doc: видение Opus — LLM-driven ES нового поколения

History/opus-vision-es.md

@@ -0,0 +1,75 @@
+# Opus 4.8 — Видение: LLM-driven Event Sourcing нового поколения
+
+**Дата:** 2026-06-23
+
+---
+
+## Оценка текущей архитектуры
+
+**Частично соответствует лучшим практикам ES. Нарушает две аксиомы:**
+
+### 1. Событие должно быть фактом, а не интерпретацией
+Классика: событие — «что произошло» (PriceChanged), объективный факт.
+У нас: ADD/UPDATE/DELETE — интерпретация документа моделью, не факт.
+Настоящий факт: «загружен допник №3 с таким текстом».
+
+### 2. События должны быть детерминированы
+Классика: реплей даёт то же состояние.
+У нас: та же модель + тот же документ = могут быть другие ops (стохастичность LLM).
+
+**Вывод:** прагматичный гибрид. Не «неправильно», но неклассически.
+
+---
+
+## Двухслойный лог (ключевая идея)
+
+- **Слой 1 — сырые факты:** `DocumentIngested(text_hash, bytes, order)`. Детерминированные, реплеятся идеально.
+- **Слой 2 — интерпретация:** `SpecChangeProposed` с метаданными (model_id, prompt_version, input_hash, raw_response, temperature).
+- `spec_current` — проекция слоя 2.
+
+Даёт: перепрогнать слой 1 новой моделью без потери истории.
+
+---
+
+## Неизведанные идеи
+
+### 1. Версионная ре-интерпретация
+Апгрейд модели → перепрогон всего потока → параллельная spec_current_v2 → сравнение дрейфа на истории. Версионирование *понимания* данных.
+
+### 2. Provenance каждой строки
+«Эта услуга пришла из допника №3, вот исходный абзац, reasoning LLM, confidence 0.82». UI «почему здесь эта цифра».
+
+### 3. Human-correction как событие → flywheel
+Правка юзера = `SpecChangeCorrected(by=user)` = regression-тест + размеченный пример. Бесплатный датасет качества.
+
+### 4. «Prompt CI» — промпты как код с тестами
+Из human-corrections → golden dataset. Изменение промпта → eval-харнесс. Регрессионные тесты для промптов.
+
+### 5. Confidence-gating + self-consistency
+N прогонов (или 2-3 модели) → консенсус. Согласные ops → авто. Расхождения → ручная проверка. Лечит нестохастичность.
+
+### 6. Эмбеддинги вместо name_hash
+Векторный матчинг сущностей внутри event-проекции. «Аренда стойко-места…» с разными тире → один вектор.
+
+### 7. Temporal queries — «спецификация на дату»
+UI-ползунок по времени: «как выглядел договор на 2025-03-01». Технически возможно уже сейчас.
+
+### 8. Outbox/Saga + idempotency keys
+Exactly-once через HTTP-границы Lucee↔Python↔LLM. Для надёжности при мульти-юзерах.
+
+### 9. Constrained decoding (GBNF-грамматика)
+Форсировать валидный JSON ops на уровне декодера LLM. Убирает ошибки парсинга.
+
+---
+
+## Приоритеты (от Opus)
+
+| Приоритет | Идея | Зачем |
+|---|---|---|
+| 🔥 Высокий | Двухслойный лог | Чинит детерминизм, открывает всё |
+| 🔥 Высокий | Provenance-метаданные | Аудит, доверие, миграция моделей |
+| 🔥 Высокий | Human-correction как событие | Flywheel: бесплатный eval-датасет |
+| ⭐ Средний | Эмбеддинги для матчинга | Решает name_hash надёжнее |
+| ⭐ Средний | Temporal UI | Killer-фича почти даром |
+| ⭐ Средний | Confidence-gating | Убирает тихие ошибки |
+| 🧪 Исслед. | Версионная ре-интерпретация | Сравнение моделей на истории |