portfolio-optimiser/docs/2026-09-04-major2-proposal-review-k2.md

# MAJOR-2 — en dør for menneskelig tilbakemelding på forslaget som ligger på bordet

> **Måledato:** 2026-09-05 (stien bærer ordredatoen, headeren måledatoen — S7b/S2c-formen)
> **Ordre:** `20260904T173146Z-8102814273-from-portfolio-optimiser`
> **Kode målt ved:** `ee7da3b` (steg 1–8: `ce4c15e` · `d4c8691` · `bbf4d3b` · `59f3fce` ·
> `c391fb5` · `fedf989` · `bfc634d` · `ee7da3b`); mutasjonene M1–M40 og K2-omkjøringen er
> målt mot nøyaktig det treet (`shasum -c` grønn før og etter hver mutasjon)
> **Grønn kontroll:** 1363 / 5 under mutasjonsmålingen, 1364 / 5 etter README-armen i steg 10

---

## 0. Hva døra er

| Spørsmål | Før | Etter |
|---|---|---|
| Kan et menneske svare på forslaget mens det ligger på bordet? | nei | ja — `--proposal-review` |
| Hvor mange menneske-sømmer finnes inne i løkka? | 1 (`plan_reviewer`, som fyrer FØR enhver hypotese finnes) | 2 |
| Hva skjer med svaret? | — | `revise` kjøper ETT forsøk til under det EKSISTERENDE taket; ordene når neste prompt ORDRETT |
| Hvem avgjør utfallet? | validatoren | validatoren — dens SISTE dom (D6) |
| Mynter en `approve` en dom? | — | nei; F2 står |
| En kjøring uten reviewer | — | byte-identisk: samme prompter, samme utboks-filer, golden uendret |

Målt før arbeidet startet (`docs/2026-09-02-misjonsreview-v2.md` § 3, re-målt mot HEAD):
`grep -n "prior_" generate.py` finner nøyaktig ÉN søm — `prior_rejection`, maskinens egen
falsifisering matet tilbake inne i samme kjøring. Et menneskes dom lander i NESTE kjøring
(Steg-7-innboksen). «Improved proposals given feedback» var altså, for en person, en to-kjørings
løkke med dager imellom.

---

## 1. Løkkas exit-kontrakt — og et premiss målingen felte

**FØR** (`generate.py` ved `bcf3337`):

```python
        if isinstance(result, ValidatedProposal):
            return GenerationResult(outcome=result, refinements=tuple(fed_back))
        last = result
    assert last is not None  # max_attempts >= 1, so at least one validation ran
    return GenerationResult(outcome=last, refinements=tuple(fed_back))
```

`last` settes KUN av en validator-avvisning. Planen (§ Risks, «Critical» #1) sa at «validert →
revise» på hvert forsøk derfor ville nå slutten av løkka med `last is None` og dø på asserten.

**ETTER**: en eksplisitt bærer `last_ruling: ValidatedProposal | Rejection | None`, satt etter
HVER `validate_proposal`; D6 leses rett av den.

**⚠️ PLANENS PREMISS ER FALSIFISERT AV MÅLINGEN — M29 forble GRØNN (0 røde av 1363).**
Mutasjonen reverterer bæreren til `assert last is not None`, og HELE suiten står grønn. Grunnen er
strukturell og ble først synlig da mutasjonen ble kjørt: D1(a) gjør at en `revise` med
`attempts_remaining == 0` **returnerer** den validerte dommen inne i løkka, og på siste forsøk er
`remaining = max_attempts - i - 1` alltid 0. Løkka kan derfor bare falle GJENNOM til halen etter en
validator-**avvisning**, som setter `last` også. `last_ruling` og `last` er dermed identiske i det
ene punktet halen leser dem.

Konsekvens, uttalt heller enn skjult: **bæreren er UVITNET** (`budget_stop`-presedensen). Den står
fordi den gjør D6 eksplisitt og fjerner en assert som hviler på en ikke-lokal invariant — ikke fordi
en test holder den. Kommentaren i `generate.py` som påsto at asserten ville fyrt er en påstand
flaten gjør om seg selv (Fase-3-klassen) og **må rettes i neste økt**, sammen med commit-teksten for
`bbf4d3b` som bærer samme påstand (historikken skrives ikke om; rettelsen står her og i
invariantraden).

---

## 2. Mutasjonstabellen — M1–M40, ÉN liste

**Grønn kontroll:** `uv run pytest -q` → **1363 passed / 5 skipped**.
Node-ID-settet er et **strengt supersett** av pre-MAJOR-2-baselinen: 1319 → 1368, **0 fjernet**,
49 lagt til. `ruff check src tests`, `ruff format --check src tests` og `mypy src` rene.
Golden `tests/golden/demo-transcript.stdout` **BYTE-UENDRET**, `shasum -a 1` av INNHOLDET =
`ea8c534773acdbe41ae68f2c55724d69aaf8be4f` (ikke git-blob-id-en).

Protokoll per mutasjon: hele suiten, maks to mutasjoner per Bash-kall, restaurert fra
`scratchpad/major2/pristine/` og verifisert med `shasum -c` — aldri `git checkout`. Alle 41
kjøringer rapporterte `restore=OK`.

**Nevneren, med enhet:** M1–M40 er **40 mutasjons-ID-er**, men M26 er sjekket i TO lengder
(M26a/M26b, planens funn-1-skjerping), så måleprotokollen er **41 KJØRINGER**. Av dem er **40
røde og 1 grønn** (M29). Begge tellemåtene er sanne; dokumentet teller i KJØRINGER hele veien,
og `coord-send`-rapporten gjør det samme.

| M | hva mutasjonen gjør | røde | første navngitte armer | uavhengige vitner |
|---|---|---|---|---|
| M1 | detach reviewer-kallet (returner på validert som før) | 16 | T1, T2, T3a … | — |
| M2 | ignorer beslutningen (alltid approve) | 13 | T1, T2, T3a … | — |
| M3 | drop `prior_feedback`-injeksjonen (print-and-discard) | 6 | ordrett-armen, komposisjons-armen, T1 … | — |
| M4 | tøm feedback etter ett forsøk (ikke-klebrig) | 1 | T6 alene | — |
| M5 | akkumuler avvisninger i prompten | 1 | T6 alene | — |
| M6 | vis også en AVVIST kandidat til revieweren | 4 | T4, T6, T10 … | — |
| M7 | la en revise slippe å tikke rundeboka | 1 | T3a alene | — |
| M8 | la revisjoner løkke UTENFOR `max_attempts` | 36 | A5, mandat, portefølje … | **ja** — 18 testfiler, alle eldre enn dette arbeidet |
| M9 | `honoured` konstant `True` (og ingen forfremmelse) | 6 | T2, T3a, T3b, T7 … | — |
| M10 | `approach_id` alltid `None` | 3 | T5, T8, T5-run | — |
| M11 | skriv artefaktet etter returen, ikke fra `finally` | 2 | T9, T16 | — |
| M12 | skriv artefaktet kun når lista er ikke-tom | 2 | T10, T16 | — |
| M13 | skriv artefaktet også uten reviewer | 3 | T11 | **ja** — `test_a5_per_approach_artifacts`, `test_parse_failure_capture` |
| M14 | la en `approve` mynte en `Verdict` | 1 | T12 alene | — |
| M15 | les EOF som approve | 2 | T16-unit, T16-CLI | — |
| M16 | fang ikke `ProposalReviewInputError` ved navn | 1 | T16-CLI alene | — |
| M17 | enhver ikke-revise-linje er approve | 1 | T15 alene | — |
| M18 | drop `single_only`-raden | 1 | T17 alene | — |
| M19 | drop `report_forbidden`-raden | 1 | T18 alene | — |
| M20 | bibliotekssømmen wiret, argparse-flagget borte | 9 | T13, T16, T17 … | — |
| M21 | strømmene bundet ved konstruksjon | 1 | T20 alene | — |
| M22 | slett den hostede navngitte nekten | 1 | T21 alene | — |
| M23 | videresend det hostede feltet i stedet for å nekte | 4 | T21, partisjons-armen | **ja** — Fase-4e-armene i `test_explore_callsites` + `test_hosting` |
| M24 | fersk reviewer per base i dispatcheren | 1 | T22 alene | — |
| M25 | render kandidaten som repr | 2 | T14, T13 | — |
| M26a | trunker feedback til 20 tegn | 5 | T1, T3b, T8 … | — |
| M26b | trunker feedback til 40 tegn (sentinelen OVERLEVER) | 3 | T1, T8, T13 | — |
| M27 | fall tilbake til siste validerte forslag (D6-alternativ b) | 1 | T13-loop alene | — |
| M28 | drop `verdict_key` fra posten | 2 | payload-armen, run-payload-armen | — |
| **M29** | **reverter exit-kontrakten til `assert last is not None`** | **0** | **— (se § 1)** | — |
| M30 | drop `--live-dry-run`-nekten | 1 | dry-run-armen alene | — |
| M31 | drop `--proposals-from-mandate`-nekten | 1 | pfm-armen alene | — |
| M32 | notice-rendereren skriver linja uten reviewer | 2 | notice-armen, CLI-kontrollen | — |
| M33 | notice-rendereren returnerer `None` på null | 3 | notice-armen, null-armen, CLI-null-armen | — |
| M34 | feedback løftet ut av per-approach-kallet (krysser tilnærminger) | 5 | T1, T7, T5-run … | — |
| M35 | bygg posten fra en RETURNERT liste i stedet for kaller-eid sink | 1 | T9 alene | — |
| M36 | dispatcheren slutter å tråde revieweren | 1 | T22 alene | — |
| M37 | detach CLI-utskriften mens rendereren fortsatt returnerer linja | 2 | T13, CLI-null-armen | — |
| M38 | `attempts_remaining` regnet fra `max_attempts` alene | 2 | T3a, T5 | — |
| M39 | drop `--checkpoint-dir`-nekten | 1 | park-armen alene | — |
| M40 | `honoured=True` satt ved revise-tid i stedet for etter hentingen | 2 | T3b, T9 | — |

**Sum: 41 kjøringer (40 mutasjons-ID-er), 40 røde, 1 grønn (M29).**

### Tre signaturer verdt å lese

* **M13 og M23 er røde i tester som er ELDRE enn dette arbeidet.** «Skriv artefaktet iff en reviewer
  ble gitt» (D4) holdes av A5-ens eksakte fire-navns-listing og av parse-fangstens kontroll; den
  hostede partisjonen holdes av Fase-4es to asserts. Sømmene er altså gatet av uavhengige vitner,
  ikke bare av sine egne armer.
* **M38 er rød i TO armer, og begge NAVNGIR den.** T3a («no exception, exactly two calls»
  under `max_rounds=2`/`max_attempts=10`) og T5 (terminalen viser `attempts_remaining == 0` under
  `max_rounds=1`/`max_attempts=3`) er de to sidene av den samme ledger-bevisste `min(...)`: den
  ene måler at løkka STOPPER der boka slutter, den andre at TALLET operatøren leser sier det
  samme. Det ble VERIFISERT i docstringene, ikke antatt ut fra at armene lå i samme fil.
* **M26a og M26b har ULIKE signaturer, og det var ikke gitt.** Ved 40 tegn overlever
  `PROPOSAL-REVIEW-SENTINEL-9c41ae` (31 tegn) i de armene hvis feedback er kortere enn taket, så
  T3b og T9 blir grønne igjen mens T1, T8 og T13 — de med lengre feedback — forblir røde. Planens
  to-lengde-skjerping virker altså etter hensikten her.

---

## 3. K2-omkjøringen — kriterium 8

Samme base, samme syntetiske prisfikstur og samme instrument som S7b § 3 og S2c § 3:
`scratchpad/s7b-syretest/K2-priset-SYNTETISK` (630 konseptfiler, erklært id `k2-trinn1-20260903`
mot monteringsnavnet — S7a-3-slakken fyrer, og kjøringen sier det). K2-basen er **utracket og
finnes kun på denne maskinen**, så kriteriet er verifiserbart her og rapporteres; det asserteres
aldri av suiten.

**Instrumentet er validert mot en KJENT POSITIV FØR bruk:** rotnivå-listingen på LEVERT K2 måles
til **3 954 tegn / 1 495 o200k-tokens over 629 konsepter**, som reproduserer S7a-3s publiserte tall
eksakt. Uten den kontrollen ville et lavt ETTER-tall like gjerne betydd at sonden var i stykker
(MAJOR-3s falske null).

### 3.1 De to kjøringene

Manuset (`scratchpad/major2/scripted-replies-major2.json`) gir proposeren FIRE steg — to
tilnærminger × to forsøk, der annethvert oppgir **150 000** i stedet for **200 000**. Manus-
posisjonen er delt over kjøringen, ikke per tilnærming (målt), så kontrollen og den reviderte
kjøringen leser den samme lista fra hver sin ende.

```bash
# KONTROLL — samme flagg, samme manus, bare et annet SVAR
printf 'approve\napprove\n' | uv run portfolio-optimiser K2 \
  --docs-dir scratchpad/s7b-syretest/K2-priset-SYNTETISK \
  --bundle-dir scratchpad/s7b-syretest/K2-priset-SYNTETISK \
  --derive-cost-baseline \
  --explore "Finn kostnadsbesparelser i Stange skole-anbudet" \
  --explore-config   scratchpad/s7b-syretest/explore-config.json \
  --scripted-replies scratchpad/major2/scripted-replies-major2.json \
  --outbox-dir scratchpad/major2/outbox-control --run-id major2-control \
  --proposal-review

# REVIDERT — to revise, to approve
printf 'revise Bruk 150 000, ikke 200 000\napprove\nrevise Bruk 150 000, ikke 200 000\napprove\n' | ...
```

**Kontrollen er approve-only, ikke «uten flagget».** Det isolerer SVARET: begge kjøringene har
døra, samme manus og samme budsjett, så alt som skiller dem er hva mennesket sa.

### 3.2 Utfallet flytter seg

| | KONTROLL (approve ×2) | REVIDERT (revise/approve ×2) |
|---|---|---|
| review-spørsmål | 2 over 2 kandidater | **4 over 2 kandidater** |
| `hypothesis-1` | VALIDERT 200 000 NOK | **VALIDERT 150 000 NOK** |
| `own-proposal` | VALIDERT 150 000 NOK | VALIDERT 150 000 NOK |
| kjøringens utfall | best **200 000** NOK | best **150 000** NOK |
| dom-nøkkel | `be8535e204cdc4c6` | **`f23ecff85f4188b5`** |
| `attempts remaining` vist | 2 | 2, så **1** på forsøk to |

Begge kjøringene ender rc 0 med `ValidatedProposal`. Validatorens dom er ikke overstyrt av noen —
det er en ANNEN kandidat som ble dømt, fordi mennesket kjøpte ett forsøk til.

### 3.3 Prisen: én ekstra genererings-prompt per tilnærming

| fase | prompter (kontroll) | tokens | prompter (revidert) | tokens |
|---|---|---|---|---|
| 1 — utforskning (navigatør 5, manager 6, hypotesiser 1) | 12 | 18 355 | 12 | **18 355** |
| 2a — debatt (proposer 2, checker 1) | 3 | 513 | 3 | **513** |
| 2b — generering | 2 | 406 | **4** | 908 |
| **sum** | **17** | **19 274** | **19** | **19 776** |

**Utforskningen er uendret til tokenet**, og debatt-promptene er uendret både i antall og i
størrelse (proposer 314, checker 199 i begge). Hele forskjellen er de **to ekstra
genererings-promptene** — én per tilnærming, nøyaktig dét en `revise` kjøper. **+502 tokens, +2,6 %**
for en kjøring der et menneske faktisk endret utfallet.

Klassifiseringen debatt/generering er MÅLT, ikke antatt: genererings-prompten bærer
`Project: {id} - {name}` (`generate._build_messages`), debatt-turen bærer basepekeren.

### 3.4 Ordene når fram — ORDRETT

`Bruk 150 000, ikke 200 000` står i **2 av 6** proposer-prompter i den reviderte kjøringen og i
**0 av 4** i kontrollen — altså nøyaktig i de to andre-forsøks-promptene, og ingen andre steder.

`scratchpad/major2/outbox-revise/major2-revise-proposal-reviews.json`:

```json
{"approach_id": "hypothesis-1", "attempt": 0, "decision": "revise",
 "feedback": "Bruk 150 000, ikke 200 000", "honoured": true,
 "p50": 319311.8986090132, "verdict_key": "be8535e204cdc4c6"}
{"approach_id": "hypothesis-1", "attempt": 1, "decision": "approve", "feedback": "",
 "honoured": true, "p50": 319311.8986090132, "verdict_key": "f23ecff85f4188b5"}
```

Posten er nøklet per `(approach_id, attempt)` og bærer `verdict_key` for den kandidaten mennesket
faktisk SÅ — attempt 0 navngir 200 000-kandidaten, attempt 1 den kjøringen endte på. Kontrollens
artefakt har to rader, begge `approve` med tom feedback: **fila skrives uansett, fordi en reviewer
ble gitt** (D4).

**Ærlighets-grense på nettopp dette manuset:** den skriptede proposeren LESER ikke feedbacken — den
returnerer steg 2 uansett. Det som er målt her er derfor (a) at ordene når prompten ordrett, (b) at
et forsøk til faktisk ble kjøpt og hentet (`honoured: true`), og (c) at kjøringen bærer validatorens
dom på DET forsøket. At en levende modell ville korrigert seg etter ordene er ikke vist, og kan
ikke vises av et manus.

## 4. Ærlighets-grenser

* **`last_ruling`-bæreren er uvitnet** — se § 1. Planens «Critical risk #1» er falsifisert.
  Kommentaren i `generate.py` som påsto at asserten ville fyrt er RETTET i samme commit som dette
  dokumentet; commit-teksten for `bbf4d3b` bærer fortsatt den gamle påstanden, og historikken
  skrives ikke om.
* **Steg 5 under-rapporterer på en revidert kjøring:** en `revise` bruker ett av de SAMME
  `max_attempts`-forsøkene en validator-avvisning ville brukt, så en kjøring kan bruke opp forsøkene
  på ekspert-revisjoner og aldri nå en andre validator-falsifisering. `refinements` under-rapporterer
  da ved konstruksjon. Uttalt, ikke reparert.
* **`coverage`-radene navngir ikke en revise som årsak.** Hver revise tikker den DELTE rundeboka, så
  en eksperts egne revisjoner kan la halen av en kommisjon stå `not_evaluated`. Detaljen forblir
  «budget exhausted before this approach was evaluated» — sann, og `coverage` er et non-goal.
  Terminalen viser `attempts remaining` FØR hvert svar, og review-posten er der årsaken kan leses.
* **Checker-gaten (6b) og dimensjons-gaten (6c) overstyrer ETTER at genereringen har returnert.** En
  `approve` registrert ordrett i artefaktet kan derfor sitte på en kjøring hvis utfall er en
  checker-kildet `Rejection`. Posten sier hva mennesket SÅ og SVARTE, aldri hva kjøringen
  konkluderte; at de to er uenige er tilsiktet, og å blande dem er nøyaktig det to-falsifiserer-raden
  forbyr.
* **Feedback-teksten er UBEGRENSET**, som plan-review-feedback — belastet `max_tokens`, som er
  bunden. At den når en proposer som holder navigatør-verktøyene er uttalt, ikke voktet.
* **F4s traceback-asymmetri er urørt:** `PlanReviewInputError` forlater fortsatt CLI-en som en
  traceback, mens `ProposalReviewInputError` fanges ved navn. Uttalt, ikke fikset her.
* **`run_portfolio` tar ingen reviewer**, og fraværet er assertert.
* **Ingen levende modell har svart på en review.** Alt her er skriptede stand-ins
  (structured-output-grensens klasse).
* **K2-prisene er SYNTETISKE**, og manuset er skriptet: null modellkall, banneret sier det på hver
  kjøring. Det som er vist er at maskineriet kommer HELT fram med et menneske i løkka, ikke hva et
  tilbud koster. Multiplikatorene i § 3.3 gjelder dette manuset.
* **README-armen har intet M-nummer** — M-lista lukket ved M40. Den ble drevet rød to ganger
  (manglende blokk, og blokk uten `--checkpoint-dir` navngitt), og kontrollen på at uttrekkeren
  ikke stille finner ingenting er `--plan-review`-blokka.