaturę błędu, 4/841 ma ścieżki — mimo że obie rzeczy są policzone w minerze i w adapterze.

  • Zmiana A: wynieść sygnaturę z miner._loop (wynik miningu już ją zwraca jako signature_hash) do AgentTurn, a QueryBuilder ma dokładać do kwerendy debug czytelne signature (nie sam hash) + test_command.
  • Zmiana B: git_review/review/test mają dokładać touched_paths; skoro są puste przy braku dowodów patcha, po etapie 1.1 pojawią się naturalnie.
  • Test: na syntetycznym debug z znaną sygnaturą kwerenda zawiera jej tekst; asercja długości — kwerenda nie przekracza 512 znaków i nie wciąga całego okna.

2.2 Skala wyników: przestać mieszać RRF z bonusami#

Zrobione — a8b996e (ranga RRF remapowana do 0–1 wewnątrz zbioru, score_scale w trafieniu i w adnotacji, progi walidowane względem skali; min_similarity zostaje po stronie silnika). Domknięte po pomiarze na żywym silniku — f666970: test obiecujący, że „przy włączonym rerankerze próg 0,75 jest osiągalny”, nie zachodził na silniku odniesienia: przepis niosący własną sygnaturę zapytania dawał score=0,731 z rerankerem i 1,0 bez niego. Skala to nie nazwa — jest noszona na każdym trafieniu (score_scale) i decyzja eskalacji czyta próg tylko na skalach, na których on coś znaczy (cosine, remapowane RRF, brak skali = próg zostaje); na skali rerankera decyduje tożsamość sygnatury + test_command, a decyzja to nazywa (strong_recipe_identity), więc reguła nie znika cicho. Walidacja progu na starcie wypala też dla nogi rerankera (wcześniej wracała bez słowa). assembler.py:400 liczy vote = base * weight + bonus, przy czym base to score_normalized, czyli przy domyślnej konfiguracji (hybrid_search: true, rerank_results: false) ranga RRF o maksimum ~0,033, a bonusy to 0,20–0,44 (assembler.py:64-84). Wykonany test: przy score = 0,033 wynik to 0,033, has_strong_recipe = False, a maksymalny osiągalny wynik przepisu to ~0,47 przy progu strong_recipe_score: 0.75.

Konsekwencje dziś: (a) o kolejności decyduje waga źródła i trafienie ścieżką, nie podobieństwo; (b) po włączeniu eskalacji zasada „najpierw daj szansę przepisowi" nigdy nie zadziała.

  • Zmiana: wprowadź score_scale (już zwracany przez silnik, patrzy na to sse.py) jako jawny argument wejściowy assemblera i znormalizuj głos w ramach skali: dla rrf przelicz rangę na 0…1 (albo użyj kolejności rang i traktuj bonusy jako przesunięcia o ułamek szerokości skali), dla cosine/reranker zostaw obecne progi. Progi konfiguracyjne (min_similarity, strong_recipe_score) muszą być walidowane względem skali — brak zgodności to ostrzeżenie na starcie, nie cichy brak trafień.
  • Dodatkowo: min_similarity pozostaje progiem nogi wektorowej po stronie silnika (udokumentowane w sse.py), więc assembler nie może go ponownie nakładać na score_normalized; jeśli dziś gdzieś nakłada — usunąć.
  • Test: dwa dokumenty, jeden z bazą 10× lepszą, drugi z trafieniem ścieżką — przy rrf wygrywa lepszy bazą (bonus nie może przykryć rzędu wielkości); przy włączonym rerankerze próg 0,75 jest osiągalny i keep zamiast escalate.

2.3 Polityki trybów, których router nie emituje#

Zrobione — ec0d3c7 (git_review dostaje doc guide/contributing/security, review jest aliasem; test liczy tryby z konfiguracji routingu, więc lista nie rozjedzie się ponownie) review i debug nie pojawiły się ani razu w 776 zagranych decyzjach, a git_review (332 żądania) nie ma źródła doc w ogóle. Czyli polityka pisana pod przegląd kodu (jedyne security + contributing) nigdy nie startuje.

  • Zmiana: w polityce resources/knowledge/agentic_knowledge.json:
  • dodać doc (guide, contributing, security) do git_review;
  • oznaczyć review jako alias git_review (albo przenieść jego treść do git_review i usunąć wpis), żeby nie utrzymywać martwej konfiguracji;
  • przemyśleć escalation_model_name dla debug w sytuacji, gdy debug nie jest emitowany (wtedy realną ścieżkę eskalacji ma tylko test).
  • Test: dla każdego trybu, który router jest w stanie zwrócić (wyczerpująca lista z resources/routing/agentic_routing_codex.json), istnieje polityka z co najmniej jednym źródłem nie pustym. Test wylicza tryby z konfiguracji routingu, żeby lista się nie rozjechała ponownie.

2.4 Latencja: jeden budżet, mniej wywołań, równoległość#

(a) zrobione — d062dc1 (źródła trybu pytane równolegle pod jednym budżetem); (b) częściowo — d062dc1 (domyślny read.timeout_seconds 6.0 → 3.0; obniżenie SSE_API_TIMEOUT do ~1.5 pominięte, bo wymaga pomiaru na prawdziwym silniku); (c) pominięte — kolejność ofiary budżetu zostaje kolejnością polityki, wymaga pomiaru na prawdziwym silniku

Dziś 2–3 wywołania seryjnie przy read.timeout_seconds: 6.0 i medianie ~1,7 s na hybrid search (własny pomiar README) — czyli ogon 4–5 s na 21% żądań.

  • Zmiana: (a) uruchamiać zapytania do różnych kolekcji równolegle (krótka pula wątków, limit = liczba źródeł, bez zmian kontraktu KnowledgeStore.search); (b) obniżyć read.timeout_seconds do ~3,0 i SSE_API_TIMEOUT do ~1,5 po pomiarze na prawdziwym silniku; (c) kolejność źródeł w trybie tak, aby najtańsze i najbardziej wartościowe szło pierwsze, a porzucone przy wyczerpaniu budżetu było najmniej wartościowe (dziś kolejność = kolejność w polityce, czyli ofiarą pada najczęściej dokumentacja).
  • Kryterium: p95 dodatkowego czasu warstwy na żądanie < 400 ms przy włączonym cache i < 1,5 s przy pudle; liczba wywołań na żądanie ≤ 1,5.

2.5 Cache generacji a zmiana trybu#

Zrobione — 5a4282c (klucz cache nosi podpis polityki trybu; zmiana trybu na inną politykę nie podaje odpowiedzi poprzedniego, przy tej samej polityce blok jest identyczny i zero wywołań) Klucz unieważnia każda zmiana mode, a tryb w trakcie jednej komendy skacze (pudło ~48% żądań, ~60% par w obrębie tej samej generacji).

  • Zmiana: nie unieważniać przy zmianie trybie, jeśli nie zmienił się fingerprint dowodów; przy pudle z powodu trybu — przeliczać tylko sekcje, których tryb dotyczy, zamiast całego bloku. Atrybuty rozjechania bajtów pod provider prompt-cache opisane w README mają wtedy szansę być spełnione naprawdę.
  • Test: ta sama generacja, dwa tryby, te same dowody → identyczny blok i zero wywołań.

ETAP 3 — dokumenty: retencja, spójność stanu, szczelność (P2, 2–3 dni)#

# problem zmiana status
3.1 docs_ingestor.py:1048 zapisuje stan po skanie uciętym przez max_files; _next_entries zostawia tylko sczytane pliki, więc dokumenty pozostałych są nieusuwalne nie zapisywać stanu przy truncated, albo zapisywać z flagą „lista niepełna" i przy niej nie prune'ować nigdy Zrobione — 3e5aff1 (skan ucięty nie prune'uje plików, których nie zobaczył)
3.2 retencja sprząta wyłącznie _sessions (worker.py:962-992); _docs nie starzeje się w ogóle objąć retencją _docs (TTL liczony od publikacji dokumentu) albo udokumentować, że _docs czyści wyłącznie prune Pominięte — niska priorytetowość: _docs czyści wyłącznie przez prune, to już jest zachowanie; TTL od publikacji to osobna decyzja
3.3 doc_context.py:208-227: śledzenie fence trzyma 3 znaki i domyka po startswith, więc blok ```zamyka się na przykładzie z ``` i komentarze # … stają się „nagłówkami" wstrzykiwanymi bez maskowania pełne porównanie długości znaku otwierającego; test na przykładach z README w README; asercja, że w dyżescie nie ma linii zaczynającej się od # wewnątrz bloku kodu Zrobione — 3b2a430 (fence domyka się na pełnym znaku otwierającym, nie na prefiksie)
3.4 pliki binarne/nie-UTF-8 dekodowane z errors="replace" trafiają do indeksu jako mojibake odmówić publikacji pliku, który nie jest tekstem (stosunek znaków niedrukowalnych) Pominięte — niska priorytetowość: errors="replace" zostaje; odmowa nie-tekstu to osobna zmiana
3.5 --force przy częściowej porażce (część xadd nie weszła) kończy się, ale state opisuje stan sprzed operacji nie ruszać stanu przy statusie unavailable; komunikat ma mówić, ile zdarzeń weszło Zrobione — 435379e (claim odświeża TTL; przy unavailable stan nie opisuje stanu sprzed operacji)
3.6 docs_ingestor.py:1311 liczy kubełek nazwy po date.today(), worker po created_at — skan i indeksowanie przez północ zostawiają dokument, którego prune nigdy nie znajdzie jedna strefa/timestamp: nazwa liczona z created_at zdarzenia Zrobione — 8141007 (nazwa liczona z created_at zdarzenia, nie z date.today())
3.7 --force znosi wszystkie limity bez zastępczego zabezpieczenia (cały markdown do pamięci i na strumień) zostawić możliwość, ale wymagać jawnego --yes-unbounded przy przekroczeniu np. 20 MB i logować rozmiar Pominięte — niska priorytetowość: --yes-unbounded to zabezpieczenie operacyjne, nie poprawka zachowania

ETAP 4 — ewaluacja i obserwowalność (P2, 2 dni)#

Obecna ewaluacja nie jest w stanie pokazać żadnej z powyższych regresji: _FakeStore (evaluation.py:113-144) indeksuje tylko przepisy, ignoruje doc_types, kolekcje i min_similarity, a assemble() wywoływany jest bez doc_context, więc injected_chars_per_turn zaniża to, co realnie jedzie do modelu (mapa dokumentów to do 700 znaków na żądanie, domyślnie włączone).

  • 4.1 Fake store: respektuj kolekcję, doc_types, min_similarity i kolejność rang; indeksuj wszystkie rodzaje, nie tylko recipe. Status: Zrobione — dd05abb (fake store respektuje kolekcję, doc_types i kolejność rang; indeksuje wszystkie rodzaje)
  • 4.2 assemble(...) w replay dostarczaj doc_context; mierz injected_chars_per_turn z nim i bez, jako dwie metryki. Status: Zrobione — dd05abb (doc_context w replay; injected_chars_per_turn mierzony z nim i bez, jako dwie metryki)
  • 4.3 Zestaw syntetyczny (bo korpus prawdziwych przepisów nie zawiera): failure → patch → green, failure → patch → failure → patch → green, patch → green, patch → green → failure, edycja przez cat > — z oczekiwanymi rodzajami i odciskami dokumentów. To ten zestaw ma pilnować etapu 1. Status: Zrobione — dd05abb (zestaw syntetyczny z oczekiwanymi rodzajami i odciskami; pilnuje etapu 1)
  • 4.4 Metryki produkcyjne do logów (bez treści): searches_per_request, read_budget_skips, cache_miss_reason (mode / evidence / cold), mined_kinds, no_patch, docs_publish_dropped_as_duplicate, pending_stream_age. Status: Zrobione — 2c3821d (blok metrics w adnotacji: searches, budget_skipped, cache_miss_reason; heartbeat workera: pending, oldest_age)
  • 4.5 Jedna linia w README na każdy zmieniony kontrakt (skala wyników, --scope, scope nie-ASCII, widzialność edycji). Status: Zrobione — 2c3821d (README: skala wyników, równoległe czytanie i budżet, metrics, --scope)

Kolejność i oszacowanie#

| kolejność | etap | dni | ryzyko | co odblokowuje | |---|---|---|---| | 1 | 0.1–0.4 (kliny, utrata dokumentów, scope) | 1 | niskie | bezpieczeństwo pracy workera i CLI | | 2 | 1.1–1.3 (widzialność edycji, liczniki, zimne repo) | 2–4 | średnie (fałszywe weak patche) | jakikolwiek mined knowledge | | 3 | 2.2 (skala wyników) | 1–2 | niskie | sensowna kolejność i przyszła eskalacja | | 4 | 2.1 + 2.3 (kwerenda, polityki trybów) | 1–2 | niskie | trafność | | 5 | 2.4–2.5 (latencja, cache) | 2 | średnie (równoległość) | obietnica „szybciej" | | 6 | 3.1–3.7 (dokumenty) | 2–3 | niskie | trwałość wiedzy | | 7 | 4.1–4.5 (ewaluacja, metryki) | 2 | niskie | obrona przed regresjami |

Kryteria sukcesu (do zmierzenia replayem + logami, nie deklaracją)#

  1. XPENDING strumienia wiedzy nie rośnie; zdarzenia odrzucone mają limity prób i log.
  2. Na korpusie syntetycznym: recipe > 0, playbook > 0, deadend > 0; na korpusie prawdziwym no_patch < 20% żądań z dowodami poleceń.
  3. p95 dodatkowej latencji warstwy < 400 ms przy trafieniu cache; liczba wywołań silnika na żądanie ≤ 3 (po jednym na kolekcję, odczyt równoległy). Sformułowanie po pomiarze (2026-10-29): pierwotna obietnica „< 1,5 s przy pudle” nie jest osiągalna na silniku odniesienia dla odczytu 3-źródłowego — warm read mierzony na 0,00 s (cel 400 ms spełniony), zimne pudło na 5–7 s, bo silnik obsługuje zapytania sekwencyjnie; sufit, który ma sens, to read.timeout_seconds (3,0 s) jako budżet całego odczytu, a nie latencja pojedynczego pudła.
  4. Żaden dokument nie znika po git checkout pliku markdown; żaden dokument nie zostaje osierocony przez ucięty skan.
  5. Zero kolizji scope i zero pustych scope'ów dla ścieżek z polskimi i diakrytycznymi nazwami.
  6. Po włączeniu escalation.enabled: dla przepisu spełniającego warunki decyzja to keep, a nie loop_without_recipe (czyli 2.2 zostało dowiezione).

Świadomie poza zakresem#

  • Przebudowa routingu (agentic_routing_codex): rejestrowane decyzje nie emitują review ani debug; to osobna decyzja projektowa, tu tylko domykamy polityki wiedzy do realnych trybów.
  • Zgoda na „patcha" rozpoznawanego semantycznie z treści polecenia — zostajemy przy rozróżnieniu strong (koperta) / weak (skierowany zapis pliku) i przy tym, że przepis domyka wyłącznie zielony przebieg w tym samym zakresie (_verifies, sprawdzone: cd … && pytest celowo nie weryfikuje).
  • Włączanie eskalacji na produkcji — najwcześniej po 2.2 i po 4.3.

Co zostało po realizacji, a co wymaga pomiaru#

Testy repozytorium domykają zachowanie (testy regresji z każdej pozycji plus pełny zestaw agentic); kryteria, których test nie może zmierzyć, zostają do weryfikacji na prawdziwym silniku i na ruchu produkcyjnym:

  • Kryterium 3 — zmierzone (2026-10-29): cache trafiony = 0,00 s (cel 400 ms spełniony), zimne pudło 3 źródeł = 5–7 s, bo silnik odniesienia serializuje zapytania (3 równoległe = 7,3 s ścienne vs 5,2 s sekwencyjnie); hybrydowe zapytanie mediana ~1,7 s, p95 ~2,9 s. Stąd sformułowanie kryterium wprost (powyżej) i pominięcie 2.4b (część) i 2.4c.
  • Kryterium 2 na korpusie prawdziwym (no_patch < 20%) — liczniki (1.2) są na miejscu, wartość na 841 nagraniach trzeba zmierzyć jeszcze raz po etapie 1.
  • Kryterium 6 (eskalacja: keep zamiast loop_without_recipe) — zweryfikowane na żywym silniku (2026-10-29): ten sam przepis + pętla 3 → keep/strong_recipe na gałęzi, escalate/loop_without_recipe na main z surowym RRF; po f666970 zachowanie jest to samo na obu skalach odczytu (reranker decyduje tożsamością, powód strong_recipe_identity). Decyzja o włączeniu eskalacji na produkcji zostaje świadomie poza tymi zmianami.
  • Pominięte z priorytetu: 3.2 (TTL _docs), 3.4 (odmowa nie-tekstu), 3.7 (--yes-unbounded) — każda to osobna zmiana z własnym testem, żadna nie blokuje reszty.