portfolio-optimiser/docs/2026-09-04-s2c-debatt-k2.md

S2c — debatten får navigatør-drevet lesing, målt på K2

Dato: 2026-09-04 · Ordre: 20260904T135452Z-328127358-from-.claude Base: ~/corpora/okf-telling-20260829/K2-bundle-20260903/ (erklært id k2-trinn1-20260903), kopiert til scratchpad/s7b-syretest/K2-priset-SYNTETISK med MAJOR-4s syntetisk prisede prisskjema montert — nøyaktig samme oppsett som S7b § 3.1.

⚠️ PRISENE ER SYNTETISKE, og ingen levende modell er kalt. Hvert tall under er prompt-tokens i en SKRIPTET kjøring. Det som måles er hva rammeverket sender, ikke hva en modell ville svart.

---

0. Sammendrag

ordrens spørsmål	svar
Ble premisset verifisert først?	Ja — § 1, reprodusert eksakt
Debatt + generering på K2, FØR	1 947 342 o200k-tokens
… ETTER, samme manus	753 (−99,96 %)
… ETTER, med en debatt som faktisk NAVIGERER	8 942 (−99,5 %)
Ordrens terskel (< 195 000)	Holdt med margin: 4,6 % av terskelen
Validert besparelse / validatorens dom	UENDRET — § 4
Golden demo-transcript.stdout	BYTE-UENDRET (shasum -a 1 = ea8c534773acdbe41ae68f2c55724d69aaf8be4f, INNHOLD, ikke git-blob)

---

1. Premisset, verifisert før noe ble bygget

Ordren ba om det, og instrumentet er S7bs eget (scratchpad/s7b-syretest/profile_pipeline.py, o200k_base, prompt lest som tekst + function_call + function_result). Den kjent-positive kontrollen kjøres først: rotnivå-listingen på LEVERT K2 måles til 3954 tegn / 1495 o200k-tokens over 629 konseptfiler, som reproduserer S7a-3s publiserte tall eksakt. Deretter:

=== FASE 2: debatt + generering (skriptet, null modellkall) ===
  checker         1 prompt(er)   649062 o200k-tokens
  proposer        3 prompt(er)  1298280 o200k-tokens
  SUM             4 prompt(er)  1947342 o200k-tokens

Identisk med S7b § 3.4. Én presisering mot måledokumentet: S7b skriver «2 debatt-turer + genererings-prompten». Målt er fordelingen en annen — de tre kopiene er TRE DEBATT-TURER (proposer ×2, checker ×1 à 649 062), mens genererings-prompten er 156 tokens, fordi gen_context = debate_output or context tar debattens output når den finnes. Summen er den samme, og konklusjonen er den samme; det som flytter seg er hvor generering står i regnskapet, og det avgjorde formen på arbeidet (§ 2).

---

2. Grepet — én søm, ikke to policyer

run_projects bundle-arm sluttet å rendre basen inn i oppgavemeldingen. Den sender nå en PEKER og gir debatten de SAMME fire navigatør-verktøyene utforskningen bruker (explore.navigator_tools — gjenbrukt, ikke kopiert; ordrens eget krav).

• Generering trengte ingen egen søm, og det er en MÅLING. gen_context = debate_output or context: den ene grenen er debattens output (allerede liten), den andre er context. Ved å binde context blir siste-utvei-fallbacken bundet ved konstruksjon i stedet for å være hele korpuset. En verktøysløyfe inne i generate_via_llm ville vært en andre mekanisme for et problem som allerede var løst av den første.
• Pekeren er O(1) i korpuset: fast tekst + basens id + antall konseptdokumenter (i scope) + stigen. Taket som vokter den bor i TESTEN (_CEILING_CHARS = 1 500), av read_bundle-takets grunn: et tak importert fra implementasjonen flytter seg med den.
• §4.1a-dimensjonen måtte FLYTTE, ikke forsvinne. Løftet var at agentene leser KUN dimensjons-matchet kunnskap. Det ble holdt av bundle_contexts filter; med navigasjon må det holdes av VERKTØYENE — og på begge trinn: en listing som skjuler et fremmed dokument mens read_file fortsatt serverer det på sti er et filter i navnet alene. Én predikat (okf.in_dimension) tjener begge renderere, så to kopier av «hva er i scope» ikke kan bli uenige om samme base.
• Sporet er KALLER-EID (ExplorationToolRecorder på debattens middleware, RunResult.debate_tool_calls, {run_id}-debate.json skrevet fra en finally). En returverdi ville vært tapt på nøyaktig den kjøringen som trenger beviset: et budsjettstopp midt i debatten reiser ut av debate.run og konstruerer aldri et RunResult. Artefaktet skrives også når det er TOMT — ulikt write_parse_failures, hvis TILSTEDEVÆRELSE er signalet. Her er det tomme tilfellet selve S2c-regresjonen (en debatt som navigerer ingenting ser billig ut av feil grunn), så det må kunne LESES, ikke utledes av en fil som ikke er der.
• Én renderer for sporet (explore.tool_call_payload), delt av utforskningens og debattens artefakt — målt, ikke påstått: M8 under gjør TO eksisterende tester i test_tool_call_path_loadbearing røde.

---

3. Tokens per fase, FØR og ETTER

Samme instrument, samme base, samme syntetiske prisfikstur.

3.1 Like-for-like — identisk manus, identiske fire prompter

fase	prompter	FØR	ETTER	endring
1 — utforskning (navigatør 5, manager 6, hypotesiser 1)	12	18 355	18 355	uendret
2 — debatt + generering (proposer 3, checker 1)	4	1 947 342	753	−99,96 %
3 — deterministisk dom	0	0	0	—
sum	16	1 965 697	19 108	−99,0 %

Utforskningens 18 355 er uendret til tokenet, med samme fire verktøykall i samme rekkefølge — navigator_tools fikk en dimension-parameter som defaulter til None, og det er dét som gjør den uendretheten til en måling og ikke en forhåpning.

3.2 Med en debatt som faktisk LESER — det ærlige tallet

753 tokens er billig delvis fordi det skriptede manuset fra S7b aldri kaller et verktøy. En gjenbrukt konstant-svar-rehearsal beviser at debatten KJØRER, aldri at den ÅPNER basen — nøyaktig vakuiteten MAJOR-1 lukket ett lag over. Manuset ble derfor utvidet slik at debatten går den samme stigen navigatøren gikk i S7b § 3.5:

  verktoykall debatten gjorde (RunResult.debate_tool_calls):
    read_bundle    bundle_id=k2-trinn1-20260903  path=-
    read_dir       bundle_id=k2-trinn1-20260903  path=del-ii-bilag-7-prisskjema
    read_file      bundle_id=k2-trinn1-20260903  path=del-ii-bilag-7-prisskjema/prisskjema-SYNTETISK.md
    read_file      bundle_id=k2-trinn1-20260903  path=del-ii-bilag-7-prisskjema/prisskjema-SYNTETISK.md
  checker         2 prompt(er)      633 o200k-tokens
  proposer        9 prompt(er)     8309 o200k-tokens
  SUM            11 prompt(er)     8942 o200k-tokens

8 942 tokens, −99,5 %, mot ordrens terskel på 195 000: 4,6 % av taket. Antall prompter STIGER (4 → 11), og det er handelen MAJOR-3-raden allerede beskriver: man betaler per kall, men hvert resultat rir kun fra SITT kall og framover, i stedet for at hele basen rir i hver prompt.

Tallet er dessuten et øvre estimat: proposer-manuset konsumeres på nytt av den ferske klienten generate_via_llm bygger, så tre genererings-forsøk brenner på et verktøykall før JSON-en kommer (§ 6, uttalt ærlighets-grense). En operatør som skriver manuset riktig betaler mindre.

---

4. Validert besparelse og validatorens dom — UENDRET

Ordren sier at en endring her er et funn, ikke støy. Målt med SAMME kommando og SAMME scripted-replies.json som S7b § 3.2:

K2: ValidatedProposal (no expert verdict given; verdict key=be8535e204cdc4c6)
  hypothesis-1  VALIDATED  200000 NOK
  own-proposal  VALIDATED  200000 NOK
  Validated: 2 of 2 approaches — best 200000 NOK

Identisk med S7b, ned til dom-nøkkelen. Den deterministiske døra (§ 3.3 der) er også uendret:

id	krav	utfall	stage
a1	200 000	VALIDERT	—
a2	900 000	FELT	stage 4 — P90 feasible 612 000
a3	150 000	VALIDERT	—
a4	500 000	VALIDERT	—
a5	150 000	FELT	stage 5 — energy_efficiency-cap 112 500

850 000 NOK validert av 3 852 500. 2 av 5 felt, på to ulike stages. Uendret.

Kontroll-kjøringen med det UENDREDE manuset etterlot {"tool_calls": []} — den skriptede konstanten åpnet ingenting, og artefaktet sier det i stedet for å mangle. Det er nettopp derfor det tomme tilfellet skrives.

---

5. Mutasjonsmålingen

Grønn kontroll 1306 passed / 5 skipped (fra 1295/5), golden demo-transcript.stdout BYTE-UENDRET. Hver mutasjon kjørt mot HELE suiten, restaurert fra scratchpad og verifisert med shasum -c.

#	detach	røde
M1	context tilbake til okf.bundle_context	3
M2	navigatør-verktøyene ut av debate_tools	7
M3	ExplorationToolRecorder av debattens middleware	2
M4	{run_id}-debate.json skrives ikke	5
M5	directory_listing ignorerer dimensjonen	2
M6	read_files dimensjonsgate detached	2
M7	pekeren dropper basens id i overskriftslinja	0 — se under
M7b	pekeren navngir ingen base overhodet	1
M8	sporet dropper path	3

M7 FALSIFISERTE MUTASJONEN, ikke gaten. Pekeren navngir basen FIRE ganger (overskriften pluss de tre stige-kallene), så å fjerne én omtale fjerner ikke egenskapen gaten påstår («en debatt som kan kalle verktøyene sine»). M7b er mutasjonen som faktisk løsner den, og den er rød alene. Dette står som målt, ikke som spådd — en mutasjon som ikke treffer egenskapen er en opplysning om mutasjonen.

M8 er den sterkeste av dem: to av de tre røde bor i test_tool_call_path_loadbearing, altså i tester som fantes FØR dette arbeidet. Det er det som gjør «én renderer, ikke to kopier» til en måling.

M2s syv røde spenner fire filer, hvorav tre er eldre gates — dimensjonens to armer, MCP-kontrollen og den skriptede døra. Sømmen er altså vitnet fra flere uavhengige hold.

---

6. Ærlighets-grenser, uttalt

• Ingen levende modell. At en modell NAVIGERER godt med en peker i stedet for hele basen er ikke bevist — samme klasse som structured-output-grensen. Det som er bevist er hva rammeverket sender.
• Dette er ikke «−99,5 % for enhver kjøring». En debatt som åpner k dokumenter betaler k verktøyresultater; gevinsten er at den betaler for det den VALGTE, og at hvert resultat rir fra sitt eget kall og framover. Multiplikatoren gjelder dette manuset.
• Det skriptede proposer-manuset konsumeres to ganger. Manus er per KLIENT, og generate_via_llm bygger en fersk proposer-klient som starter manuset på nytt. Et manus som åpner med et verktøykall svarer derfor også genererings-kallet med et function_call, som ikke parser. Det er uttalt i _load_scripted_replies' docstring og ikke reparert: å gjette hvilke steg som var «ment for» hvilket kallsted er reparasjon, og denne loaderen validerer.
• read_file er fortsatt sti-adresserbar til type: verdict-laget. Ingen listing navngir det (context_files dropper det ved konstruksjon), men en modell som gjetter en sti kan lese en dom utenom den gatede ExpeL-folden. Egenskapen er ARVET fra utforskningen (S7a-3) og er derfor ikke ny her, men den er nå nåbar fra debatten også. MÅLT, RAPPORTERT, IKKE FIKSET — å lukke den er én regel ett sted (read_file nekter det ingen listing ville vist), og den endrer utforskningens oppførsel også, altså en egen beslutning.
• --scripted-replies tar nå steg-lister for debattens roller. Nekten som forsvant hadde en begrunnelse som nå er målbart usann (proposer og checker ER agenter med verktøy). Arm test_a_step_list_is_refused_for_a_debate_role er SKREVET OM til sin positive, ikke slettet — node-ID-en er derfor omdøpt, og suiten er et supersett bortsett fra det ene navnet.
• Den hostede flaten er urørt. Ingen nye felt i whitelisten; {run_id}-debate.json når kun CLI-ens/bibliotekets outbox, som {run_id}-exploration.json alt gjør.
• Prefiks-caching er fortsatt NOTERT, ikke bygget. Med korpuset ute av prompten er den også langt mindre verdt enn den var.

---

7. Kommandoer

# premiss + ETTER, like-for-like (samme manus)
uv run --with tiktoken==0.12.0 python scratchpad/s7b-syretest/profile_pipeline.py
# ETTER med en navigerende debatt
uv run --with tiktoken==0.12.0 python scratchpad/s2c-debatt/profile_pipeline_after.py
# fase 1 + 3 (uendret)
uv run --with tiktoken==0.12.0 python scratchpad/s7b-syretest/profile_phases.py
# mutasjon nr. N mot hele suiten
uv run python scratchpad/s2c-debatt/mut.py M1