# systemone-bench: интеграция decision-модели в цикл харнеса

Задача: t-261005074437-39a9b0 · код: /root/systemone-bench (clone symbiot/systemone-bench @ git.cil.by)
Дата: 2026-10-05. Скилл: `skills/systemone-bench/SKILL.md`.

## 1. Что внедрено (валидация этого тика)

| Проверка | Результат |
|---|---|
| `ga/ga.py --smoke` | зелёный: 3 520 симуляций, 13 с, GA бьёт greedy/random, 0 опасных команд в best |
| `harness/hier.py --model nimble --quick` | зелёный: e2e 81.2% (16 кейсов), stage1 top-2 hit 93.8%, stage3 gold #1 = 100%, flat-64 = 0% (отказ эндпоинта >26 опций) |
| `ga/ga2.py --neardeath` | воспроизведён, см. §3 |

Эндпоинт `http://127.0.0.1:11434/v1/systemone` (модель nimble, qwen3.5-9B Q8_0) доступен из WSL-окружения харнеса напрямую — можно дергать на тиках.

## 2. Схема выбора для тиков харнеса (рекомендация №1 из README)

Когда на тике нужно выбрать одно действие из >9 однородных кандидатов:

```
кандидаты (до 64)
  → stage1: score по группам → TOP-2 группы (не top-1!)
  → stage2: choice по объединённому шортлисту ≤ 9
  → (опц.) stage3: score для параметров выбранного действия
```

Почему именно так (метрики сессии 2026-10-04 + quick-прогона):
- flat-choice по 64 опциям невозможен (контракт 2–26) и падает до 0%;
- top-2 группы поднимают recall до 84–94% (у ~40% команд «второй дом» в таксономии);
- шортлист ≤ 9 — точность 100% на 6 → 50% на 10, отсечка строго 9;
- расчётный e2e: 57.8% → ~78%; полный конвейер ~520–580 мс.

Контракт: `choice` — criteria объект; `score` — criteria массив (`Σ i·pᵢ`);
`noul` — P(да); `confidence` — концентрация, НЕ вероятность правильности.

## 3. Эксперимент near-death (ga2 --neardeath, воспроизведён 2026-10-05)

Вопрос: берёт ли GA деструктивные команды (layoff_20pct, delay_payroll), когда
капитал на исходе?

| Сценарий | Горизонт | GA best fitness | Опасные в top-5 | nimble (LLM) |
|---|---|---|---|---|
| dying | 4н | 10 272, выжил | **0/5** (3/160 в популяции) | 3 704, выжил |
| dying | 8н | 11 483, выжил | **0/5** (28/160, 18%) | **−999 825, умер н.7** |
| dying_hard | 4н | 10 175, выжил | **0/5** (4/160) | **−999 900, умер н.4** |
| dying_hard | 8н | 10 635, выжил | **0/5** (18/160, 11%) | **−999 900, умер н.4** |

Выводы:
1. GA **ни в одном top-5 не взял** layoff/delay_payroll даже при предсмертном
   runway — спасается монетизацией: `add_premium → raise_prices → winback`,
   а на 8н первым ходом `sell_secondary` (продажа вторички = мгновенный кэш).
2. LLM-политика nimble в dying_hard **умирает во всех прогонах**, GA — выживает:
   для near-death режимов GA-политика строго доминирует эвристики модели.
3. Подтверждена дыра симулятора: `sell_secondary` даёт +100 personal cash без
   штрафа за здоровье компании → GA эксплуатирует. Нужен гейт по health
   (фитнес × флаг health>порог или штраф за dilution) — TODO для ga3.
4. Дрейф опасных генов в популяции с ростом горизонта (2% → 18%) — сигнал, что
   отбор давит их только на коротких горизонтах; на длинных нужен явный штраф,
   иначе риск дрейфа лучшего генома.

## 4. Объединение GA-петель: systemone-bench × aum-pilot

Сейчас две генетические петли живут раздельно:

| | aum-pilot (репо харнеса) | systemone-bench GA |
|---|---|---|
| Геном | конфиг burn `{volume_mult, flash_share}` | последовательность команд стартапа |
| Фитнес | E[ΔAUM 365д] (плейсхолдер-модель) | терминальный AUM основателя (симулятор) |
| Симулятор | аналитическая модель продуктивности | недельные тики стартапа, MC |
| Что общее | **одна и та же целевая переменная: AUM на горизонте** | |

Предложение по сшивке (порядок шагов, не менять сразу всё):

1. **Общий словарь AUM.** Завести `docs/aum/balances.json` (это уже блокер
   пилота) и выразить фитнес обеих петель в одной валюте — ΔAUM в у.е. на
   горизонте. Пока balances.json нет, обе петли остаются в своих нативных
   единицах, но логируются в одном формате события (`aum_delta`, `horizon`,
   `source`).
2. **GA-движок один.** Ядро ga.py (популяция, отбор, мутации, MC-оценка) —
   переиспользовать как общий движок: aum-pilot уже умеет seed/детерминизм,
   systemone-bench — multiprocessing. Вынести в один модуль с двумя fitness-
   функциями (конфиг → ΔAUM; политика → ΔAUM).
3. **Decision-модель как policy-инициализатор GA.** nimble генерирует
   кандидатов-политик (stage1/stage2 схема из §2) → GA дорабатывает
   последовательности → лучший геном идёт в Advocate-слой (день/Alex).
   В ga2 это режим hybrid (hyb_llmG): уже сейчас LLM-инициализация улучшает
   wait/nimble-бейслайны, но проигрывает чистому greedy/GA-специалисту —
   поэтому LLM = источник разнообразия, не финальный отбор.
4. **Гейты безопасности из §3.** Любая петля, где фитнес включает personal
   cash, получает гейт здоровья компании (дыра sell_secondary) и явный штраф
   за деструктивные гены на длинных горизонтах (дрейф 2%→18%).

Эффект для AUM: одна петля «замер → симуляция → отбор → адвокат» вместо двух
распараллеленных, каждая итерация которой проверяется на реальном burn
(9router) и реальных решениях харнеса.

## 5. Открытые TODO (вне этой задачи)

- [ ] ga3: гейт health в фитнесе (дыра sell_secondary) + штраф деструктивных
      генов на длинных горизонтах
- [ ] ga2 --robust (максимин по 4 сценариям) — не запускался в этом тике,
      следующий шаг экспериментов
- [ ] Балансировка: замерить e2e ~78% расчётной схемы на полном 64-кейсовом
      наборе (не только quick-16)
- [ ] `docs/aum/balances.json` — ручной ввод Alex (блокер пункта 1 §4)