# 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 |