feat(1b): skjemaet ER akseptert av det levende endepunktet - malt, ikke resonnert [skip-docs]

Fase 1b siste trinn: forste bundne levende kjoring over HELE run_project-stien
mot Foundry (gpt-4-1-mini). Okt 37s uttalte aerlighets-grense er lukket ved
maling: ingen -parse-failures.json i outboksen, altsa parset hvert eneste
genererings-svar. assumptions-normaliseringen virket ende-til-ende.

Utfall: rejected pa P90 (claimed 34500 > feasible 11488), checker approve.
Kjoringen KONKLUDERTE - per pre-registreringen det bestatte utfallet. De to
falsifisererne skilte lag for forste gang mot en levende modell.

FUNN storre enn den gronne testen: modellen fant opp kostkoden
EL-LIGHTING-OP-HR (null treff i kunnskapsbasen). Avvisningen var riktig men
skjedde pa 30%-cap-en, ikke stage 0 - bundelen shipper ingen cost-baseline.json,
sa S4.0-forankringen var inaktiv. Ko-fort, ikke rettet her.

Gate-designet er ovis beslutning, tatt for koding:
- TREDJE distinkt opt-in PORTFOLIO_LIVE_FULL_RUN (truthiness, 4b-invarianten).
  Begge eksisterende live-tester gater pa SAMME to Foundry-variabler, sa
  gjenbruk ville latt den billige proben fyre den dyre kjoringen - stigen i
  maleprotokollen ville kollapset til ett trinn. MALT: den dyre SKIPPET med
  begge Foundry-variablene satt.
- Asserten i EN kopi (conftest.assert_full_run_contract, ko-(p)), smal med
  vilje: fravaer av parse-failures-artefaktet + at validatoren avgjorde. En
  rejected BESTAR - pastanden er schema-aksept, ikke modell-dommekraft.
- Iron Law uten a betale to ganger: diskrimineringen bevist OFFLINE av
  test_live_full_run_contract.py. To mutasjoner, hver sin signatur: detach
  artefakt-sjekken (T1 rod ALENE) - raise ubetinget (T2 rod ALENE).

STATE-premiss korrigert: "test_foundry_profile_live dekker KUN klient-nivaet"
var upresist - test_portfolio_live.py dekket allerede fan-outen, men dens
len(runs)==1 kan ikke skille validert fra avvist og bar derfor ikke pastanden.

869 passed / 5 skipped (fra 867/4), ruff+format+mypy rene.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01GF7va4cpRiuf79kTzAi3vW

CLAUDE.md

@@ -429,6 +429,29 @@ Python ≥3.10. MAF (`agent-framework-core` 1.9.0). Pakkehåndtering: `uv`. To b
   `run.py` · endre avrundingsmodus · la `realize` gå utenom `to_ore`. **Ærlighets-grense:**
   `sum_claimed_saving_nok` (`run.py:_aggregate`) er BEVISST urørt — et float-NOK-rapportfelt som
   aldri kvantiseres og aldri sammenlignes mot ledgeren, altså utenfor ordens-defekten.
+- **En BETALT test får sin EGEN opt-in, og instrumentet bevises GRATIS (Fase 1b, siste trinn):**
+  `tests/test_full_run_live.py` kjører hele `run_project`-stien mot et ekte Foundry-deployment, og
+  gates på **fire** ting — de to Foundry-variablene, `PORTFOLIO_MODEL_MAP`, og et TREDJE, distinkt
+  `PORTFOLIO_LIVE_FULL_RUN` lest på **truthiness** (4b-invarianten). **Den tredje variabelen er
+  load-bearing, ikke pynt:** `test_foundry_profile_live.py` (klient-probe) og `test_portfolio_live.py`
+  (fan-out) gater på nøyaktig SAMME to variabler, så å gjenbruke det paret ville betydd at en
+  operatør som eksporterer dem for den BILLIGE ett-ords-proben også fyrer den dyre fullkjøringen —
+  altså at måleprotokollens stige («bevis så mye som mulig før det dyre trinnet, så en feil er
+  attribuerbar») kollapser til ett trinn. **MÅLT:** med begge Foundry-variablene satt SKIPPET den
+  dyre, og den billige var grønn. `PORTFOLIO_MODEL_MAP` er med av en annen grunn — attribusjon: uten
+  den feiler kjøringen av en KONFIGURASJONS-årsak som ser ut som en modell-feil.
+  **Asserten bor i ÉN kopi** (`conftest.assert_full_run_contract`, kø-(p)) og er smal med vilje:
+  fraværet av `{run_id}-parse-failures.json` (økt 35-invarianten «filens tilstedeværelse er
+  signalet») + at `validator_decision` avgjorde. **En `rejected` BESTÅR** — påstanden som felles er
+  at det strukturerte skjemaet ER akseptert av det levende endepunktet, ikke at modellen resonnerer
+  godt; å kreve `validated` ville vært en modell-dømmekraft-påstand ingen enkelt kjøring kan bære.
+  **Iron Law uten å betale to ganger:** et betalt kall kan ikke kjøres rødt-så-grønt, så
+  diskrimineringen bevises OFFLINE av `tests/test_live_full_run_contract.py` — to armer over samme
+  helper (én parse-feil → kontrakten MÅ feile; alle parser → MÅ passere). Load-bearing MÅLT, to
+  mutasjoner med hver sin distinkte signatur: detach artefakt-sjekken (T1 rød ALENE — kontrakten
+  degraderer da til `test_portfolio_live.py`s `len(runs)==1`-klasse) · raise ubetinget (T2 rød
+  ALENE — den motsatte vakuiteten, en live-test som bare kan bli rød). **Det betalte kallet er
+  MÅLINGEN, aldri beviset på at måleinstrumentet virker.**
 - **Kostnadsdisiplin:** utvikle primært på lokal profil (gratis); Foundry/Azure (privat tenant finnes) kun til målrettet, minimal verifisering; billigste modeller + små syntetiske data + harde token-tak. Ingen tunge test-kjøringer.
 - **Offline simulering = primært metode-bevis (kostnadsdrevet, erstatter §11.8):** operatøren kjører
   IKKE MAF mot ekte modell (verken Azure/Foundry eller Ollama — API for begge repoene er for kostbart

docs/2026-08-14-fase1b-forste-levende-kjoring.md

@@ -108,3 +108,107 @@ serverfeil. Det er ikke rettet her; det er notert.
    den hostede flaten.
 4. Først når 1 og 2 er på plass: en ny bundet kjøring, og en gatet test som dekker **hele
    `run_project`-stien** (den eksisterende gatede testen dekker kun klient-nivået).
+
+**Rettelse til punkt 4, målt 14.08 (økt 40):** parentesen er upresis. `tests/test_portfolio_live.py`
+fantes allerede og dekker `run_portfolio`-utfoldingen — altså hele `run_project`-stien — med samme
+env-gate. Men den asserterer `len(result.runs) == 1`, og fordi `runs` og `failures` *partisjonerer*,
+kan den kun skille «kjøringen fullførte» fra «kjøringen raiste». Den kan **ikke** skille et validert
+forslag fra et avvist, og heller ikke en kjøring der svarene parset fra en der de ikke gjorde det.
+Den bærer derfor ikke påstanden 1b skal felle. Punkt 4 står, men grunnen er en annen enn skrevet.
+
+## 5. Pre-registrerte utfall (skrevet FØR kjøringen)
+
+Denne kjøringen har ett formål: å felle den ene gjenstående ærlighets-grensen fra økt 37 — **at det
+emitterte `response_format`-skjemaet ER akseptert av det LEVENDE endepunktet er uverifisert**;
+testene beviser konformitet med Azures *dokumenterte* subset, ikke aksept.
+
+**Instrumentet** er `conftest.assert_full_run_contract`, og diskriminatoren er et artefakt repoet
+allerede eier: `{run_id}-parse-failures.json` skrives hvis og bare hvis et svar ikke lot seg parse
+(økt 35). Artefaktets **fravær** ved siden av et `RunResult` beviser at hvert genererings-svar kom
+tilbake i den bestilte formen. Kontraktens evne til å skille er bevist **offline og gratis**
+(`tests/test_live_full_run_contract.py`, to mutasjoner med hver sin signatur: detach artefakt-sjekken
+→ T1 rød alene; raise ubetinget → T2 rød alene). Det betalte kallet er *målingen*, ikke beviset på at
+måleinstrumentet virker.
+
+**Hva hvert utfall betyr — avgjort på forhånd:**
+
+| Utfall | Betydning |
+|---|---|
+| Ingen parse-failure-artefakt + validatoren avgjorde (`validated` **eller** `rejected`) | **Ærlighets-grensen er felt.** Skjemaet ble akseptert av det levende endepunktet. En P90-avvisning er et *bestått* utfall — kjøringen KONKLUDERTE. |
+| Parse-failure-artefaktet finnes | Skjemaet ble **ikke** honorert. Et FUNN, ikke et bevis — og denne gangen finnes den råe teksten (økt 35), så neste steg kan begrunnes i stedet for gjettes. |
+| `BudgetExceeded` | Fortsatt ubevist, men artefaktet forklarer hvorfor. Samme form som 1a-kjøringen. |
+
+**Taket heves IKKE.** `max_rounds`/`max_tokens` står på defaultene den første levende kjøringen døde
+på: fyrer ledgeren igjen, er dét informasjon, og å heve taket ville brukt mer penger på en sti som
+kanskje fortsatt er brukket.
+
+**Gate-variabelen er en TREDJE, distinkt opt-in** (`PORTFOLIO_LIVE_FULL_RUN`, lest på *truthiness*).
+Begge de eksisterende live-testene gater på nøyaktig `PORTFOLIO_FOUNDRY_PROJECT_ENDPOINT` +
+`PORTFOLIO_FOUNDRY_DEPLOYMENT`; å gjenbruke det paret ville betydd at en operatør som eksporterer de
+to for å kjøre den **billige** ett-ords-proben også fyrer den dyre fullkjøringen — altså at stigen i
+§1 kollapser til ett trinn. `PORTFOLIO_MODEL_MAP` er med i skip-betingelsen av en annen grunn:
+uten den feiler kjøringen av en *konfigurasjons*-årsak som ser ut som en modell-feil.
+
+## 6. Den bundne fullkjøringen — målt 14.08 kl. 19:54
+
+Stigen på nytt, samme disiplin som §1. Alt under er kjørt.
+
+| Trinn | Kommando | Utfall |
+|---|---|---|
+| 1a | `az account get-access-token --resource https://ai.azure.com` (uten rør) | exit 0, `expiresOn 21:07:40` |
+| 1b | `az ad signed-in-user show` (ekte Graph-kall, ikke lokal cache) | exit 0 — gmail-kontoen, ikke jobbkontoen |
+| 2 | `preflight --profile azure` | `preflight OK (azure)` |
+| 3 | `pytest tests/test_foundry_profile_live.py` | **1 passed, 5,48 s** |
+| 3b | samme kall, med `test_full_run_live.py` samlet | **SKIPPED** — det tredje flagget holder stigen |
+| 4 | `pytest tests/test_full_run_live.py` (`PORTFOLIO_LIVE_FULL_RUN=1`) | **1 passed, 22,87 s** |
+
+Trinn 3b er verdt å uttale: den dyre testen hoppet over **selv med begge Foundry-variablene satt**.
+Det er den empiriske bekreftelsen på at det tredje opt-in-flagget gjør jobben sitt design lover.
+
+### Ærlighets-grensen ER felt
+
+Outboksen inneholder `-proposal.json`, `-outcome.json`, `-runconfig.json` — og **ingen
+`-parse-failures.json`**. Hvert eneste genererings-svar fra `gpt-4.1-mini` kom tilbake som et
+parsebart objekt i den bestilte formen. Økt 37s uttalte grense — *«at det emitterte skjemaet ER
+akseptert av det LEVENDE endepunktet er IKKE verifisert»* — er dermed **lukket ved måling**, ikke
+ved resonnement. Kontrasten til den første levende kjøringen er hele funnet: der brant tolv runder
+på formatfeil og etterlot null tegn; her feilet ingen.
+
+`assumptions` kom tilbake som forventet (`{"EL-LIGHTING-OP-HR": [10.0, 13.0]}`), altså virker økt 37s
+additive wire-form → IR-map-normalisering ende-til-ende mot et levende endepunkt. Det var
+beslutningen som holdt den stokastiske falsifisereren fra å gå inert, og den er nå prøvd i felt.
+
+### Utfallet: `rejected` — og det er et bestått utfall
+
+```
+outcome_type:     rejected
+reason:           claimed saving 34500 exceeds P90 feasible 11488
+checker_verdict:  approve
+validator_decision: rejected
+token_usage:      15 306
+```
+
+Kjøringen KONKLUDERTE. Per §5s pre-registrering er dette det positive utfallet: validatoren ble nådd
+med en parsebar kandidat og avgjorde. **Og de to falsifisererne skilte lag for første gang mot en
+levende modell** — checkeren godkjente *resonnementet*, validatoren avviste *tallene*. Nøyaktig den
+uavhengigheten `checker_verdict` holdes atskilt fra `provenance.validator_decision` for.
+
+### FUNN som er viktigere enn den grønne testen: modellen fant opp en kostkode
+
+Forslaget bar `code: "EL-LIGHTING-OP-HR"` (3 000 × 11,5). **Den koden finnes ikke noe sted i
+kunnskapsbasen** (`grep` over hele bundelen: null treff). Kunnskapsbasen instruerer eksplisitt
+mappingen `ENERGI-TOTAL-EL`, 300 000 kWh × 1,00 NOK — modellen konstruerte i stedet sin egen
+kostlinje med en egen enhet.
+
+Avvisningen var derfor **riktig, men skjedde på feil gate**: 30 %-cap-en fanget den på *magnitude*
+(34 500 > P90 11 488), ikke stage 0 på *eksistens*. Grunnen er en kjent og uttalt egenskap, ikke en
+defekt: S4.0-forankringen aktiveres på bundle-stien KUN når bundelen shipper `cost-baseline.json`,
+og `bygg-energi-mikro` gjør ikke det (målt) — «en pre-amendment-bundle er legitimt uforankret».
+
+Dette er akkurat den hallusinasjons-klassen S4.0 ble bygget for, observert i felt for første gang.
+At den uforankrede gaten fanget den likevel er betryggende; at den fanget den på den dyre gaten
+i stedet for den billige er en kø-post, ikke noe som endres her.
+
+**Fortsatt ikke bevist:** at systemet produserer et *validert* forslag mot en levende modell. Denne
+kjøringen avviste — korrekt, og med en begrunnelse som kan leses. Én kjøring er én kjøring, og
+`gpt-4.1-mini`s egnethet for proposer-rollen er ikke avgjort av den.

tests/conftest.py

@@ -192,3 +192,52 @@ def docs_dir(tmp_path) -> str:
         encoding="utf-8",
     )
     return str(d)
+
+
+# ------------------------------------------------------------------------------------------------
+# Fase 1b — the FULL-RUN contract, in ONE copy (kø-(p): a second copy of an assertion drifts).
+# ------------------------------------------------------------------------------------------------
+
+
+#: What the paid run must fell, stated as an assertion rather than as prose. The open honesty limit
+#: after økt 37 is narrow and specific: *"that the emitted structured schema IS accepted by the LIVE
+#: endpoint is NOT verified — the tests prove conformance with the DOCUMENTED subset, not
+#: acceptance."* So the contract asserts schema ACCEPTANCE, never model JUDGEMENT.
+#:
+#: The discriminator is an artefact this repo already owns: ``{run_id}-parse-failures.json`` is
+#: written if and ONLY if some reply failed to parse (økt 35 invariant — "the file's presence is the
+#: signal"). Its ABSENCE beside a RunResult therefore proves that every generation reply came back
+#: in the requested shape, which is exactly what "the live endpoint honoured the schema" means.
+#:
+#: ``validator_decision`` is the second half: it mirrors the VALIDATOR alone (never the checker), so
+#: reading it proves the deterministic gate actually ran on a parsed candidate. Both ``validated``
+#: and ``rejected`` satisfy the contract — a P90 rejection is a run that CONCLUDED, and demanding
+#: ``validated`` would be asserting that the model reasons well, which no schema can promise and
+#: which one paid run could not establish anyway.
+def assert_full_run_contract(result, outbox_dir, run_id: str) -> None:
+    """Assert the Fase 1b full-run contract on a completed ``run_project`` result.
+
+    Two things, and deliberately nothing else:
+
+    1. **No parse-failure artefact** — every reply parsed, i.e. the live endpoint accepted the
+       emitted ``response_format`` schema. This is the honesty limit being felled.
+    2. **The validator was reached and decided** — ``provenance.validator_decision`` is one of the
+       two decisions the deterministic gate emits.
+
+    Deliberately NOT asserted: ``checker_verdict``, token counts, ``validated_count``, or the
+    content of the proposal. Those are model-judgement claims, and one run cannot carry them.
+    """
+    from pathlib import Path
+
+    artefact = Path(outbox_dir) / f"{run_id}-parse-failures.json"
+    if artefact.exists():
+        # Quote the evidence in the failure message: the whole point of økt 35 was that the operator
+        # should never again have to guess WHY a reply did not parse.
+        raise AssertionError(
+            f"the endpoint did NOT honour the structured schema — {artefact.name} exists.\n"
+            f"{artefact.read_text(encoding='utf-8')[:2000]}"
+        )
+    assert result.provenance.validator_decision in {"validated", "rejected"}, (
+        "the deterministic validator never decided — the run did not reach the gate with a "
+        f"parsed candidate (validator_decision={result.provenance.validator_decision!r})"
+    )

tests/test_full_run_live.py

@@ -0,0 +1,86 @@
+"""Fase 1b, last step — GATED live run over the WHOLE ``run_project`` path (måleprotokoll §4.4).
+
+NOT default CI, and NOT gated like its two siblings. This is the expensive arm: it drives the
+complete vertical slice — bundle navigation, the maker/checker debate, generation under
+``response_format``, and the deterministic validator — against a real Foundry deployment.
+
+**Why a THIRD environment variable, and why it is load-bearing.** ``test_foundry_profile_live.py``
+(client-level probe) and ``test_portfolio_live.py`` (``run_portfolio`` fan-out) both skip on exactly
+``PORTFOLIO_FOUNDRY_PROJECT_ENDPOINT`` + ``PORTFOLIO_FOUNDRY_DEPLOYMENT``. Reusing that pair here
+would mean the moment an operator exports the two variables to run the CHEAP one-word probe, this
+full run fires too — collapsing the måleprotokoll's whole point (§1: *"bevis så mye som mulig før
+det dyre trinnet, så en feil er attribuerbar"*) into a single step, and spending money on a rung
+whose predecessors have not been shown green. ``PORTFOLIO_LIVE_FULL_RUN`` is therefore a separate,
+deliberate opt-in, read on **truthiness, not presence** (the Fase 4b invariant: an exported-but-empty
+value is a shell accident, not a decision).
+
+``PORTFOLIO_MODEL_MAP`` is part of the skip condition for a different reason — attribution. ``run.py``
+stamps provenance with the deployment NAME before any client is built (målt 4e), so without the map
+the run fails for a CONFIGURATION reason while looking exactly like a model failure. Skipping is
+honest; failing there would misattribute.
+
+**What this asserts is narrow on purpose** — see ``conftest.assert_full_run_contract``. The claim
+being felled is *"the emitted structured schema is accepted by the live endpoint"* (økt 37's stated
+honesty limit), NOT "the model proposes well". A validator REJECTION passes this test: the run
+reached the deterministic gate with a parsed candidate, which is the whole question. The contract's
+ability to discriminate is proven offline and for free by
+``tests/test_live_full_run_contract.py`` — the paid call here is the measurement, not the proof that
+the instrument works.
+
+Outcomes are pre-registered in ``docs/2026-08-14-fase1b-forste-levende-kjoring.md`` §5, written
+BEFORE the run, so the write-up cannot be negotiated after the fact.
+
+The round/token caps are the SAME ones the first live run died on. They are deliberately not
+raised: if the ledger fires again that is information, and raising it spends more on a path that may
+still be broken.
+"""
+
+from __future__ import annotations
+
+import os
+from pathlib import Path
+
+import pytest
+from conftest import assert_full_run_contract
+
+from portfolio_optimiser.run import RunResult, run_project
+from portfolio_optimiser.verdicts import VerdictStore
+
+BUNDLE_DIR = Path(__file__).resolve().parents[1] / "shared" / "examples" / "bygg-energi-mikro"
+_PROJECT_ID = "BYGG-KONTOR-NORD"
+
+_ENDPOINT = os.environ.get("PORTFOLIO_FOUNDRY_PROJECT_ENDPOINT")
+_DEPLOYMENT = os.environ.get("PORTFOLIO_FOUNDRY_DEPLOYMENT")
+_MODEL_MAP = os.environ.get("PORTFOLIO_MODEL_MAP")
+#: Truthiness, not presence (Fase 4b): ``PORTFOLIO_LIVE_FULL_RUN=`` must NOT arm a paid run.
+_OPTED_IN = bool(os.environ.get("PORTFOLIO_LIVE_FULL_RUN"))
+
+_SKIP = not (_ENDPOINT and _DEPLOYMENT and _MODEL_MAP and _OPTED_IN)
+
+
+@pytest.mark.skipif(
+    _SKIP,
+    reason=(
+        "paid full run not armed (set PORTFOLIO_LIVE_FULL_RUN=1 alongside "
+        "PORTFOLIO_FOUNDRY_PROJECT_ENDPOINT + PORTFOLIO_FOUNDRY_DEPLOYMENT + PORTFOLIO_MODEL_MAP)"
+    ),
+)
+async def test_full_run_reaches_the_validator_on_a_live_model(tmp_path: Path) -> None:
+    """The whole slice against a real deployment: every generation reply must come back in the
+    requested shape, and the deterministic validator must decide on it."""
+    outbox_dir = tmp_path / "outbox"
+    run_id = "live-full-001"
+
+    result = await run_project(
+        _PROJECT_ID,
+        "azure",
+        docs_dir=str(BUNDLE_DIR),
+        bundle_dir=str(BUNDLE_DIR),
+        verdict_input={"decision": "approved", "rationale": "expert reviewed (live 1b)"},
+        store=VerdictStore(verdicts=[]),
+        outbox_dir=str(outbox_dir),
+        run_id=run_id,
+    )
+
+    assert isinstance(result, RunResult)
+    assert_full_run_contract(result, outbox_dir, run_id)

tests/test_live_full_run_contract.py

@@ -0,0 +1,146 @@
+"""The Fase 1b full-run contract must DISCRIMINATE — proven offline, for free (Fase 1b, last step).
+
+``tests/test_full_run_live.py`` spends real money on a real endpoint, exactly once, and cannot be
+run red-then-green: the paid call is the MEASUREMENT, not the proof that the measuring instrument
+works. This file is that proof, and it costs nothing.
+
+The repo's own rule — *"en test som ikke kan skille to implementasjoner beviser ingenting"* — has
+been violated by this project's own measuring instruments three times (økt 27's slide sweep read
+``section``'s 100vh and reported the same number for all eleven slides; økt 37's T3 asserted on a
+schema the scripted client ignores). An assertion that can only ever pass is the same defect class,
+and a LIVE assertion is the worst place to discover it, because a green result there is precisely
+what the operator would act on.
+
+So both arms drive the SAME ``assert_full_run_contract`` helper the live test uses (ONE copy, in
+``conftest`` — a second copy would drift, kø-(p)), over the SAME bundle and the SAME project as the
+live run, through the canonical ``ScriptedChatClient``'s ``reply_selector`` seam:
+
+* T1 — a run in which ONE reply failed to parse must make the contract FAIL. This is the arm that
+  matters: it is the offline stand-in for "the live endpoint ignored ``response_format``", which is
+  the single outcome the paid run exists to rule out. Per the repo rule for negative asserts, it
+  first PROVES the event happened (the artefact exists) rather than inferring it from the failure.
+* T2 — the CONTROL: a run in which every reply parsed must make the contract PASS. Without it, a
+  helper that raised unconditionally would satisfy T1 and the live test could then only ever be red,
+  which is the mirror-image vacuity.
+
+Together they show the contract keys on the ACTUAL discriminator (the parse-failure artefact), not
+on something both runs share.
+"""
+
+from __future__ import annotations
+
+from collections.abc import Callable
+from pathlib import Path
+
+import pytest
+from conftest import assert_full_run_contract
+
+from portfolio_optimiser.budget import Budget, TokenMeter
+from portfolio_optimiser.run import RunResult, run_project
+from portfolio_optimiser.simulation import ScriptedChatClient
+from portfolio_optimiser.verdicts import VerdictStore
+
+BUNDLE_DIR = Path(__file__).resolve().parents[1] / "shared" / "examples" / "bygg-energi-mikro"
+_PROJECT_ID = "BYGG-KONTOR-NORD"
+_VERDICT_INPUT = {"decision": "approved", "rationale": "expert reviewed (contract probe)"}
+
+#: The line ``generate._build_messages`` puts in EVERY generation prompt and nowhere else — the one
+#: identifier separating a generation call from a debate turn (borrowed from
+#: ``test_parse_failure_capture_loadbearing``, whose seam this file shares).
+_GENERATION_MARK = "Respond with ONLY a JSON object"
+
+#: Prose where an object was requested: what a model that ignored ``response_format`` returns.
+_MALFORMED = (
+    "Sure! Here is what I found for this project.\n\n"
+    "The main opportunity looks like demand-controlled lighting, worth roughly 30 000 NOK.\n"
+    "Let me know if you want that as JSON."
+)
+
+#: BYGG-KONTOR-NORD: affected total 300000 x 1.0 -> degenerate Monte Carlo P90 = 90000, so a claim
+#: of 30000 validates (same arithmetic as ``test_parse_failure_capture_loadbearing``).
+_VALID_REPLY = (
+    '{"measure":"Behovsstyrt belysning i fellesarealer","affected_items":'
+    '[{"code":"ENERGI-TOTAL-EL","quantity":300000,"unit_cost":1.0}],'
+    '"claimed_saving_nok":30000}'
+)
+
+
+def _malformed_then_valid(failures: int) -> Callable[[str, str], str]:
+    """Fail to parse ``failures`` times, then answer with a proposal that validates. Keyed on the
+    GENERATION prompt only, so debate turns — which are never parsed — do not consume the counter."""
+    seen = {"n": 0}
+
+    def _select(blob: str, _role: str) -> str:
+        if _GENERATION_MARK not in blob:
+            return "ok"
+        seen["n"] += 1
+        return _MALFORMED if seen["n"] <= failures else _VALID_REPLY
+
+    return _select
+
+
+async def _run(select: Callable[[str, str], str], outbox_dir: Path, run_id: str) -> RunResult:
+    def factory(role: str) -> ScriptedChatClient:
+        return ScriptedChatClient(role=role, reply_selector=select, default_reply="ok")
+
+    result = await run_project(
+        _PROJECT_ID,
+        "local",
+        docs_dir=str(BUNDLE_DIR),
+        bundle_dir=str(BUNDLE_DIR),
+        verdict_input=_VERDICT_INPUT,
+        store=VerdictStore(verdicts=[]),
+        client_factory=factory,
+        outbox_dir=str(outbox_dir),
+        run_id=run_id,
+        meter=TokenMeter(Budget(max_tokens=10**9, max_rounds=8)),
+    )
+    assert isinstance(result, RunResult)
+    return result
+
+
+# --------------------------------------------------------------------------------------------
+# T1 — the arm that matters: an unparsed reply must FAIL the contract.
+# --------------------------------------------------------------------------------------------
+
+
+async def test_contract_fails_when_a_reply_did_not_parse(tmp_path: Path) -> None:
+    """The offline stand-in for "the live endpoint ignored the schema". The run itself SUCCEEDS —
+    the second reply validates — so the contract cannot be keying on the run's outcome; the only
+    thing separating this from T2 is the parse-failure artefact.
+
+    RED (i.e. this test fails) on a contract that ignores the artefact and merely checks that a
+    RunResult came back — which is what ``test_portfolio_live.py``'s ``len(runs) == 1`` does, and
+    the reason that existing gated test could not carry this claim."""
+    outbox_dir = tmp_path / "outbox"
+    run_id = "contract-dirty"
+
+    result = await _run(_malformed_then_valid(1), outbox_dir, run_id)
+
+    # Prove the event happened FIRST — a negative assert that merely observes a failure cannot tell
+    # "the contract caught the artefact" from "the contract failed for some unrelated reason".
+    artefact = outbox_dir / f"{run_id}-parse-failures.json"
+    assert artefact.exists(), "precondition: this arm must actually produce a parse failure"
+    assert result.provenance.validator_decision in {"validated", "rejected"}, (
+        "precondition: the run must otherwise CONCLUDE, so the artefact is the only difference"
+    )
+
+    with pytest.raises(AssertionError, match="did NOT honour the structured schema"):
+        assert_full_run_contract(result, outbox_dir, run_id)
+
+
+# --------------------------------------------------------------------------------------------
+# T2 — the CONTROL: a clean run must PASS.
+# --------------------------------------------------------------------------------------------
+
+
+async def test_contract_passes_when_every_reply_parsed(tmp_path: Path) -> None:
+    """Without this control, a helper that raised unconditionally would satisfy T1, and the live
+    test could then only ever be red — the mirror image of a check that can only ever be green."""
+    outbox_dir = tmp_path / "outbox"
+    run_id = "contract-clean"
+
+    result = await _run(_malformed_then_valid(0), outbox_dir, run_id)
+
+    assert not (outbox_dir / f"{run_id}-parse-failures.json").exists()
+    assert_full_run_contract(result, outbox_dir, run_id)