avandClaude Opus 5
ea84a4fbb3
Прогоны стали долгими, а счёт в токенах заметным. Разбор шёл не по находкам, а по статьям расхода. Две названы прямо: убрать reimpl и убрать fable. reimpl писал свою реализацию узла, не открывая существующую, и диффил по решениям. Его счёт определялся объёмом вывода — он один писал код, а не читал его, — и на прогоне это была самая большая строка. Снят по цене. Профиль deep от этого не похудел, а исчез: reimpl был единственным, чем он отличался от wide, и без него у двух имён оказался бы один состав. Ровно от этой болезни лечилась ступень wide решением JJJ — у профиля обязан быть один правильный ответ, иначе реестр состава нечем проверять. Ступеней три: quick, standard, wide. Вместе с профилем снято всё, что обслуживало только его. Барьер стоимости — он держал дорогой проход, чтобы тот не писал реализацию против кода, который через час перепишут; дорогого прохода нет, граф стал плоским во всех профилях, рёбер осталось два вида вместо трёх. Тест «идентичность, слияние, разбор» — полторы страницы, служившие единственной цели: выбрать deep не по ощущению; вместе с ним ушёл проектный перечень мест в docs/review.md и его скелет в каноне. Стадии перенумерованы: 0 гейт, 1 сверка, 2 враждебный и эксплуатационный, 3 архитектурный, 4 триаж — дыра на месте третьей читалась бы как пропущенная стадия. Снятие записано как сознательное сужение, а не как «класс оказался пустым». calibration.md требует замера на двух проектах перед удалением прохода; замера не было, было решение о цене. Поэтому в «Честном пределе» стоит строка: «не знаю, чего не знаю» больше не достаёт никто. Остаток независимого взгляда дают профиль design и architecture, но альтернативной реализации, с которой можно сдиффить решения, у конвейера нет. Класс уходит в границы покрытия каждого прогона, у проекта — в подраздел «перестали проверять сознательно». Без этой записи снятие через месяц читается как «проверено и признано лишним». fable снят с троих: review-triage, review-architecture, doc-code-drift — все на opus. Основание верхней модели «ошибка распространяется дальше самой находки» осталось, но оно объясняет, почему двое не опускаются до sonnet, а не почему им нужна ступень выше opus: разницы в пользу более дорогой модели не показал ни один прогон, а время и счёт она множила. Палитра схлопнулась до двух цветов, красного в репозитории больше нет, frontmatter.py теперь отвергнет модель вне sonnet и opus. Версия канона не поднята сознательно. Проектам всё равно надо снести перечень мест для deep из docs/review.md, поэтому пункт вписан в «Что сделать проекту» записи «Версия 4» — её ещё не гонял ни один проект, оба ждут в TODO. Тема 33 в DECISIONS.md, следствия 127-129. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
105 lines
8.6 KiB
Markdown
105 lines
8.6 KiB
Markdown
# Калибровка проходов
|
||
|
||
Без измерения набор проходов растёт монотонно и вырождается в театр: каждый
|
||
кажется полезным, потому что иногда что-то говорит. Калибровка отвечает на
|
||
единственный вопрос — **ловит ли проход дефект своего класса**.
|
||
|
||
## Процедура (инъекция дефекта)
|
||
|
||
1. Взять **реальный коммит** из истории (`git log --oneline`), лучше
|
||
архивированный change с непустым диффом.
|
||
2. Внести в него **один** дефект того класса, который проход обязан ловить по
|
||
своему charter'у. Дефект должен быть правдоподобным — таким, какой реально
|
||
пишет модель, а не карикатурой (`panic("TODO")` не считается).
|
||
3. Прогнать **только этот проход** на подготовленном диффе — **три раза**,
|
||
каждый в чистом контексте.
|
||
4. Зафиксировать: нашёл `n/3`, число находок всего, число ложных.
|
||
5. Вердикт:
|
||
|
||
| Результат | Вердикт | Что делаем |
|
||
|---|---|---|
|
||
| нашёл 3/3 или 2/3, ложных немного | `keep` | ничего |
|
||
| нашёл 1/3 или 0/3 | `retune` | правим charter — сужаем вход, убираем чек-лист, добавляем оракул |
|
||
| `retune` уже был дважды подряд | `drop` | удаляем проход |
|
||
| находит, но ложных больше трети от всех находок | `retune` | триаж съедает больше, чем экономит проход |
|
||
|
||
Вердикты образуют храповик со счётчиком — его-то таблица и не показывает:
|
||
|
||
```mermaid
|
||
stateDiagram-v2
|
||
state "проход в профиле" as live
|
||
state "retune №1 — правка charter'а" as r1
|
||
state "retune №2 — последняя попытка" as r2
|
||
state "проход удалён" as dead
|
||
|
||
[*] --> live: заведён и откалиброван ДО включения
|
||
live --> r1: 1/3, 0/3 или ложных больше трети
|
||
r1 --> live: замер keep — счётчик сброшен
|
||
r1 --> r2: снова не ловит
|
||
r2 --> live: замер keep — счётчик сброшен
|
||
r2 --> dead: снова не ловит — это театр
|
||
```
|
||
|
||
Схема — **сводка** к таблице вердиктов выше: она добавляет только счётчик, и при
|
||
расхождении прав таблица.
|
||
|
||
**`retune` не более двух раз подряд.** Проход, не находящий дефект своего класса
|
||
в 2 из 3 прогонов после двух правок промпта, — это театр. Удалять, а не
|
||
бесконечно править формулировки: каждая итерация правки промпта стоит дороже,
|
||
чем отсутствие прохода.
|
||
|
||
**Существующий проход не удаляется без замера.** Сначала калибровка, потом
|
||
решение — иначе удаляется то, что работало, а остаётся то, что громче. Обратный
|
||
пример уже был: проход про идиоматичность стоял в списке на удаление как
|
||
«вкусовщина», а замер показал, что он зарабатывает **экспериментами против
|
||
поведения библиотеки и драйвера**, — и находка, воспроизведённая числом, отменила
|
||
решение, принятое по ощущению.
|
||
|
||
## Состав проходов принадлежит плагину, а не проекту
|
||
|
||
Проходы общие. Проект не может удалить проход — он может **не звать** его, и
|
||
тогда это идёт строкой «не запускался» в границы покрытия, как любой другой
|
||
пропуск. Молча сузить состав нельзя: пропуск прохода не отличим от прохода без
|
||
находок.
|
||
|
||
Отсюда два следствия:
|
||
|
||
- **правка charter'а — правка для всех проектов.** Прежде чем сужать
|
||
формулировку под свою боль, проверь, не место ли ей в документах проекта: предмет проверки
|
||
живёт там, метод — в charter'е;
|
||
- **удаление прохода из плагина требует замера на двух проектах**, а не на одном:
|
||
класс, не всплывший здесь, мог быть единственным работающим там.
|
||
|
||
## Пробы дефектов по проходам
|
||
|
||
Проба — заготовка инъекции. Список пополняется из журнала проскочивших дефектов
|
||
(см. [review-journal.md](review-journal.md)): реальный проскочивший дефект —
|
||
лучшая проба, какая вообще возможна, потому что синтетические смещены в сторону
|
||
тех, которые уже умеешь придумывать.
|
||
|
||
| Проход | Класс дефекта для инъекции | Заготовка пробы |
|
||
|---|---|---|
|
||
| `review-gate` | отсутствующая верификация | убрать тест на изменённую ветку, оставить код рабочим |
|
||
| `review-specs` | поведение вне спеки | добавить незаказанный фолбэк-дефолт на пустом входе |
|
||
| `review-code` | нарушение прозаической конвенции | увести штатный отказ мимо единой точки трансляции ошибки |
|
||
| `review-rubric` | нарушенное свойство узла | у клиента внешнего сервиса убрать таймаут и протяжку `context` |
|
||
| `review-architecture` | второй способ | завести вторую точку генерации id мимо единой |
|
||
| `review-adversary` | построенный путь | принять внешний идентификатор без разбора до запроса в хранилище |
|
||
| `review-ops` | деградация окружения | убрать обработку недоступности внешней зависимости в фоновом цикле |
|
||
| `review-triage` | шум | подать 20 находок, из них 15 вкусовщина и 3 дубля — проверить потолок и дедуп |
|
||
|
||
Метрик сверх этого не заводим. Precision, корреляция между проходами, стоимость
|
||
прогона в токенах — всё это красиво звучит и никем не считается вручную; набор
|
||
показателей, который не собирают, создаёт впечатление измеряемости и тем вреден.
|
||
Работает ровно один механизм: инъекция дефекта и вердикт. Если корреляция двух
|
||
проходов действительно бросается в глаза — это видно по полю `Найдено проходом`
|
||
в триажированных отчётах и без отдельной метрики.
|
||
|
||
## Когда калибровать
|
||
|
||
- при заведении нового прохода — **до** включения в профиль по умолчанию;
|
||
- при правке charter'а существующего — иначе непонятно, правка помогла или нет;
|
||
- при появлении записи в журнале проскочивших дефектов — калибруем тот проход,
|
||
который должен был поймать;
|
||
- планово — нет. Календарная калибровка ради галочки сама превращается в театр.
|