feat(p19): the trace says HOW, and a run says what it spent and why it stopped

DEL C. P18 gave read_dir a window (filter/offset/limit) and then measured its
own paid round without being able to see it used: five of 31 documents read
lay outside the default window, so the window HAD been widened and the trace
could not say with which knob. ToolCall now carries the three arguments,
always present and empty/zero when not passed -- an absent key and "not
narrowed" must not read the same -- and the judge counts filter_calls and
paged_calls. _number_argument is a SIBLING of _string_argument, not a widening
of it: a model may send limit as 10 or as "10", and a reader that knew one
shape would report a paged call as unpaged.

DEL D. P18's finding 4 was WRONG AS WRITTEN. provenance.token_usage has been
stamped on every proposal artefact since S3.4 and stands in every one of round
2's; what was missing is a READER. The judge reads it now (round 2 measured:
289 054 tokens against round 1's 2 679 305, -89 %), and the P18 report gets a
dated correction UNDER its original paragraph rather than instead of it.

What was genuinely absent is {run_id}-coverage.json. settle prints the
coverage report and ApproachOutcome has carried not_evaluated since Trekk A3,
but neither ever reached a file, so a judge could see an approach had no
artefact and could not tell a budget stop from an approach nobody ordered.
Written from the finally IFF a mandate was given. stop_reason comes from a
CALLER-OWNED sink rather than from in_flight, and that is a measurement:
_evaluate_mandate SWALLOWS BudgetExceeded once something has been produced, so
run_project's own in_flight never sees it.

Load-bearing measured (10 arms), four mutations all red against the whole
suite, green control 1744/5 and the golden byte-unchanged. D-i stood GREEN
first -- the vacuous-gate class, 25th time: the arm called write_coverage
itself and therefore chose the reason it then asserted.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

CLAUDE.md

@@ -2690,6 +2690,44 @@ Python ≥3.10. MAF (`agent-framework-core` 1.16.0, `-orchestrations` 1.1.1 —
   er en kode som telles som prosa — feilretningen er nekt, ikke aksept, og dét er hva
   generalitetsvernet og baseline-unntaket finnes for); og `assumptions`-nøkler er fortsatt utenfor
   (økt 109s grense).
+- **Sporet sier HVORDAN nivået ble spurt om, og en kjøring sier hva den brukte og hvorfor den
+  stoppet (P19 DEL C + DEL D, 15.09):** P18 ga `read_dir` et VINDU (`filter`/`offset`/`limit`) og
+  målte så sin egen betalte runde uten å kunne se det brukt — fem av 31 leste dokumenter lå UTENFOR
+  default-vinduet, altså var vinduet utvidet, og sporet kunne ikke si med hvilken knapp. `ToolCall`
+  bærer nå de tre argumentene, `tool_call_payload` renderer dem (alltid til stede, tomme/null når
+  de ikke ble sendt — `write_debate_tools`-regelen: en fraværende nøkkel og «ikke innsnevret» må
+  ikke leses likt), og dommeren teller `filter_calls`/`paged_calls`. **`_number_argument` er en
+  SØSKEN av `_string_argument`, ikke en utvidelse av den:** en modell kan sende `limit` som `10`
+  eller `"10"`, og en leser som bare kjente den ene formen ville rapportert et paginert kall som
+  upaginert; `bool` er eksplisitt ekskludert, fordi et flagg ikke er et vindu.
+  **P18s FUNN 4 VAR FEIL SOM FORMULERT, og rettelsen er en TILFØYELSE:** `provenance.token_usage`
+  er stemplet på HVERT `-proposal.json` siden S3.4, også ved rc 0 — det som manglet var en LESER.
+  `stress.py` leser det nå (målt runde 2: 35 406 · 45 642 · 44 468 · 73 627 · 89 911 = **289 054**
+  mot runde 1s 2 679 305, **−89 %**), og P18-rapportens § 7 har fått en datert rettelse UNDER det
+  opprinnelige avsnittet, aldri i stedet for det. **Det som GENUINT manglet er `{run_id}-coverage
+  .json`:** `settle` printer coverage-rapporten og `ApproachOutcome` har båret `not_evaluated`
+  siden Trekk A3, men ingen av dem nådde en fil, så en dommer kunne se at en approach manglet
+  artefakt og ikke skille et budsjettstopp fra en approach ingen bestilte — nøyaktig stillheten
+  `ApproachOutcome` finnes for, ett lag ut. Skrives fra `finally` **IFF et mandat ble gitt**
+  (coverage ER mandatets rapport; uten et er det ingen approaches, og en mandatløs kjøring lar
+  utboksen stå byte-identisk — to eldre tester pinner en eksakt listing). **`stop_reason` kommer
+  fra en KALLER-EID SINK, ikke fra `in_flight`, og dét er en MÅLING:** `_evaluate_mandate` SVELGER
+  `BudgetExceeded` så snart noe er produsert (de nådde approachene er et ekte resultat), så
+  `run_project`s egen `in_flight` ser den aldri — et coverage-artefakt som sa «ingenting stoppet
+  denne kjøringen» om en kommisjon kappet på midten ville vært stillheten artefaktet finnes for.
+  Dommerens `not_evaluated_reason` er `rounds`/`tokens` fra fila, `absent` når ingen fil finnes
+  (hver kjøring før i dag), og `""` for en rad som FAKTISK ble evaluert. Load-bearing MÅLT
+  (`tests/test_trace_and_coverage_loadbearing.py`, 10 armer), **fire mutasjoner alle røde mot HELE
+  suiten** + grønn kontroll **1744/5** (fra 1734/5, supersett, 0 fjernet) og golden BYTE-UENDRET
+  (`shasum -a 1` av INNHOLDET = `ea8c534773acdbe41ae68f2c55724d69aaf8be4f`): C-i vindus-argumentene
+  registreres ikke (2) · D-i coverage skrives med tom grunn (1) · D-ii kjøringen skriver den aldri
+  (2) · D-iii dommeren slutter å lese forbruket (1). **ÉN MUTASJON STO GRØNN FØRST (repoets
+  vakuøs-gate-klasse, TJUEFEMTE gang):** D-i lot HELE suiten stå grønn, fordi armen kalte
+  `write_coverage` selv og dermed VALGTE grunnen den så asserterte på; bare en kjøring et tak
+  faktisk kappet kan skille de to, og den armen driver nå `run_project` med `max_rounds=1` (én
+  runde betaler første approach, den andre er den taket kutter). **Ærlighets-grense, uttalt:**
+  `token_usage` er kjøringens ENE teller — den skiller ikke debatt fra generering, og en
+  per-fase-fordeling ville krevd en andre måler.
 - **STATE.md er local-only** (gitignored). Voyage session-state er efemert; STATE.md er kanonisk kontinuitet.
 - Prosess: Voyage-plugin (`/trekbrief → /trekplan → /trekexecute → /trekreview`) per større fase.