"""Simbiot Harness — ядро Коди: обучаемые ученики решений (как ядро systemone-bench).

Цикл бенча (engine42/router42): учитель → дистилляция в маленькую сеть +
kNN-память → живой роутер по новизне → дообучение на реальных исходах.
Здесь тот же цикл на решениях Коди. Первая голова — `addressing`:
отвечать ли на сообщение в группе (harness/addressing.py).

Опыт (события aggregate='core', подписаны как всё в сторе):
  CoreLabel      — метка сообщения: source=teacher_backfill (учитель
                   разметил историю), source=human (кнопка Alex в личке);
  CoreFeedback   — неявная обратная связь чата: бот ответил, а следом
                   «не тебе / продолжает / молчи» → 0; бот промолчал, а
                   автор тут же дёрнул бота («@juno42bot», «Коди?») → 1;
  CorePrediction — теневой прогноз ученика на живом сообщении;
  CoreModelPromoted — смена чемпиона (метрики, sha256 файла модели).
Живые вердикты учителя (MessageTriaged/MessageIgnored rule=decision, p)
тоже метки — мягкие, вес 1. Обратная связь — вес 3, человек — вес 5.

Признаки: эмбеддинг сообщения + эмбеддинг контекста (3 реплики до него,
ответы бота — только на адресованное) через локальный nomic-embed-text
(~70 мс, бесплатно; кеш на диске) + 8 флагов. Ученик — логистическая
регрессия (numpy, L2): на сотнях примеров она устойчивее MLP; формат
модели допускает MLP позже. Новизна — 1 − средняя косинусная близость
к 5 ближайшим из обучающей памяти.

Роутер (shadow по умолчанию — SIMBIOT_CORE_ADDRESSING=shadow|on|off):
  знакомо (новизна < NOV_FAMILIAR) и уверенно (|p−0.5| ≥ CONF) → ученик;
  незнакомо (новизна ≥ NOV_NOVEL) и учитель сомневается → вопрос Alex
  кнопками в личку (≤ SIMBIOT_CORE_ASK_PER_DAY в сутки, 5);
  иначе → учитель. В shadow решает учитель, ученик только пишет прогноз.

Тренировка — дневной тик (и cli.py core train): временной холдаут
(последние 20%), претендент заменяет чемпиона, только если лучше по
взвешенному log-loss на том же холдауте; файл модели в <home>/core/.
"""
import hashlib
import json
import os
import re
import sqlite3
import struct
import threading
import time
import urllib.request
from datetime import datetime, timedelta, timezone

from . import es
from . import paths as _paths

try:
    import numpy as np
except ImportError:  # ядро выключится само: featurize/train упадут, триаж — учитель
    np = None

HEAD = "addressing"
EMB_MODEL = "nomic-embed-text"
EMB_DIM = 768
FLAG_NAMES = ("prev_is_bot", "same_author_as_last_addressed", "question",
              "second_person", "names_other_human", "length", "link", "media")
# пороги новизны калибруются при обучении (перцентили новизны холдаута
# против обучающей памяти: у nomic близость реплик одного чата высокая,
# новизна живёт в 0.03–0.09 — фиксированные пороги бессмысленны); это — дефолт
NOV_FAMILIAR = 0.35
NOV_NOVEL = 0.55
# уверенность: |p−0.5| ≥ 0.4 — репетиция на истории правления (5 фолдов):
# покрытие 25%, совпадение с учителем 95%; 0.35 → 47% / 93%; 0.3 → 60% / 90%
CONF = 0.4
MIN_TRAIN = 40
FRESH_MIN = 10  # свежих (не виденных чемпионом) примеров для честного сравнения
WEIGHTS = {"teacher": 1.0, "teacher_backfill": 1.0, "feedback": 3.0, "human": 5.0}

NEG_RE = re.compile(r"не\s+(?:тебе|к\s+тебе|тебя\s+спрашива)|молчи|не\s+встревай|"
                    r"заткн|продолжает|опять\s+(?:встрял|отвечает|лезет)|не\s+лезь",
                    re.IGNORECASE)
SECOND_RE = re.compile(r"\b(?:ты|тебе|тебя|твой|твоя|твоё|можешь|сделай|покажи|скинь|"
                       r"пришли|напиши|ответь|глянь|посмотри|расскажи|подскажи|найди|"
                       r"создай|собери|проверь)\b", re.IGNORECASE)
LINK_RE = re.compile(r"https?://")

_LOCK = threading.Lock()
_STATE = {}  # голова → {"model", "sha"}


# ────────────────────────── конфиг/пути ──────────────────────────

def mode(head: str = HEAD) -> str:
    """SIMBIOT_CORE_<ГОЛОВА>=shadow|on|off (дефолт shadow)."""
    from . import decision
    v = decision._cfg("SIMBIOT_CORE_" + head.upper(), "shadow").lower()
    return v if v in ("on", "shadow", "off") else "shadow"


def _core_root() -> str:
    return (os.environ.get("SIMBIOT_CORE_DIR", "").strip()
            or os.path.join(_paths.home(), "core"))


def core_dir() -> str:
    """Корень ядра — с созданием (только для записи: кеш эмбеддингов, модели)."""
    d = _core_root()
    os.makedirs(d, mode=0o700, exist_ok=True)
    return d


def _ollama_base() -> str:
    from . import decision
    return decision._cfg("SIMBIOT_EMBED_URL", "http://127.0.0.1:11434")


# ────────────────────────── эмбеддинги (кеш) ──────────────────────────

def _cache():
    db = sqlite3.connect(os.path.join(core_dir(), "emb.sqlite"), timeout=30)
    db.execute("CREATE TABLE IF NOT EXISTS emb (k TEXT PRIMARY KEY, v BLOB)")
    return db


def embed(texts: list, prefix: str = "classification") -> list:
    """Эмбеддинги (нормированные списки float) с дисковым кешем; батч к Ollama.

    prefix — задача nomic: classification (ученики ядра) / search_document,
    search_query (память, harness/memory.py); ключ кеша включает префикс
    (classification — прежний ключ, кеш не теряется)."""
    import numpy as np
    keys = [hashlib.sha1((f"{EMB_MODEL}|{t}" if prefix == "classification"
                          else f"{EMB_MODEL}|{prefix}|{t}").encode()).hexdigest() for t in texts]
    out = [None] * len(texts)
    db = _cache()
    try:
        for i, k in enumerate(keys):
            row = db.execute("SELECT v FROM emb WHERE k=?", (k,)).fetchone()
            if row:
                out[i] = np.frombuffer(row[0], dtype=np.float32)
        miss = [i for i, v in enumerate(out) if v is None]
        for s in range(0, len(miss), 32):
            chunk = miss[s:s + 32]
            body = json.dumps({"model": EMB_MODEL, "keep_alive": "2h",
                               "input": [f"{prefix}: {texts[i][:2000]}" for i in chunk]})
            req = urllib.request.Request(_ollama_base() + "/api/embed", data=body.encode(),
                                         headers={"Content-Type": "application/json"})
            with urllib.request.urlopen(req, timeout=60) as r:
                vecs = json.loads(r.read().decode())["embeddings"]
            for i, v in zip(chunk, vecs):
                a = np.asarray(v, dtype=np.float32)
                a /= (np.linalg.norm(a) or 1.0)
                out[i] = a
                db.execute("INSERT OR REPLACE INTO emb VALUES (?, ?)", (keys[i], a.tobytes()))
        db.commit()
    finally:
        db.close()
    return out


# ────────────────────────── опыт из стора ──────────────────────────

def _q(sql, args=()):
    db = sqlite3.connect(f"file:{es.DB_PATH}?mode=ro", uri=True, timeout=30)
    try:
        return db.execute(sql, args).fetchall()
    finally:
        db.close()


def _once(agg_id: str, etype: str, data: dict) -> bool:
    """Событие ядра ровно один раз на aggregate_id (метки/фидбек не дублируются)."""
    if _q("SELECT 1 FROM events WHERE aggregate='core' AND aggregate_id=? LIMIT 1", (agg_id,)):
        return False
    es.append_event("core", agg_id, etype, data)
    return True


def group_timeline(since: str = "") -> dict:
    """{chat_id: [msg, ...]} по времени: группы + вердикты + ответы бота + метки ядра."""
    from .addressing import is_group
    msgs, by_id = {}, {}
    for aid, et, ts, d in _q(
            "SELECT aggregate_id, event_type, timestamp, data FROM events WHERE "
            "event_type IN ('MessageReceived','MessageTriaged','MessageIgnored','ReplySent',"
            "'CoreLabel','CoreFeedback') AND timestamp > ? ORDER BY id", (since,)):
        d = json.loads(d)
        if et == "MessageReceived":
            if not is_group(d):
                continue
            m = {**d, "id": aid, "ts": ts}
            by_id[aid] = m
            msgs.setdefault(d.get("chat_id"), []).append(m)
            continue
        if et in ("CoreLabel", "CoreFeedback"):
            m = by_id.get(d.get("msg"))
            if m is not None and d.get("head", HEAD) == HEAD:
                m.setdefault("labels", []).append(
                    {"source": d.get("source") or "feedback", "y": float(d["label"]),
                     "ts": ts})
            continue
        m = by_id.get(aid)
        if m is None:
            continue
        if et == "MessageTriaged":
            m.update(addressed=True, rule=d.get("rule"), teacher_p=d.get("p"))
        elif et == "MessageIgnored" and d.get("reason") == "not_addressed":
            m.update(addressed=False, rule=d.get("rule"), teacher_p=d.get("p"))
        elif et == "ReplySent":
            t = d.get("text") or ""
            if not t.startswith("(сводный"):
                m["reply_text"] = t
            m.setdefault("reply_ts", ts)
    return msgs


def _was_addressed(m: dict) -> bool:
    if m.get("addressed") is not None:
        return bool(m["addressed"])
    lab = [l for l in m.get("labels", []) if l["source"] == "teacher_backfill"]
    return bool(lab and lab[-1]["y"] >= 0.5)


# ────────────────────────── признаки ──────────────────────────

def _ctx_lines(prior: list) -> list:
    out = []
    for x in prior[-3:]:
        out.append(f"{x.get('first_name') or '?'}: "
                   f"{(x.get('text') or '[' + str(x.get('kind')) + ']')[:300]}")
        if _was_addressed(x) and x.get("reply_text"):
            out.append(f"Cody: {x['reply_text'][:200]}")
    return out


def flags(m: dict, prior: list) -> list:
    text = m.get("text") or ""
    last = prior[-1] if prior else None
    addressed_prior = [x for x in prior if _was_addressed(x)]
    others = {x.get("first_name") for x in prior if x.get("first_name")} - {m.get("first_name")}
    names_other = any(re.search(rf"(?<!\w){re.escape(n)}(?!\w)", text, re.IGNORECASE)
                      for n in others if n and len(n) > 2)
    return [
        1.0 if (last and _was_addressed(last) and last.get("reply_text")) else 0.0,
        1.0 if (addressed_prior and addressed_prior[-1].get("first_name")
                == m.get("first_name")) else 0.0,
        1.0 if "?" in text else 0.0,
        1.0 if SECOND_RE.search(text) else 0.0,
        1.0 if names_other else 0.0,
        min(len(text) / 300.0, 1.0),
        1.0 if LINK_RE.search(text) else 0.0,
        0.0 if (m.get("kind") or "text") == "text" else 1.0,
    ]


def featurize(items: list):
    """items: [(msg, prior_msgs)] → (X, E_msg) numpy; эмбеддинги одним батчем."""
    import numpy as np
    msg_t = [f"{m.get('first_name') or '?'}: "
             f"{(m.get('text') or '[' + str(m.get('kind')) + ']')[:1500]}" for m, _ in items]
    ctx_t = ["\n".join(_ctx_lines(p)) or "(начало разговора)" for _, p in items]
    # эмбеддинг контекста в признаки не идёт: на истории правления он добавлял
    # 768 шумных измерений (5 фолдов: 0.822 с ним, 0.845 без); полезное из
    # контекста — во флагах (prev_is_bot, same_author…)
    del ctx_t
    vecs = embed(msg_t)
    n = len(items)
    em = np.stack(vecs) if n else np.zeros((0, EMB_DIM), np.float32)
    fl = np.asarray([flags(m, p) for m, p in items], dtype=np.float32).reshape(n, len(FLAG_NAMES))
    return np.hstack([em, fl]), em


# ────────────────────────── датасет ──────────────────────────

def target(m: dict):
    """(y, вес, источник) — сильнейший источник метки; None — метки нет."""
    labs = m.get("labels", [])
    for src in ("human", "feedback"):
        got = [l for l in labs if l["source"] == src]
        if got:
            return got[-1]["y"], WEIGHTS[src], src
    if m.get("rule") == "decision" and m.get("teacher_p") is not None:
        return float(m["teacher_p"]), WEIGHTS["teacher"], "teacher"
    got = [l for l in labs if l["source"] == "teacher_backfill"]
    if got:
        return got[-1]["y"], WEIGHTS["teacher_backfill"], "teacher_backfill"
    return None


def dataset():
    """Серая зона (правила её не решают) с меткой → [(msg, prior, y, w, src)] по времени."""
    from .addressing import rule_verdict
    rows = []
    for chat, msgs in group_timeline().items():
        for i, m in enumerate(msgs):
            if m.get("rule") not in (None, "decision", "no_decision", "core"):
                continue  # правило решило — ученику не нужно
            if m.get("rule") is None and rule_verdict(m)[0] is not None:
                continue
            t = target(m)
            if t is None:
                continue
            rows.append((m, msgs[max(0, i - 8):i], *t))
    rows.sort(key=lambda r: r[0]["ts"])
    return rows


# ────────────────────────── модель ──────────────────────────

EMB_SCALE = 4.0  # нормированные эмбеддинги: геометрию не трогаем, только масштаб
NF = len(FLAG_NAMES)


def _prep(model, X):
    """Эмбеддинги — как есть (×EMB_SCALE), стандартизуются только флаги.
    Стандартизация каждого из 1536 измерений на сотнях примеров раздувала
    шумовые измерения до масштаба полезных — регрессия учила шум."""
    nf = int(model.get("nf", NF))
    Z = X.astype(np.float64, copy=True)
    Z[:, :-nf] *= EMB_SCALE
    Z[:, -nf:] = (Z[:, -nf:] - model["mu"]) / model["sd"]
    return Z


def train_logreg(X, y, w, l2=0.05, epochs=800, lr=0.2, nf=NF):
    """Логистическая регрессия: взвешенный log-loss + L2, градиентный спуск (Adam)."""
    fl = X[:, -nf:].astype(np.float64)
    model = {"mu": fl.mean(0), "sd": fl.std(0) + 1e-6, "nf": nf}
    Z = _prep(model, X)
    wt = np.zeros(Z.shape[1]); b = 0.0
    sw = w / w.sum()
    m1 = np.zeros_like(wt); v1 = np.zeros_like(wt); mb = vb = 0.0
    for t in range(1, epochs + 1):
        p = 1 / (1 + np.exp(-(Z @ wt + b)))
        g = p - y
        gw = Z.T @ (sw * g) + l2 * wt
        gb = float((sw * g).sum())
        m1 = .9 * m1 + .1 * gw; v1 = .999 * v1 + .001 * gw * gw
        mb = .9 * mb + .1 * gb; vb = .999 * vb + .001 * gb * gb
        wt -= lr * (m1 / (1 - .9 ** t)) / (np.sqrt(v1 / (1 - .999 ** t)) + 1e-8)
        b -= lr * (mb / (1 - .9 ** t)) / (np.sqrt(vb / (1 - .999 ** t)) + 1e-8)
    model.update(w=wt, b=b)
    return model


def predict(model, X):
    Z = _prep(model, X)
    return 1 / (1 + np.exp(-(Z @ model["w"] + model["b"])))


def novelty(model, em):
    """1 − средняя косинусная близость к 5 ближайшим из обучающей памяти."""
    mem = model.get("mem")
    if mem is None or not len(mem):
        return np.ones(len(em))
    sims = em @ mem.T
    k = min(5, mem.shape[0])
    top = -np.sort(-sims, axis=1)[:, :k]
    return 1 - top.mean(1)


def metrics(model, X, y, w):
    p = np.clip(predict(model, X), 1e-6, 1 - 1e-6)
    ll = float(-(w * (y * np.log(p) + (1 - y) * np.log(1 - p))).sum() / w.sum())
    acc = float((w * ((p >= .5) == (y >= .5))).sum() / w.sum())
    return {"logloss": round(ll, 4), "acc": round(acc, 4), "n": int(len(y))}


def _model_path(name, head: str = HEAD, create: bool = True):
    """Путь файла головы; create=False — для чтения: каталоги не плодим
    (чтение чемпиона из build_context создавало core/ в репо в тестах)."""
    if not create:
        return os.path.join(_core_root(), head, name)
    d = os.path.join(core_dir(), head)
    os.makedirs(d, mode=0o700, exist_ok=True)
    return os.path.join(d, name)


def _champion_meta(head: str = HEAD):
    try:
        with open(_model_path("champion.json", head, create=False)) as f:
            return json.load(f)
    except (OSError, ValueError):
        return {}


def load_champion(head: str = HEAD):
    """Чемпион головы из файла (кеш по sha256) или None."""
    meta = _champion_meta(head)
    if not meta.get("file"):
        return None
    st = _STATE.setdefault(head, {})
    if st.get("sha") == meta.get("sha256") and st.get("model") is not None:
        return st["model"]
    path = _model_path(meta["file"], head, create=False)
    with open(path, "rb") as f:
        blob = f.read()
    if hashlib.sha256(blob).hexdigest() != meta.get("sha256"):
        return None  # файл подменён — ученика нет, решает учитель/правило
    z = np.load(path)
    model = {k: z[k] for k in ("w", "mu", "sd", "mem")}
    model["b"] = float(z["b"])
    model["nf"] = int(z["nf"]) if "nf" in z else NF
    model["nov_q"] = z["nov_q"] if "nov_q" in z else np.asarray([NOV_FAMILIAR, NOV_NOVEL])
    st.update(model=model, sha=meta["sha256"])
    return model


def _forget(head: str):
    _STATE.pop(head, None)


def _save(model, metrics_, n_total, head: str = HEAD, flag_names=FLAG_NAMES, trained_upto=""):
    import io
    name = f"model-{datetime.now(timezone.utc).strftime('%y%m%d%H%M%S')}.npz"
    buf = io.BytesIO()
    np.savez(buf, w=model["w"], b=np.float64(model["b"]), mu=model["mu"],
             sd=model["sd"], mem=model["mem"], nf=np.int64(model.get("nf", NF)),
             nov_q=np.asarray(model.get("nov_q", [NOV_FAMILIAR, NOV_NOVEL])))
    blob = buf.getvalue()
    path = _model_path(name, head)
    with open(path, "wb") as f:
        f.write(blob)
    os.chmod(path, 0o600)
    sha = hashlib.sha256(blob).hexdigest()
    prev = _champion_meta(head)
    meta = {"file": name, "sha256": sha, "metrics": metrics_, "n": n_total,
            "trained_upto": trained_upto,
            "kind": "logreg", "features": {"emb": EMB_MODEL, "flags": list(flag_names)},
            "ts": datetime.now(timezone.utc).isoformat(),
            "history": ([{k: prev[k] for k in ("file", "sha256", "metrics", "ts", "trained_upto")
                          if k in prev}]
                        + prev.get("history", []))[:10] if prev.get("file") else []}
    tmp = _model_path(".champion.tmp", head)
    with open(tmp, "w") as f:
        json.dump(meta, f, ensure_ascii=False, indent=1)
    os.replace(tmp, _model_path("champion.json", head))
    return meta


def _heads():
    """Реестр голов: dataset() → [(item, y, w, src)], featurize(items) → (X, em)."""
    return {
        HEAD: {"dataset": lambda: [((r[0], r[1]), r[2], r[3], r[4]) for r in dataset()],
               "featurize": featurize, "nf": NF, "flags": FLAG_NAMES,
               "ts": lambda it: it[0].get("ts")},
        TASK_HEAD: {"dataset": task_dataset, "featurize": task_featurize,
                    "nf": len(TASK_FLAGS), "flags": TASK_FLAGS, "ts": lambda t: t.get("ts")},
        DEPTH_HEAD: {"dataset": depth_dataset, "featurize": depth_featurize,
                     "nf": len(DEPTH_FLAGS), "flags": DEPTH_FLAGS, "ts": lambda it: it.get("ts")},
    }


def _logloss(p, y, w) -> float:
    p = np.clip(p, 1e-6, 1 - 1e-6)
    return float(-(w * (y * np.log(p) + (1 - y) * np.log(1 - p))).sum() / w.sum())


def train(log=print, head: str = HEAD) -> dict:
    """Чемпион/претендент без утечки.

    Чемпион обучен на всём, что видел до trained_upto, — сравнивать его на
    этих же данных нечестно (он видел ответы и выигрывал всегда: прод
    2026-10-17, 0.745 против 0.81). Поэтому:
      - свежих (после trained_upto) ≥ FRESH_MIN → холдаут = свежие; честно
        сравниваются претендент (обучен на остальном), чемпион и база;
      - иначе холдаут = последние 20%; чемпиона не сравнить — он остаётся,
        претендент без чемпиона проходит только при победе над базой;
      - база — константа = доля класса в обучении; ученик, не бьющий базу, —
        шум с уверенным лицом: не промоутится, а чемпион на свежих хуже базы
        снимается (ученик молчит, решает учитель/правило).
    """
    spec = _heads()[head]
    rows = spec["dataset"]()
    if len(rows) < MIN_TRAIN:
        log(f"[core] {head}: примеров {len(rows)} < {MIN_TRAIN} — обучение отложено")
        return {"head": head, "promoted": False, "n": len(rows), "reason": "few_samples"}
    X, em = spec["featurize"]([r[0] for r in rows])
    y = np.asarray([r[1] for r in rows], np.float64)
    w = np.asarray([r[2] for r in rows], np.float64)
    ts = [spec["ts"](r[0]) or "" for r in rows]
    nf = spec["nf"]
    meta0 = _champion_meta(head)
    champ = load_champion(head)
    # чемпионы до появления trained_upto: всё до момента обучения он видел
    upto = meta0.get("trained_upto") or meta0.get("ts") or ""
    fresh = np.asarray([t > upto for t in ts]) if (champ is not None and upto) else None
    if fresh is not None and fresh.sum() >= FRESH_MIN:
        hold, train_m, fair = fresh, ~fresh, True
    else:
        cut = max(int(len(rows) * 0.8), len(rows) - max(10, len(rows) // 5))
        hold = np.arange(len(rows)) >= cut
        train_m, fair = ~hold, False
    ch = train_logreg(X[train_m], y[train_m], w[train_m], nf=nf)
    ch["mem"] = em[train_m]
    yh, wh = y[hold], w[hold]
    m_ch = metrics(ch, X[hold], yh, wh)
    p_h = predict(ch, X[hold])
    sure = np.abs(p_h - .5) >= CONF
    m_ch["confident_share"] = round(float(sure.mean()), 3)
    m_ch["confident_acc"] = (round(float(((p_h[sure] >= .5) == (yh[sure] >= .5)).mean()), 3)
                             if sure.any() else None)
    m_ch["base_rate"] = round(float((yh >= .5).mean()), 3)
    pb = float(np.clip((w[train_m] * y[train_m]).sum() / w[train_m].sum(), 1e-3, 1 - 1e-3))
    m_ch["baseline_logloss"] = round(_logloss(np.full(len(yh), pb), yh, wh), 4)
    nov_h = novelty(ch, em[hold])
    nov_q = np.asarray([np.quantile(nov_h, .75), np.quantile(nov_h, .97)])
    m_ch["nov_q"] = [round(float(v), 4) for v in nov_q]
    m_ch["fair_vs_champion"] = fair
    m_old = None
    if champ is not None and fair:
        try:
            m_old = metrics(champ, X[hold], yh, wh)
        except Exception:
            m_old = None  # другой формат признаков — сравнить нельзя
    beats_base = m_ch["logloss"] < m_ch["baseline_logloss"] - 1e-4
    if champ is None:
        better = beats_base
    elif fair:
        better = beats_base and (m_old is None or m_ch["logloss"] < m_old["logloss"] - 1e-4)
    else:
        better = False  # чемпиона не сравнить честно — ждём свежих данных
    retired = False
    if (not better and fair and m_old is not None
            and m_old["logloss"] >= m_ch["baseline_logloss"] - 1e-4):
        retire(head, "на свежих данных не лучше базовой линии", m_old, m_ch["baseline_logloss"])
        retired = True
    srcs = {}
    for r in rows:
        srcs[r[3]] = srcs.get(r[3], 0) + 1
    rep = {"head": head, "n": len(rows), "holdout": m_ch, "champion_holdout": m_old,
           "sources": srcs, "promoted": bool(better), "beats_baseline": bool(beats_base),
           "retired": retired}
    if better:
        full = train_logreg(X, y, w, nf=nf)
        full["mem"] = em
        full["nov_q"] = nov_q
        meta = _save(full, m_ch, len(rows), head, spec["flags"], trained_upto=max(ts))
        _forget(head)
        es.append_event("core", f"promote:{head}:{meta['file']}", "CoreModelPromoted", {
            "head": head, "file": meta["file"], "sha256": meta["sha256"],
            "holdout": m_ch, "champion_holdout": m_old, "n": len(rows), "sources": srcs})
    verdict = ("ПРОМОУТ" if better else "снят: на свежих хуже базы" if retired
               else "не лучше базовой линии — без промоута" if not beats_base
               else "чемпион остаётся (мало свежих для честного сравнения)" if not fair
               else "чемпион остаётся")
    log(f"[core] {head}: n={len(rows)} претендент {m_ch} чемпион {m_old} → {verdict}")
    return rep


def retire(head: str, reason: str, holdout=None, baseline=None) -> dict:
    """Снять чемпиона: ученик молчит, решает учитель/правило. Откат — rollback."""
    meta0 = _champion_meta(head)
    if not meta0.get("file"):
        return {"ok": False, "reason": "чемпиона нет"}
    tmp = _model_path(".champion.tmp", head)
    with open(tmp, "w") as f:
        json.dump({"file": None, "retired": meta0.get("file"), "reason": reason,
                   "ts": datetime.now(timezone.utc).isoformat(),
                   "history": ([{k: meta0[k] for k in ("file", "sha256", "metrics", "ts",
                                                        "trained_upto") if k in meta0}]
                               + meta0.get("history", []))[:10]}, f, ensure_ascii=False, indent=1)
    os.replace(tmp, _model_path("champion.json", head))
    _forget(head)
    es.append_event("core", f"retire:{head}:{int(time.time())}", "CoreModelRetired", {
        "head": head, "file": meta0.get("file"), "reason": reason,
        "holdout": holdout, "baseline_logloss": baseline})
    return {"ok": True, "retired": meta0.get("file")}


def train_all(log=print) -> list:
    """Ночная тренировка всех голов (дневной тик)."""
    out = []
    for head in _heads():
        try:
            out.append(train(log=log, head=head))
        except Exception as e:
            log(f"[core] {head}: тренировка упала ({e})")
            out.append({"head": head, "error": str(e)[:200]})
    return out


def rollback(head: str = HEAD) -> dict:
    meta = _champion_meta(head)
    hist = meta.get("history") or []
    if not hist:
        return {"ok": False, "reason": "истории нет"}
    prev = hist[0]
    new = {**prev, "history": hist[1:], "ts": datetime.now(timezone.utc).isoformat(),
           "rolled_back_from": meta.get("file")}
    tmp = _model_path(".champion.tmp", head)
    with open(tmp, "w") as f:
        json.dump(new, f, ensure_ascii=False, indent=1)
    os.replace(tmp, _model_path("champion.json", head))
    _forget(head)
    es.append_event("core", f"rollback:{head}:{int(time.time())}", "CoreModelPromoted", {
        "head": head, "file": prev.get("file"), "sha256": prev.get("sha256"),
        "rollback_from": meta.get("file")})
    return {"ok": True, "file": prev.get("file")}


# ────────────────────────── живой контур ──────────────────────────

def route(p_student, nov, p_teacher, nov_q=None):
    fam, novel = (float(nov_q[0]), float(nov_q[1])) if nov_q is not None else (NOV_FAMILIAR, NOV_NOVEL)
    if p_student is not None and nov < fam and abs(p_student - 0.5) >= CONF:
        return "student"
    if nov >= novel and (p_teacher is None or 0.3 < p_teacher < 0.7):
        return "human"
    return "teacher"


def shadow(m: dict, prior: list, teacher_p, final: bool):
    """Прогноз ученика на живом сообщении серой зоны → CorePrediction (+ вопрос Alex)."""
    if mode() == "off":
        return None
    try:
        model = load_champion()
        p, nov = None, 1.0  # без чемпиона эмбеддинги не нужны: всё «незнакомо»
        if model is not None:
            X, em = featurize([(m, prior)])
            p = float(predict(model, X)[0])
            nov = float(novelty(model, em)[0])
    except Exception as e:
        return {"error": str(e)[:200]}
    r = route(p, nov, teacher_p, model.get("nov_q") if model is not None else None)
    mid = f"m-{m.get('update_id')}"
    rec = {"head": HEAD, "msg": mid, "p_student": None if p is None else round(p, 4),
           "novelty": round(nov, 4), "route": r, "teacher_p": teacher_p,
           "final": bool(final), "mode": mode(),
           "agree": None if p is None or teacher_p is None else (p >= .5) == (teacher_p >= .5)}
    _once(f"pred:{HEAD}:{mid}", "CorePrediction", rec)
    if r == "human":
        try:
            ask_human(m, prior)
        except Exception:
            pass  # вопрос — бонус, не путь решения
    return rec


def ask_human(m: dict, prior: list) -> bool:
    """Кнопки Alex в личку: «боту / не боту» — самая ценная метка (≤ N в сутки)."""
    limit = int(os.environ.get("SIMBIOT_CORE_ASK_PER_DAY", "5"))
    day = (datetime.now(timezone.utc) - timedelta(days=1)).isoformat()
    asked = _q("SELECT COUNT(*) FROM events WHERE event_type='CoreQuestionAsked' "
               "AND timestamp > ?", (day,))[0][0]
    if asked >= limit:
        return False
    mid = f"m-{m.get('update_id')}"
    if _q("SELECT 1 FROM events WHERE aggregate='core' AND aggregate_id=?", (f"ask:{mid}",)):
        return False
    from . import tg_inbox
    chat = tg_inbox._default_chat_id()
    if chat is None:
        return False
    ctx = "\n".join(_ctx_lines(prior)) or "(начало разговора)"
    text = (f"🧠 Учусь понимать, когда ко мне обращаются в «{m.get('chat_title') or 'группе'}».\n\n"
            f"Контекст:\n{ctx[-600:]}\n\n"
            f"Сообщение — {m.get('first_name')}: «{(m.get('text') or '')[:400]}»\n\n"
            "Это было мне?")
    kb = {"inline_keyboard": [[
        {"text": "Да, Коди", "callback_data": f"core:{HEAD}:{mid}:1"},
        {"text": "Нет, не мне", "callback_data": f"core:{HEAD}:{mid}:0"}]]}
    tg_inbox._load_env()
    r = tg_inbox._api("sendMessage", {"chat_id": chat, "text": text,
                                      "reply_markup": json.dumps(kb)}, timeout=15)
    if (r or {}).get("ok"):
        es.append_event("core", f"ask:{mid}", "CoreQuestionAsked", {"head": HEAD, "msg": mid})
        return True
    return False


def on_callback(cq: dict, allowed: set) -> bool:
    """Ответ Alex на кнопку → CoreLabel source=human. Возвращает True, если наш callback."""
    data = cq.get("data") or ""
    if not data.startswith("core:"):
        return False
    from . import tg_inbox
    _, head, mid, label = data.split(":", 3)
    user = (cq.get("from") or {}).get("id")
    ok = not allowed or str(user) in allowed
    if ok:
        _once(f"label:{head}:{mid}:human", "CoreLabel",
              {"head": head, "msg": mid, "label": int(label), "source": "human", "by": user})
    try:
        tg_inbox._api("answerCallbackQuery", {
            "callback_query_id": cq.get("id"),
            "text": ("Запомнил 👍" if ok else "Нет прав")}, timeout=10)
        msg = cq.get("message") or {}
        if ok and msg.get("message_id"):
            tg_inbox._api("editMessageReplyMarkup", {
                "chat_id": (msg.get("chat") or {}).get("id"),
                "message_id": msg["message_id"],
                "reply_markup": json.dumps({"inline_keyboard": [[{
                    "text": "✓ " + ("мне" if label == "1" else "не мне"),
                    "callback_data": "core:noop"}]]})}, timeout=10)
    except Exception:
        pass
    return True


def harvest_feedback(log=None) -> int:
    """Неявная обратная связь чата за последние 2 часа → CoreFeedback (один раз)."""
    since = (datetime.now(timezone.utc) - timedelta(hours=2)).isoformat()
    n = 0
    for chat, msgs in group_timeline(since).items():
        for i, m in enumerate(msgs):
            if m.get("rule") not in ("decision", "no_decision", "core"):
                continue
            t0 = datetime.fromisoformat(m.get("reply_ts") or m["ts"])
            nxt = [x for x in msgs[i + 1:]
                   if datetime.fromisoformat(x["ts"]) - t0 <= timedelta(minutes=5)]
            if m.get("addressed") and m.get("reply_text"):
                neg = next((x for x in nxt if NEG_RE.search(x.get("text") or "")), None)
                if neg and _once(f"fb:{HEAD}:{m['id']}", "CoreFeedback", {
                        "head": HEAD, "msg": m["id"], "label": 0,
                        "reason": "neg: " + (neg.get("text") or "")[:120]}):
                    n += 1
            elif m.get("addressed") is False:
                poke = next((x for x in nxt if x.get("first_name") == m.get("first_name")
                             and x.get("rule") in ("mention", "name", "reply_to_bot")
                             and _is_poke(x)), None)
                if poke and _once(f"fb:{HEAD}:{m['id']}", "CoreFeedback", {
                        "head": HEAD, "msg": m["id"], "label": 1,
                        "reason": "poke: " + (poke.get("text") or "")[:120]}):
                    n += 1
    if n and log:
        log(f"[core] обратная связь: {n}")
    return n


def _is_poke(x: dict) -> bool:
    """«Дёрнул бота» сразу после — короткое «@juno42bot» / «Коди?» без новой темы."""
    t = re.sub(r"@\w+|коди|cody", "", x.get("text") or "", flags=re.IGNORECASE)
    return len(re.sub(r"[\W_]+", "", t)) <= 12


# ────────────────────────── бэкфилл учителем ──────────────────────────

def backfill(log=print, limit: int = 2000) -> int:
    """Учитель размечает историю серой зоны (как живой: ответы бота в истории —
    только на адресованное по его же меткам) → CoreLabel source=teacher_backfill."""
    from .addressing import model_verdict, rule_verdict
    n = 0
    for chat, msgs in group_timeline().items():
        inbox = {}
        for m in msgs:
            inbox[m["id"]] = m
            if m.get("rule") is not None or m.get("labels"):
                continue  # живой вердикт или метка уже есть
            if rule_verdict(m)[0] is not None:
                continue
            p = model_verdict(m, {k: {**v, "addressed": _was_addressed(v)}
                                  for k, v in inbox.items() if k != m["id"]})
            if p is None:
                continue
            if _once(f"label:{HEAD}:{m['id']}:teacher", "CoreLabel", {
                    "head": HEAD, "msg": m["id"], "label": round(p, 4),
                    "source": "teacher_backfill"}):
                m.setdefault("labels", []).append(
                    {"source": "teacher_backfill", "y": p, "ts": m["ts"]})
                n += 1
                if n >= limit:
                    return n
    log(f"[core] бэкфилл учителем: {n} меток")
    return n


# ────────────────────────── голова task_fit ──────────────────────────
# Влезет ли S-задача в мин-тик с первой попытки (бюджет 30 шагов) или ей
# нужен час. Метки — сами из истории задач: 1 — закрыта на min с одного
# захвата; 0 — повторные захваты на min / закрыта другим уровнем / эскалация.
# На истории: 98 S-задач, 45 влезли, 53 нет. В on — уверенное «не влезет»
# сразу S→M (минуя пустые мин-попытки); правило эскалации — страховка.
# Rule-ветка (рефлексия t-261017093718, 93 метки): ученик не уверен или
# чемпиона нет → решает правило «внешние системы (портал/сервер/деплой/
# UI/git) в тексте → не влезет» (precision 0.74 / recall 0.52; ML-ученик
# logloss 0.849 хуже базы 0.707 — не промоутится). Режим дефолт shadow:
# правило пишется в CorePrediction (route=rule:ext), включается SIMBIOT_CORE_TASK_FIT=on.

TASK_HEAD = "task_fit"
TASK_FLAGS = ("details_len", "code_paths", "external_systems", "est_minutes", "await_delivery")
_CODE_RE = re.compile(r"/root|/var/|/opt/|\.py\b|\.js\b|\.html\b|app\.py|static/", re.IGNORECASE)
_EXT_RE = re.compile(r"портал|cil\.by|сервер|ssh|деплой|deploy|миграц|панел|panel|кабинет|"
                     r"фронт|ui\b|дашборд|dashboard|репо|git", re.IGNORECASE)


def task_history() -> dict:
    """{task_id: {title, details, size, est, await, claims:[level], done_level, ts}}."""
    T = {}
    for aid, et, ts, d in _q("SELECT aggregate_id, event_type, timestamp, data FROM events "
                             "WHERE aggregate='task' ORDER BY id"):
        d = json.loads(d)
        if et == "TaskSubmitted":
            T[aid] = {"id": aid, "title": d.get("title") or "", "details": d.get("details") or "",
                      "size": d.get("size"), "est": d.get("est_minutes"), "await": False,
                      "claims": [], "done_level": None, "ts": ts, "escalated": False}
        elif aid in T:
            t = T[aid]
            if et == "TaskAwaitDelivery":
                t["await"] = True
            elif et == "TaskClaimed":
                t["claims"].append(d.get("level"))
            elif et == "TaskCompleted":
                t["done_level"] = t["claims"][-1] if t["claims"] else None
            elif et == "TaskPromoted" and d.get("from") != d.get("to"):
                t["escalated"] = True
    return T


def task_label(t: dict):
    """1/0 — исход S-задачи на мин-уровне; None — исход ещё не ясен."""
    if t.get("size") != "S" or not t["claims"] or t["claims"][0] != "min":
        return None
    if t["done_level"] == "min" and t["claims"].count("min") == 1:
        return 1.0
    if t["claims"].count("min") >= 2 or t["escalated"] or (t["done_level"] and t["done_level"] != "min"):
        return 0.0
    return None


def task_dataset():
    rows = []
    for t in sorted(task_history().values(), key=lambda t: t["ts"]):
        y = task_label(t)
        if y is not None:
            rows.append((t, y, 1.0, "outcome"))
    return rows


def task_flags(t: dict) -> list:
    text = f"{t.get('title') or ''}\n{t.get('details') or ''}"
    est = t.get("est")
    return [min(len(t.get("details") or "") / 1000.0, 1.0),
            1.0 if _CODE_RE.search(text) else 0.0,
            1.0 if _EXT_RE.search(text) else 0.0,
            min(float(est) / 60.0, 1.0) if isinstance(est, (int, float)) and est > 0 else 0.0,
            1.0 if t.get("await") else 0.0]


def task_featurize(items: list):
    texts = [f"задача: {t.get('title') or ''} — {(t.get('details') or '')[:600]}" for t in items]
    vecs = embed(texts)
    n = len(items)
    em = np.stack(vecs) if n else np.zeros((0, EMB_DIM), np.float32)
    fl = np.asarray([task_flags(t) for t in items], dtype=np.float32).reshape(n, len(TASK_FLAGS))
    return np.hstack([em, fl]), em


def task_shadow(task: dict, level: str):
    """Прогноз «влезет в мин-тик» для S-задачи перед первым мин-захватом.

    Возвращает {"p_fit", "route", ...} или None. В on уверенное «не влезет»
    → вызывающий поднимает S→M до клейма. CorePrediction — один раз на задачу.

    Rule-ветка (рефлексия t-261017093718): без чемпиона/вне зоны уверенности
    ученика решает детерминированное правило «внешние системы → не влезет»
    (портал/сервер/деплой/UI/git в тексте задачи; история S-задач:
    precision 0.74, recall 0.52 — см. комментарий головы task_fit).
    """
    m = mode(TASK_HEAD)
    if m == "off" or level != "min" or task.get("size") != "S":
        return None
    text = f"{task.get('title') or ''}\n{task.get('details') or ''}"
    try:
        model = load_champion(TASK_HEAD)
        p = nov = None
        if model is not None:
            t = {"title": task.get("title"), "details": task.get("details"),
                 "est": task.get("est_minutes"), "await": task.get("await_delivery")}
            X, em = task_featurize([t])
            p = float(predict(model, X)[0])
            nov = float(novelty(model, em)[0])
    except Exception as e:
        return {"error": str(e)[:200]}
    ext = len(_EXT_RE.findall(text))
    if p is not None and nov is not None:
        fam = float(model["nov_q"][0])
        if nov < fam and abs(p - .5) >= CONF:      # ученик уверен — он и решает
            r, act = "student", bool(m == "on" and p < .5)
        elif ext:                                   # серая зона + правило
            p, r, act = 0.2, "rule:ext", bool(m == "on")
        else:
            r, act = "rule", False
    else:                                           # чемпиона нет — только правило
        r, act = ("rule:ext", bool(m == "on")) if ext else ("rule", False)
    rec = {"head": TASK_HEAD, "task": task.get("id"), "p_fit": round(p, 4) if p is not None else None,
           "novelty": round(nov, 4) if nov is not None else None, "route": r, "mode": m,
           "ext_hits": ext, "act": act}
    _once(f"pred:{TASK_HEAD}:{task.get('id')}", "CorePrediction", rec)
    return rec


# ────────────────────────── голова depth ──────────────────────────
# Нужна ли глубокая память (D2+) — harness/memory.py. Метки: решение правил
# (учитель, вес 1) и поправка из трассы тика: на D0/D1 агент полез в базу
# знаний / свои дайджесты / «не помню» → глубины не хватило (1, вес 3).
# shadow: прогноз пишется в DepthChosen; on: уверенное «нужно» поднимает D1→D2.

DEPTH_HEAD = "depth"
DEPTH_FLAGS = ("level", "circle", "past_words", "archive_words", "has_reply_full", "has_tasks")
_LEVEL_IDX = {"sec": 0.0, "min": 1 / 3, "hour": 2 / 3, "day": 1.0}


def depth_dataset():
    rows = []
    for ts, d in _q("SELECT timestamp, data FROM events WHERE event_type='DepthChosen' ORDER BY id"):
        d = json.loads(d)
        if d.get("level") != "min":
            continue  # час/день — D2/D3 по уровню, учиться нечему
        item = {"query": d.get("query") or "", "level": d.get("level"),
                "circle": d.get("circle") or 1, "ts": ts,
                "reasons": " ".join(d.get("reasons") or [])}
        if d.get("depth", 1) < 2 and d.get("under"):
            rows.append((item, 1.0, 3.0, "under"))
        else:
            rows.append((item, 1.0 if d.get("depth", 1) >= 2 else 0.0, 1.0, "rules"))
    return rows


def depth_flags(it: dict) -> list:
    from . import memory
    q = it.get("query") or ""
    return [_LEVEL_IDX.get(it.get("level"), 1 / 3), (it.get("circle") or 1) / 4.0,
            1.0 if memory.PAST_RE.search(q) else 0.0, 1.0 if memory.ARCHIVE_RE.search(q) else 0.0,
            1.0 if "давнее" in (it.get("reasons") or "") else 0.0,
            1.0 if "задачи" in (it.get("reasons") or "") else 0.0]


def depth_featurize(items: list):
    vecs = embed([(it.get("query") or "(пусто)")[:1500] for it in items])
    n = len(items)
    em = np.stack(vecs) if n else np.zeros((0, EMB_DIM), np.float32)
    fl = np.asarray([depth_flags(it) for it in items], dtype=np.float32).reshape(n, len(DEPTH_FLAGS))
    return np.hstack([em, fl]), em


def depth_predict(item: dict):
    """(p_нужна_глубина, уверен?) или None — ученика нет/выключен."""
    if mode(DEPTH_HEAD) == "off":
        return None
    model = load_champion(DEPTH_HEAD)
    if model is None:
        return None
    X, em = depth_featurize([item])
    p = float(predict(model, X)[0])
    nov = float(novelty(model, em)[0])
    return p, bool(nov < float(model["nov_q"][0]) and abs(p - .5) >= CONF)


# ────────────────────────── рефлексия и отчёт ──────────────────────────
# Как reflexion.py бенча: системная ошибка → не молча копить, а принести
# человеку правило. Без новых LLM-путей: досье уходит задачей часовому
# уровню (с автодоставкой итога в чат) — он разбирает случаи и предлагает
# Alex правило/навык. Порог — SIMBIOT_CORE_REFLECT_MIN (3) случаев с
# прошлой рефлексии этой темы.

def _last(etype: str, key: str):
    """Время прошлой рефлексии темы; первой — окно 7 дней (не тащить всю историю,
    уже исправленную, в досье)."""
    row = _q("SELECT MAX(timestamp) FROM events WHERE event_type=? "
             "AND json_extract(data,'$.topic')=?", (etype, key))
    return row[0][0] or (datetime.now(timezone.utc) - timedelta(days=7)).isoformat()


def _reflect_cases_addressing(since: str) -> list:
    """Где учитель/правило ошиблись: метка человека или чата против вердикта."""
    out = []
    for chat, msgs in group_timeline(since).items():
        for m in msgs:
            if m.get("addressed") is None:
                continue
            labs = [l for l in m.get("labels", []) if l["source"] in ("human", "feedback")]
            if labs and (labs[-1]["y"] >= .5) != bool(m["addressed"]):
                out.append({"msg": m["id"], "who": m.get("first_name"),
                            "text": (m.get("text") or "")[:200], "rule": m.get("rule"),
                            "verdict": "ответил" if m["addressed"] else "промолчал",
                            "truth": "было боту" if labs[-1]["y"] >= .5 else "было не боту"})
    return out


def _reflect_cases_tasks(since: str) -> list:
    """S-задачи, поданные после прошлой рефлексии, которые не влезли в мин-тик."""
    done = _reflected_tasks()
    return [{"task": t["id"], "title": t["title"][:120], "min_attempts": t["claims"].count("min")}
            for t in task_history().values()
            if t["ts"] > since and t["id"] not in done
            and (t["escalated"] or t["claims"].count("min") >= 2)]


def _reflected_tasks() -> set:
    got = set()
    for (d,) in _q("SELECT data FROM events WHERE event_type='CoreReflection' "
                   "AND json_extract(data,'$.topic')='task_fit'"):
        got.update(json.loads(d).get("cases") or [])
    return got


def reflect(log=print) -> list:
    """Досье системных ошибок → задача часу с автодоставкой. Возвращает id задач."""
    from . import commands
    limit = int(os.environ.get("SIMBIOT_CORE_REFLECT_MIN", "3"))
    made = []
    since = _last("CoreReflection", HEAD)
    cases = _reflect_cases_addressing(since)
    if len(cases) >= limit:
        lines = [f"- {c['who']}: «{c['text']}» — я {c['verdict']} (правило {c['rule']}), "
                 f"а {c['truth']}" for c in cases[:20]]
        tid, _ = commands.submit_task(
            "Рефлексия адресации: где я ошибся в группе — предложи правило",
            "Ядро Коди собрало случаи, где решение «отвечать/молчать» разошлось с "
            "твоей отметкой или реакцией чата:\n" + "\n".join(lines) +
            "\n\nРазбери, что их объединяет, и предложи Alex 1–3 конкретных правила "
            "(текстом в чат: формулировка + пример). Ничего в коде не меняй — правила "
            "внедряются после одобрения.", minutes=30, source="core:reflect")
        es.append_event("task", tid, "TaskAwaitDelivery", {"reply_to": None, "reason": "рефлексия ядра"})
        es.append_event("core", f"reflect:{HEAD}:{tid}", "CoreReflection",
                        {"topic": HEAD, "task": tid, "cases": [c["msg"] for c in cases]})
        made.append(tid)
    tcases = _reflect_cases_tasks(_last("CoreReflection", TASK_HEAD))
    if len(tcases) >= limit:
        lines = [f"- {c['title']} ({c['min_attempts']} попыток на мин-уровне)" for c in tcases[:20]]
        tid, _ = commands.submit_task(
            "Рефлексия задач: какие S-задачи не влезают в минутный тик — предложи правило",
            "Эти задачи были поданы как S, но не уложились в мин-тик (30 шагов) и "
            "ушли выше:\n" + "\n".join(lines) +
            "\n\nНайди общее (тип работы, нужный доступ, чужой код…) и предложи Alex "
            "правило постановки/оценки размера (текстом в чат). Код не меняй.",
            minutes=30, source="core:reflect")
        es.append_event("task", tid, "TaskAwaitDelivery", {"reply_to": None, "reason": "рефлексия ядра"})
        es.append_event("core", f"reflect:{TASK_HEAD}:{tid}", "CoreReflection",
                        {"topic": TASK_HEAD, "task": tid, "cases": [c["task"] for c in tcases]})
        made.append(tid)
    if made:
        log(f"[core] рефлексия: задачи {made}")
    return made


def weekly_report(force: bool = False) -> "str | None":
    """Недельный отчёт ядра Alex — детерминированный текст, без LLM.
    Раз в ISO-неделю (идемпотентно по ключу доставки), в понедельник."""
    now = datetime.now(timezone.utc)
    if not force and now.weekday() != 0:
        return None
    st = status()
    a, t = st[HEAD], st[TASK_HEAD]
    week = now.strftime("%G-W%V")
    since = (now - timedelta(days=7)).isoformat()
    prom = [json.loads(d) for (d,) in _q("SELECT data FROM events WHERE event_type="
                                         "'CoreModelPromoted' AND timestamp > ?", (since,))]
    refl = _q("SELECT COUNT(*) FROM events WHERE event_type='CoreReflection' AND timestamp > ?",
              (since,))[0][0]
    fb = _q("SELECT COUNT(*) FROM events WHERE event_type='CoreFeedback' AND timestamp > ?",
            (since,))[0][0]

    def pct(v):
        return "—" if v is None else f"{v * 100:.0f}%"
    am, tm = a.get("champion_metrics") or {}, t.get("champion_metrics") or {}
    text = "\n".join([
        f"🧠 Ядро Коди — неделя {week}",
        "",
        f"Адресация в группах ({a['mode']}): ученик на {a.get('champion_n') or 0} примерах, "
        f"совпадение с учителем на свежих {pct(am.get('acc'))}; за неделю прогнозов "
        f"{a['predictions_7d']}, решил бы сам {pct(a.get('would_be_local'))}, "
        f"согласие с учителем {pct(a.get('agree_with_teacher_7d'))}.",
        f"Метки: от тебя {a['labels'].get('human', 0)}, от реакции чата за неделю {fb}; "
        f"вопросов тебе {a['questions_7d']}.",
        f"Задачи ({t['mode']}): влезет ли S в мин-тик — точность на свежих "
        f"{pct(tm.get('acc'))} при базовой {pct(tm.get('base_rate'))}; сверено с исходом "
        f"{t.get('judged_7d', 0)}, верно {pct(t.get('outcome_acc_7d'))}.",
        f"Смен чемпиона за неделю: {len(prom)}; рефлексий (правил на разбор): {refl}.",
        "",
        "Включить ученика вместо учителя: SIMBIOT_CORE_ADDRESSING=on / SIMBIOT_CORE_TASK_FIT=on.",
    ])
    from . import commands, tg_inbox
    ok = commands.deliver_artifact(f"msg:core-report:{week}", kind="message",
                                   owner="core:weekly", caption=text,
                                   send=lambda: bool(tg_inbox.notify_chat(text)))
    return text if ok else None


def status() -> dict:
    day = (datetime.now(timezone.utc) - timedelta(days=7)).isoformat()
    preds = [json.loads(d) for (d,) in _q(
        "SELECT data FROM events WHERE event_type='CorePrediction' AND timestamp > ?", (day,))]
    out = {}
    for head in _heads():
        meta = _champion_meta(head)
        hp = [p for p in preds if p.get("head", HEAD) == head]
        out[head] = {"mode": mode(head), "champion": meta.get("file"),
                     "champion_metrics": meta.get("metrics"), "champion_n": meta.get("n"),
                     "champion_ts": meta.get("ts"),
                     "predictions_7d": len(hp),
                     "would_be_local": (round(sum(p["route"] == "student" for p in hp) / len(hp), 3)
                                        if hp else None)}
    a = out[HEAD]
    ap = [p for p in preds if p.get("head", HEAD) == HEAD]
    agree = [p["agree"] for p in ap if p.get("agree") is not None]
    srcs = {}
    for (d,) in _q("SELECT data FROM events WHERE event_type IN ('CoreLabel','CoreFeedback')"):
        s_ = json.loads(d).get("source") or "feedback"
        srcs[s_] = srcs.get(s_, 0) + 1
    a.update(labels=srcs,
             agree_with_teacher_7d=(round(sum(agree) / len(agree), 3) if agree else None),
             would_ask_human_7d=sum(p["route"] == "human" for p in ap),
             questions_7d=_q("SELECT COUNT(*) FROM events WHERE event_type='CoreQuestionAsked' "
                             "AND timestamp > ?", (day,))[0][0])
    # task_fit: сверка теневых прогнозов с фактическим исходом
    hist = task_history()
    tp = [p for p in preds if p.get("head") == TASK_HEAD]
    judged = [(p, task_label(hist[p["task"]])) for p in tp if p.get("task") in hist]
    # прогноз «влезет» = p_fit ≥ 0.5; у rule-ветки без чемпиона p_fit=None —
    # её прогноз: rule:ext → «не влезет», rule → «влезет»
    def _says_fit(p):
        if p.get("p_fit") is not None:
            return p["p_fit"] >= .5
        return p.get("route") != "rule:ext"
    judged = [(p, y) for p, y in judged if y is not None]
    out[TASK_HEAD]["outcome_acc_7d"] = (round(sum(_says_fit(p) == (y >= .5) for p, y in judged)
                                              / len(judged), 3) if judged else None)
    out[TASK_HEAD]["judged_7d"] = len(judged)
    return out