# Мой анализ ответов Opus (раунды 1 и 2)

**Дата:** 2026-06-23

---

## Раунд 1: Архитектурные вопросы

### Что взяли в работу (v1.0.108)
- Advisory lock для seq ✅
- NFKC-нормализация name_hash ✅
- ID-суррогаты r1..rN в промпте вместо хэшей ✅
- Обогащение ops именами из spec_current ✅

### Что отложили
- Параллельные вызовы LLM — семантически нельзя (допники кумулятивны)
- Таблица-счётчик для seq — advisory lock проще
- Эмбеддинги — NFKC достаточно
- Мульти-юзеры — преждевременно

---

## Раунд 2: Видение и неизведанное

### Что можно сделать прямо сейчас (v1.0.109)

| # | Что | Почему |
|---|-----|--------|
| 1 | `source_document_id` FK в spec_events | Костяк provenance. Связь интерпретации с исходным документом |
| 2 | `source_quote` в каждой op от LLM | Точная цитата из документа. Юрист видит источник |
| 3 | `confidence` 0.0-1.0 в каждой op | Self-reported моделью. Ниже 0.7 → перепроверить |
| 4 | `prompt_version` в spec_events | Какая версия промпта дала этот результат |
| 5 | `raw_llm_response` JSONB | Полный ответ модели для аудита |

### Что отложить на потом

| # | Что | Когда |
|---|-----|-------|
| 1 | Temporal UI (ползунок по датам) | После provenance, когда продукт показываем |
| 2 | Human-correction как событие | После базового UI |
| 3 | Confidence-gating (N прогонов → консенсус) | Когда точность станет критичной |
| 4 | Prompt CI (тесты для промптов) | Когда будет >1 версии промпта |
| 5 | Двухслойный лог (факты vs интерпретация) | v2.0 |
| 6 | Эмбеддинги (pgvector) | Только при доказанных промахах NFKC |

---

## Архитектурные принципы (выработанные)

1. **Сначала данные, потом UI.** source_document_id + source_quote дают основу. Красивый UI — потом.
2. **Минимальными средствами.** Одна FK-колонка вместо двухслойного лога. Self-confidence вместо сложного consensus.
3. **Домен решает.** Облачный провайдер + ЦОД — названия услуг копируются дословно. NFKC достаточно.
4. **Бесплатная LLM меняет экономику.** Можно делать N прогонов, не считая токены. Но лучше умно (только low-confidence).

---

## Открытые вопросы к Opus (будущие раунды)

1. **Prompt engineering для source_quote:** как попросить LLM вернуть точную цитату? Нужен пример промпта.
2. **Confidence calibration:** насколько self-reported confidence от gpt-oss-120b коррелирует с реальной точностью? Стоит ли калибровать?
3. **Temporal UI реализация:** как технически строить «спецификацию на дату» из spec_events? Реплей с фильтром по seq?
4. **Масштабирование LLM:** когда 120B станет узким горлышком, какие варианты? Fine-tune? Distill? Переход на большую модель?