@polymorphism-tech/morph-spec 8.44.0 → 8.46.0

package/framework/evals/proof-rubrics/README.md

@@ -1,76 +0,0 @@
-# Rubricas de prova (`proof-rubrics/`)
-
-Sete rubricas pontuáveis **0-10** que o avaliador independente do **Gate 3** aplica sobre a
-EVIDÊNCIA que ele mesmo produziu — não sobre o produto.
-
-**Elas não são dimensões do score composto.** O composto continua sendo
-`arquitetura + contratos + qualidade + testes`, com os pesos declarados em `../rubrics/`.
-
-São de dois tipos, e a diferença está em **onde** cada uma impõe teto:
-
-| Tipo | Quando se aplica | Onde impõe teto |
-|---|---|---|
-| **Universais** — `mutation-proof`, `verde-nao-e-coberto`, `fiacao`, `guard-cego`, `eval-de-modelo` | sempre | *Cobertura de Testes* (`../rubrics/test-coverage.md`, seção "Tetos de prova (Gate 3)"). O **menor das cinco** é o que vale — todas perguntam a mesma coisa: *a evidência é real?* |
-| **Condicional** — `media-claims` | só em feature que **gera mídia** | *Arquitetura* (`../rubrics/architecture.md`, seção "Tetos de prova de mídia"). Entra **sozinha**, fora do menor-das-cinco |
-| **Condicional** — `observabilidade-genai` | só em feature que **chama LLM**. Duas etapas, e ela **não** se declara determinística: filtro mecânico de alta recall (o mandate cita um standard `ai-agents`) **+** determinação escrita pelo avaliador, com o motivo. `not_evaluated` sem motivo não é dispensa | *Qualidade de Código* (`../rubrics/code-quality.md`, seção "Teto de prova de observabilidade GenAI"). Entra **sozinha**, fora do menor-das-cinco |
-
-As duas condicionais ficam **fora** do mínimo de propósito: as afirmações que elas cobram são
-**propriedades estruturais** — onde a chamada mora, que estados existem, o que é persistido, o que é
-instrumentado —, não perguntas sobre a evidência ser real. Somá-las faria um `media=4` ou um `obs=4`
-derrubar o teto de TESTE por um motivo que não tem nada a ver com teste.
-
-## Por que num diretório próprio
-
-`scripts/check-rubric-parity.js` varre **todo** `.md` de `../rubrics/` (exceto `README.md` e
-`condensed.md`) e exige o H1 `# Rubrica: {Nome} (Peso {N}%)`, com a soma dos pesos em 100. Um
-arquivo destes largado lá reprova o `npm run validate` com um erro de extração — e "consertar"
-dando-lhe um peso obrigaria a rebalancear os quatro pesos em oito lugares, mudando o significado de
-todo score histórico da base.
-
-Por isso o H1 daqui é deliberadamente **`# Prova: {Nome}`**: se alguém mover um destes arquivos
-para `../rubrics/`, o erro é imediato e nomeado, nunca um desvio silencioso de peso.
-
-## Consumidores (cada rubrica nasce com dono)
-
-| Rubrica | Quem lê | Quem cobra |
-|---|---|---|
-| `mutation-proof.md` | prompt de dispatch do avaliador — `skills/core/morph-review/SKILL.md` §4 | `src/lib/risk-detector.js` (Gate 3 pausa sem a seção `## Mutações`) + teto em `../rubrics/test-coverage.md` |
-| `verde-nao-e-coberto.md` | prompt de dispatch do avaliador — `morph-review` §4 | teto em `../rubrics/test-coverage.md` |
-| `fiacao.md` | prompt de dispatch do avaliador — `morph-review` §4 | teto em `../rubrics/test-coverage.md`; cita `verify` `nodes.tests.runs[].count` por `id` |
-| `guard-cego.md` | prompt de dispatch do avaliador — `morph-review` §4 | teto em `../rubrics/test-coverage.md` |
-| `eval-de-modelo.md` | prompt de dispatch do avaliador — `morph-review` §4 | teto em `../rubrics/test-coverage.md`; a superfície que build e teste unitário não leem |
-| `media-claims.md` | prompt de dispatch do avaliador — `morph-review` §4, **só quando a feature gera mídia** | `src/lib/risk-detector.js` (Gate 3 pausa sem a seção `## Mídia gerada`) + teto em `../rubrics/architecture.md` |
-| `observabilidade-genai.md` | prompt de dispatch do avaliador — `morph-review` §4, sob a condição de aplicabilidade | teto em `../rubrics/code-quality.md`; a régua da propriedade está em `standards/ai-agents/observability-patterns.md` |
-
-`test/framework/proof-rubrics.test.js` é o canário: nenhuma rubrica de prova pode ficar **órfã**
-(citada por ninguém), nem migrar para o diretório de dimensões.
-
-## Como o avaliador reporta
-
-Duas coisas, no `4-review/evaluator-report.md`:
-
-1. A seção `## Mutações` — obrigatória quando a feature tem código de produção (ao menos uma task
-   com `group` diferente de `docs`). Sem ela, o `morph-spec gate-check {feature} review` **pausa**.
-2. A seção `## Mídia gerada` — obrigatória **só** quando a feature gera mídia (ao menos uma task
-   cujo `standards[]` cite um dos três standards de mídia). Sem ela, o `gate-check` também **pausa**;
-   feature que não gera mídia é isenta automaticamente, sem ninguém precisar lembrar.
-3. A linha machine-readable, no mesmo estilo do `**Composite-Score:**`:
-
-   ```
-   **Proof-Scores:** mutation=9 verde=8 fiacao=9 guard=7 eval=8 media=9
-   ```
-
-   E, quando a feature chama LLM, a mesma linha carrega também a chave `obs`:
-
-   ```
-   **Proof-Scores:** mutation=9 verde=8 fiacao=9 guard=7 obs=8
-   ```
-
-O **menor** de `mutation`/`verde`/`fiacao`/`guard`/`eval` é o que impõe o teto em Cobertura —
-as cinco perguntam a mesma coisa: *a evidência é real?*. Chave ausente não vira zero: o mínimo é
-tirado sobre as chaves PRESENTES, para que um relatório antigo de quatro chaves continue legível.
-
-As chaves `media` e `obs` são lidas **à parte** e não entram naquele mínimo: `media` limita
-**Arquitetura** e só aparece quando a feature gera mídia; `obs` limita **Qualidade de Código** e só
-aparece quando a feature chama LLM. Ausente a chave (ou com `obs=not_evaluated`), não há teto
-daquela família a aplicar.

package/framework/evals/proof-rubrics/eval-de-modelo.md

@@ -1,80 +0,0 @@
-# Prova: Eval de Modelo
-
-> Escopo: Gate 3 (avaliador independente). Não é dimensão do score composto — impõe **teto** em
-> Cobertura de Testes (`evals/rubrics/test-coverage.md`, seção "Tetos de prova").
-
-## O que esta prova responde
-
-Prompt e modelo são a única parte do produto cujo comportamento **nem o build nem o teste unitário
-leem**: os dois continuam verdes com o prompt inteiro trocado. O eval existe para cobrir
-exatamente essa superfície — e é por isso que ele é o artefato que mais facilmente vira teatro.
-
-A pergunta NÃO é "o eval rodou?", nem "quantos cenários passaram?". É:
-
-**o que este eval reprovaria, que hoje ele aprova?**
-
-Um eval que não sabe responder isso mede **execução**, não **detecção** — e a diferença entre as
-duas é o defeito inteiro que esta classe de rubrica persegue.
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| Superfície de prompt/modelo mexida sem eval nenhum. Ou eval cujo verde significa "executou": conta cenários e não julga resposta. Miss de cache lido como `skip` | O eval julga a resposta, mas toda asserção passa com qualquer resposta plausível (`Contains` de palavra que o próprio prompt já carrega, "não vazio", "é JSON"). Nenhuma resposta degradada foi injetada — o eval nunca foi visto vermelho | Resposta degradada injetada e o eval ficou vermelho, mas num cenário só; ou quem mordeu foi a asserção de FORMA (o JSON tem a chave) e não a de CONTEÚDO; ou a árvore de cache não tem canário provando que o git a enxerga | Degradação injetada **por cláusula de asserção**, cada uma derrubando o cenário correspondente e **nomeando-o**; contagem de cenários pinada contra encolhimento silencioso; a cache provada legível pelo git; miss é `fail` nomeado, jamais `skip` |
-
-## Anti-padrões literais
-
-- **`Invocations = 0` como prova de qualidade.** Ele prova que **nenhuma chamada paga aconteceu** —
-  não que o eval reprovaria um modelo pior. Contador de chamadas mede execução; detecção só se mede
-  **degradando a resposta** e exigindo o vermelho. Medido nesta epic: uma suíte com
-  `Invocations = 0`, cache quente e 4 de 4 cenários verdes não dizia uma palavra sobre morder.
-- **Miss de cache lido como `skip`.** `skip` é lido como "não se aplica" e soma verde no agregado.
-  Cenário não avaliado é **`fail` nomeado**, com o nome do cenário e o comando que regrava.
-- **Asserção que qualquer resposta plausível satisfaz** — `Contains("orçamento")` num cenário cujo
-  prompt já contém a palavra. A régua tem de separar a resposta boa da ruim, não a resposta da
-  ausência de resposta. Teste a régua contra a resposta ERRADA, não só contra a certa.
-- **O guarda que não enxerga o objeto** (cross-ref `guard-cego.md`). Caso real desta base: o
-  `git diff --exit-code` sobre a árvore de cache reportava **limpo** — não porque a árvore
-  estivesse limpa, mas porque os caminhos estouravam o `MAX_PATH` e o git não conseguia **abrir**
-  os diretórios. Ele avisou no stderr, commitou **1 de 9** arquivos e saiu com código 0. Antes de
-  acreditar em qualquer canário sobre a cache, prove que ele **enxerga** os arquivos.
-- **Dataset que encolhe em silêncio.** Uma suíte que passa a avaliar menos cenários é a mesma classe
-  de defeito que uma baseline de teste caindo — e ninguém percebe, porque o número que aparece é o
-  de aprovados.
-- **Juiz é o modelo avaliado.** Auto-avaliação do mesmo modelo mede concordância consigo, não
-  qualidade. Vale para o avaliador LLM da suíte tanto quanto vale para o Gate 3.
-- **Regravar a cache para o eval passar.** Regravar é a resposta certa quando **o pin mudou**, e a
-  errada quando **a asserção começou a reprovar**. As duas situações produzem o mesmo comando e
-  vereditos opostos: diga qual das duas era, e como sabe.
-
-## Insumo: 3-implement/evidencias/
-
-Task cujo `doneCriteria` julga saída de LLM grava `.morph/features/{feature}/3-implement/evidencias/{taskId}.md`
-(`morph-plan` §5): critério, nó `evals` e cenário, modelo, versão do prompt, entrada, saída e
-veredito. Não é o `3-implement/reports/{taskId}.md` — aquele é o que o sub-agente diz que fez. É
-insumo, não veredito: leia antes de pontuar e confronte o veredito com a saída registrada.
-
-- **Evidência atada a um nó `evals`** (`runner: "evals"`): as bandas acima valem como estão, e a
-  degradação desta rubrica usa **o cenário que a evidência aponta** — é ele que tem de cair, pelo
-  nome.
-- **Evidência sem nó** ("nenhum nó — execução manual"): prova que o prompt rodou **uma vez**, não que
-  algo pegaria a regressão — não há cenário a degradar. Banda **4-6** no máximo, por melhor que a
-  saída registrada pareça.
-- **Evidência devida e ausente** (o path está em `outputs` e o arquivo não existe): superfície de
-  prompt/modelo mexida sem eval nenhum — banda 0-3.
-
-## Como registrar no relatório
-
-Uma linha por cláusula degradada, dizendo o que foi degradado e qual cenário caiu **pelo nome**:
-
-```markdown
-- `triagem.acme.a-saudacao` — degradei a resposta EM CACHE trocando a saudação por texto vazio:
-  `Contains` derrubou o cenário nomeando-o (`eval-fail: triagem.acme.a-saudacao`). Restaurado por
-  cópia de bytes feita antes; md5 confere.
-- `orcamento.acme.a-resposta-estruturada` — removi a chave `total` do payload: `JsonHasKey` mordeu;
-  `NoPii` continuou verde, como esperado (cláusulas independentes).
-- Cache: 9 de 9 arquivos endereçáveis por `git ls-files` (canário `eval-cache-portability`), pior
-  caminho relativo 145 contra teto 160.
-```
-
-E no `**Proof-Scores:**`, a chave `eval`.

package/framework/evals/proof-rubrics/fiacao.md

@@ -1,54 +0,0 @@
-# Prova: Fiação
-
-> Escopo: Gate 3 (avaliador independente). Não é dimensão do score composto — impõe **teto** em
-> Cobertura de Testes (`evals/rubrics/test-coverage.md`, seção "Tetos de prova").
-
-## O que esta prova responde
-
-A camada pura pode estar perfeita e o produto continuar quebrado, porque **ninguém ligou o fio**.
-Mutar a função pura prova a função; não prova que o comando a chama, que o handler a expõe, nem que
-o efeito é observável na saída.
-
-A pergunta é: **existe um teste que vai da ENTRADA REAL ao EFEITO OBSERVÁVEL, e o inventário de
-consumidores do eixo novo está completo?**
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| Só testes de unidade da camada pura. Nenhum consumidor inventariado. Contagem de testes citada como total agregado, escondendo a perna que não rodou | Um teste de ponta a ponta existe, mas só de RECUSA — o caminho de sucesso segue intestável. Inventário por literal, que não vê argumento de helper | Um teste por comando/handler da entrada ao efeito. Inventário por `grep` presente mas incompleto (falta ação em massa, ou estado vazio, ou "limpar", ou chave de cache) | Entrada real → efeito observável em cada comando/handler; inventário de consumidores fechado, um a um; contagem de testes citada por `id` de nó, nunca agregada |
-
-## Anti-padrões literais
-
-- **Mutar a camada pura e concluir que o fix está ligado** — a mutação prova o módulo, nunca a
-  fiação. Prove o fio com um teste que entra pela superfície real.
-- **Só testes de recusa** — eles passam com a escrita quebrada. Medido: um caminho de escrita cujo
-  corpo virou `return 0;` passou **23 de 23** testes, todos de recusa. O caminho de SUCESSO é o que
-  precisa de teste.
-- **Eixo novo no estado sem inventário de consumidores** — um campo novo tem N leitores. Levante-os
-  por `grep` e percorra os quatro suspeitos de sempre: **ação em massa**, **estado vazio**,
-  **"limpar"/reset** e **chave de cache**. Um deles fica de fora por descuido, sempre o mesmo.
-- **Varredura por literal quando o valor viaja como argumento de helper** — procurar `"Gardim"` não
-  encontra `Compose("Gardim")`. Medido: **11 call sites** sobraram numa varredura por literal.
-  Procure pelo helper, não só pelo valor.
-- **Campo novo em spec sem os pontos de wiring, um a um** — schema, parser, escritor, leitor,
-  validador e superfície de exibição. Liste-os e marque cada um.
-- **Citar um total agregado de testes** — o `verify` reporta `nodes.tests.runs[]` com um `count`
-  **por `id`** (contrato de #90/8.35). Cite **por `id`**: `runs[dotnet].count`, `runs[node].count`.
-  Um total esconde exatamente a perna que não rodou. E `count: null` é **contagem desconhecida**,
-  nunca zero — um nó com `null` não autoriza nenhuma afirmação numérica sobre ele.
-
-## Como registrar no relatório
-
-Duas coisas, sempre:
-
-```markdown
-**Fiação verificada:** `POST /leads` → handler → `LeadService.Create` → linha em `leads` (teste
-`LeadsEndpointTests:88`, caminho de SUCESSO, não só de recusa).
-
-**Contagem por nó:** runs[node].count = 2712 · runs[dotnet].count = 41 · runs[e2e].count = null
-(desconhecida — o nó pulou, razão `docker is not available`).
-```
-
-E, quando a feature acrescenta um eixo ao estado, o inventário de consumidores como lista fechada,
-com o comando de `grep` que a produziu.

package/framework/evals/proof-rubrics/guard-cego.md

@@ -1,52 +0,0 @@
-# Prova: Guard Cego
-
-> Escopo: Gate 3 (avaliador independente). Não é dimensão do score composto — impõe **teto** em
-> Cobertura de Testes (`evals/rubrics/test-coverage.md`, seção "Tetos de prova").
-
-## O que esta prova responde
-
-Um guard só vale contra o ataque que ele consegue VER. O jeito de descobrir o que ele não vê não é
-mudar o conteúdo que ele já inspeciona — é mudar a **FORMA** do que chega até ele.
-
-A pergunta é: **qual entrada válida este guard deixa passar sem enxergar, e o ramo que ele abriu
-tem teste próprio?**
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| Guard sem teste próprio. Ou testado só com o conteúdo que ele já rejeita, nunca com forma diferente | Ataque por conteúdo apenas. Guard que compara `Serialize(A) == Serialize(B)` aceito sem cross-check | Ataque por forma feito; falta o cross-check por contador independente, ou o predicado do guard continua mais estreito que a ação que ele governa | Forma atacada (multi-linha, aninhamento, ordem, codificação), cross-check por contador independente, predicado tão largo quanto a ação, e todo ramo recém-alcançável com teste próprio |
-
-## Anti-padrões literais
-
-- **Atacar o guard só pelo conteúdo** — mude a **FORMA**. Medido: o guard era um parser linha a
-  linha e o YAML **multi-linha** era perfeitamente válido; o conteúdo proibido passou inteiro
-  porque chegou numa forma que o parser não montava.
-- **`Serialize(A) == Serialize(B)` como prova de igualdade** — o guard é cego ao próprio
-  serializador: se ele perde um campo, perde nos dois lados e a comparação dá igual. Faça
-  **cross-check por um contador independente** (número de itens, soma, hash de um campo-chave).
-- **Predicado mais estreito que a ação que ele governa** — um publish que só olhava o *spec* e
-  virava no-op sobre tudo o mais. Afirme sobre o **texto publicado**, não sobre a intenção de
-  publicar.
-- **Early-return depois do filtro** — o `return` sai antes da limpeza e o estado fica meio mutado.
-  Quando o filtro é um `skip`, transforme-o em `else`: o caminho de saída precisa passar pelo
-  mesmo fecho.
-- **Ramo antes inalcançável que passou a ser alcançável** — isso é **código NOVO**, ainda que a
-  linha seja antiga e o diff não a toque. Ele precisa de teste próprio; nenhuma cobertura anterior
-  responde por ele.
-- **Guard novo sem prova de que morde** — canário que não morde é canário errado, e canário que
-  morde pelo motivo errado é pior: mute a produção, exija que o teste FALHE **nomeando o que
-  quebrou**, e restaure por cópia de bytes feita antes.
-
-## Como registrar no relatório
-
-Uma linha por guard tocado, dizendo a forma atacada e o resultado:
-
-```markdown
-- `chain.js:blockRawWorktreeAdd` — atacado por FORMA: comando com `\` de continuação em duas linhas
-  e com aspas simples. Bloqueou nas duas. Cross-check: contador de comandos bloqueados subiu 2.
-- Ramo `options.discardIgnored === true` era inalcançável antes de T4 — agora é alcançável e ganhou
-  teste próprio (`finish.test.js:412`).
-```
-
-E no `**Proof-Scores:**`, a chave `guard`.

package/framework/evals/proof-rubrics/media-claims.md

@@ -1,109 +0,0 @@
-# Prova: Media Claims
-
-> Escopo: Gate 3 (avaliador independente), **somente** em feature que gera mídia. Não é dimensão
-> do score composto — o composto continua `arquitetura + contratos + qualidade + testes`. Esta prova
-> impõe **teto** em Arquitetura (tabela em `evals/rubrics/architecture.md`, seção "Tetos de prova de
-> mídia").
-
-## O que esta prova responde
-
-Uma feature que gera imagem ou vídeo faz **quatro afirmações** que custam caro quando são falsas, e
-as quatro são fáceis de escrever e difíceis de provar: *controlamos o custo*, *tem revisão humana*,
-*a mídia é marcada*, *o hot path não bloqueia*.
-
-A pergunta desta rubrica é sempre a mesma: **onde está o código que torna a afirmação verdadeira,
-e o que acontece se alguém tentar burlá-la?**
-
-Ela vive em Arquitetura, e não em Cobertura, porque as quatro são **propriedades estruturais** —
-onde a chamada mora, que estados existem, o que é persistido, o que é publicado. Uma feature que
-gera mídia dentro do turno de WhatsApp está arquiteturalmente errada, não mal testada; contá-la como
-falha de teste diria a coisa errada a quem lê o relatório.
-
-As quatro afirmações, com o que conta e o que não conta:
-
-| Afirmação | Evidência que conta | Evidência que **não** conta |
-|---|---|---|
-| **Custo** | Custo estimado gravado **antes** da chamada, com a tarifa e a data da tabela de preços; teto por tenant/dia exercitado em teste, com o caso que ESTOURA | "usamos o modelo mais barato"; uma constante de preço sem fonte datada |
-| **Revisão humana** | Teste que prova que a publicação falha a partir de **todo** estado que não seja aprovado, e que aprovar carimba quem e quando | Um comentário dizendo que há revisão; um campo booleano `approved` |
-| **Marcação** | A publicação **recusa** quando a finalidade exige rótulo e ele não veio — com texto e superfície nomeados, gravados junto do artefato — mais a proveniência persistida e o C2PA preservado sem re-encode. No exemplar: `MediaJob.Publish(MediaDisclosure?, at)`, terceira porta | "o SynthID vem embutido" — vem, e cai no primeiro re-encode ou screenshot; um campo de rótulo que a publicação aceita vazio; a obrigação escrita só no comentário do estado `Published` |
-| **Hot path não bloqueado** | O tipo que produz bytes é **inacessível** do handler (teste de acessibilidade por reflexão) **e** o handler de mensagem devolve id de job | "o handler chama o serviço assíncrono"; um `Task.Run` |
-
-O conhecimento por trás das quatro está em `.morph/framework/standards/ai-agents/media-pipeline.md`.
-Esta rubrica não o repete: ela cobra a prova.
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| Nenhuma das quatro afirmações tem código apontado. Ou a geração acontece dentro do turno de conversa, ou a publicação é alcançável sem aprovação humana — qualquer um dos dois é **bloqueante**, independentemente do resto | As quatro estão implementadas, mas a prova é leitura de código: nenhum teste exercita o caminho de recusa. Teto de custo declarado e nunca estourado em teste; marcação prometida na prosa e ausente no ponto de publicação | As quatro provadas por teste, com o caminho de recusa exercitado ao menos uma vez cada. Falta a mutação: nenhuma delas foi vista MORDENDO, ou a proveniência grava menos campos do que o standard nomeia | As quatro provadas, cada caminho de recusa com teste próprio, **e a acessibilidade do tipo que produz bytes asserida por reflexão com a mutação rodada** (tornar público, ver o teste falhar nomeando o defeito, restaurar por bytes e conferir por md5). Custo estimado antes da chamada, com tarifa datada; teto exercitado no caso que estoura. A marcação é **parâmetro da transição de publicação**, não campo opcional: existe o teste que publica sem rótulo e vê a recusa |
-
-## Anti-padrões literais
-
-- **Prender a regra dura só na prosa.** "O standard diz para não gerar no turno" não impede nada. O
-  que impede é a acessibilidade do tipo: se um handler consegue **nomear** o tipo que produz bytes,
-  a regra não está presa — mesmo que ninguém a tenha violado ainda. (memória: é a diferença entre
-  "o standard diz para não fazer" e "o compilador recusa")
-- **Testar a fachada em vez do dono do estado.** Se `Review.Publish(job)` reimplementa a regra em
-  vez de delegar a `job.Publish()`, o teste da fachada mede uma **cópia** do objeto — e as duas
-  divergem no primeiro conserto. Exercite as duas contra o MESMO job e compare.
-- **Confundir a chave de idempotência do PEDIDO com o hash do CONTEÚDO.** Uma dedupe chamada paga, a
-  outra dedupe storage. Um teste que só confere "o hash é o mesmo" **não distingue dedupe de
-  regravação**: as duas produzem o mesmo hash. Conte as gravações.
-- **Aceitar `estimatedCostUsd` gravado DEPOIS da chamada.** Isso é contabilidade, não controle: o
-  dinheiro já saiu. A prova é a ordem, e a ordem é verificável.
-- **Preço em código sem fonte datada.** Uma constante `0.211m` sem a página e a data de consulta é
-  folclore com força de orçamento. A tarifa vem da tabela do standard da modalidade.
-- **Tratar bloqueio de moderação como erro técnico.** Se o estado de bloqueio for retryable, um laço
-  de retry vira uma fatura — e no provedor que cobra o bloqueio, cobra duas vezes. Exija dois
-  estados distintos e um teste por estado.
-- **`not_detected` lido como "feito por humano".** Ausência de marca é ausência de informação. Um
-  verificador de proveniência que devolve "não detectado" não prova origem humana.
-- **Marcação delegada ao provedor.** C2PA e SynthID vêm embutidos e **caem** com screenshot ou
-  re-encode. A marcação visível é obrigação separada, e ela mora no ponto de publicação — não no de
-  geração.
-- **Marcação presa só por prosa.** É o anti-padrão mais fácil de cometer porque parece resolvido: o
-  comentário do estado `Published` diz "com a marcação aplicada", a finalidade `Marketing` diz
-  "marcação visível obrigatória", e um `grep` por rótulo, watermark ou disclosure no código volta
-  **vazio**. Se as outras três afirmações estão presas por tipo ou por estado e a marcação — que é a
-  obrigação legal — está presa por nada, a assimetria é o achado. Prova mínima: a publicação recusa
-  sem rótulo.
-- **Ler "o tipo prende" como "nada mais é possível".** O `internal` fecha *obter bytes* e *nomear o
-  produtor*; ele **não** fecha *aguardar inline*. O gatilho do worker (`IMediaJobRunner.RunAsync` no
-  exemplar) é público por necessidade — quem o dispara é o `BackgroundService` do projeto — e um
-  `await runner.RunAsync(id)` dentro de um handler de turno **compila** e paga a latência inteira.
-  Procure por esse `await`: é o que o compilador não procura. Uma prova que só cita a acessibilidade
-  e não olha os call sites do runner cobriu metade da afirmação.
-- **Teste que toca API paga.** Uma chave de API num teste é uma fatura por execução de CI e um teste
-  que fica vermelho quando o provedor tem incidente. `grep` por chave, host do provedor e leitura de
-  ambiente nos arquivos de teste tem de voltar vazio.
-- **Aceitar o número de testes sem a suíte inteira.** "Derruba 4" medido sobre um arquivo e "derruba
-  4 de 203" são afirmações diferentes. Só a suíte inteira autoriza a frase.
-- **Declarar as quatro afirmações numa feature que não gera mídia.** A isenção é automática: se
-  nenhuma task pina um standard de mídia, a seção não é exigida. Escrever a seção "por precaução"
-  gasta o Gate 3 com cerimônia vazia, que é como uma regra vira ruído e depois é desligada.
-
-## Como registrar no relatório
-
-Na seção `## Mídia gerada` do `evaluator-report.md`, uma linha por afirmação, com os quatro campos:
-
-```markdown
-## Mídia gerada
-
-| Afirmação | Onde está presa (arquivo:linha) | Teste que a prova | Rodada de mutação |
-|---|---|---|---|
-| Custo | src/…/MediaGenerator.cs:88 (reserva ANTES da chamada) | MediaGeneratorTests.ABudgetOverrun… | — |
-| Revisão humana | src/…/MediaJob.cs:… (Publish só de Approved) | MediaJobStateTests.PublishFails… (6 estados) | — |
-| Marcação | src/…/MediaJob.cs:… (3ª porta de Publish) + MediaDisclosure.cs | MediaDisclosureTests.PublishFailsWithoutADisclosure… | porta removida → 2 de 220 caem, motivo lido, md5 restaurado |
-| Hot path | src/…/IMediaProvider.cs (internal) | MediaAccessibilityTests.TheTypeThat… | público → 4 de 220 caem, motivo lido, md5 restaurado |
-```
-
-E a linha machine-readable, no mesmo estilo do `**Composite-Score:**`, junto das demais provas:
-
-```
-**Proof-Scores:** mutation=9 verde=8 fiacao=9 guard=7 media=9
-```
-
-**A chave `media` só entra quando a feature gera mídia.** Feature que não pina nenhum standard de
-mídia não declara a seção e não declara a chave — e o gate não a cobra. Feature que gera mídia **sem
-a seção** pausa o Gate 3 por conta própria (`src/lib/risk-detector.js`), antes de qualquer discussão
-de nota.

package/framework/evals/proof-rubrics/mutation-proof.md

@@ -1,107 +0,0 @@
-# Prova: Mutação
-
-> Escopo: Gate 3 (avaliador independente). Não é dimensão do score composto — o composto continua
-> `arquitetura + contratos + qualidade + testes`. Esta prova impõe **teto** em Cobertura de Testes
-> (tabela em `evals/rubrics/test-coverage.md`, seção "Tetos de prova").
-
-## O que esta prova responde
-
-Um teste verde prova que o código roda. Só a **mutação** prova que o teste MORDE: quebre de
-propósito a linha que carrega a decisão e veja quem grita. Se ninguém grita, a suíte é decoração —
-e foi assim que 11 testes verdes cobriram um artefato que o build recusava.
-
-A pergunta desta rubrica é sempre a mesma: **você mutou o call site que carrega a decisão, provou
-cada sobrevivente contra a suíte inteira, leu o MOTIVO da falha, e devolveu o arquivo byte a byte
-— com o binário provado?**
-
-O método é `morph-spec mutate` (manifesto de mutantes → uma chamada → a seção pronta). Você escolhe
-os mutantes; a ferramenta escolhe o subconjunto de testes, roda o lote, refaz todo sobrevivente com o
-mutante compilado de verdade contra a suíte INTEIRA e reverte por bytes.
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| Nenhuma mutação. Ou mutação declarada sem diff, sem md5 e sem testes nomeados — afirmação, não prova. Ou revert por `git checkout --`, que descarta trabalho não commitado de terceiros | Mutou, mas no lugar errado (o `if` refatorado, não o call site que decide) ou declarou "sobreviveu" / "derruba N" a partir de um filtro escolhido por você ("derrubou 3" medido sobre 40 testes de um arquivo só). Reportou md5 sem ler o motivo da falha | Mutação no call site certo, todo sobrevivente refeito contra a suíte INTEIRA, diff e md5 antes/depois. Falta o MOTIVO literal da falha, ou uma cláusula de um predicado composto ficou sem rodada própria | Uma rodada por cláusula, cada uma com arquivo:linha, diff, md5 antes/depois, contagem com o ESCOPO dito (`≥K de N` no subconjunto que a ferramenta escolheu; `K de M` na suíte inteira) e a mensagem literal de falha. Revert por snapshot de bytes com escrita nova, rebuild forçado e DLL final igual (md5) à de antes do 1º mutante, com `git status --porcelain src/` vazio ao fim |
-
-## Anti-padrões literais
-
-- **Mutar o `if` refatorado em vez do call site que carrega a decisão** — o extract-method moveu a
-  regra; o teste continua batendo no invólucro. Ancore onde o valor é DECIDIDO. (memória: guard do
-  remédio, cuja checagem real vivia duas camadas acima do `if` mutado)
-- **Reportar "sobreviveu" ou "derruba N" a partir de um filtro que você escolheu** — "3 de 40" e
-  "3 de 2684" são afirmações diferentes. **"Sobreviveu" só vale contra a suíte INTEIRA**, com o
-  mutante compilado de verdade. **"Morto" pode sair de um subconjunto, se a ferramenta o escolheu**
-  (testes que a feature alterou + os que citam o tipo mutado): teste que falha no subconjunto falha
-  na suíte, então a morte é a mesma — mas a contagem passa a ser piso (`≥K de N (subconjunto)`), e
-  `K de M` só existe medido na suíte inteira. (memória: F30, filtro no Gate 3)
-- **Contar como morto o teste instável** — morte na suíte inteira só vale se a mesma falha se repete
-  na segunda rodada (dos testes que falharam, isolados, ou da suíte inteira). Medido: um teste de host, sem relação com o mutante,
-  "derrubou" um mutante uma vez; em sete rodadas o mutante sobreviveu seis. Falha que não se
-  repete é sobrevivente com razão dita, não morte. (mesma rodada: `out var` removido que só compila
-  no schemata é `build-error`, não morto)
-- **Filtro tão estreito que a prova fica vácua** — mutar e rodar só o teste que você já sabia que
-  quebraria não testa nada além da sua própria expectativa. O subconjunto é da ferramenta, nunca
-  seu: escolhido à mão, ele volta a ser a sua expectativa.
-- **Aceitar um seed sem perguntar "que sequência real produz este seed?"** — fixture que só existe
-  no teste prova o teste, não o sistema.
-- **Imprimir `diff` + md5 e parar por aí** — md5 prova que ALGO mudou, nunca O QUÊ. Sem a mensagem
-  literal de falha (`expected 3, got 0` em `x.test.js:88`), a prova é de que o arquivo mudou, não de
-  que o teste morde a regra. (memória: três rodadas de correção nesta epic)
-- **Reverter por replace reverso, ou por `git checkout --`** — o replace reverso erra em arquivo com
-  ocorrências repetidas; o `git checkout --` **apaga alterações não commitadas de outra pessoa** e
-  aconteceu de verdade num Gate 3 desta epic. Reverta por **snapshot/restore de bytes** (cópia feita
-  ANTES), por escrita nova, e confirme por `md5sum`.
-- **Devolver o mtime original com `os.utime` depois de restaurar** — os bytes voltam, mas com data
-  ANTIGA o arquivo fica mais velho que a DLL do último mutante: o MSBuild acha o binário em dia, não
-  recompila, e a rodada-base roda sobre o mutante (falso vermelho, ou pior: falso verde). Medido num
-  projeto .NET 10 de 697 arquivos: restore com data antiga → build de 1,9 s, nenhum `CoreCompile`,
-  DLL do mutante intacta; escrita nova → DLL de volta ao md5 da baseline. Restaure por **escrita
-  nova**, force o rebuild e **prove que o binário é o do disco** (md5 da DLL == a construída da
-  árvore limpa antes do 1º mutante).
-- **Escrever a mutação por heredoc do shell quando ela contém barra invertida** — o transporte come
-  o escape: `\b` vira o byte `0x08`, `\n` vira quebra de linha real, e o regex mutado **não é o que
-  você escreveu**. Sintoma: a mutação parece aplicada e o resultado não muda, ou o arquivo quebra
-  num ponto que você não tocou. Diagnóstico em um comando: `cat -A` mostra `^H` onde devia estar
-  `\b`. Medido: o transporte do Bash reduz `\\` a `\` e decodifica escapes unicode, até dentro de
-  heredoc de aspas simples. Saída: o manifesto de `morph-spec mutate` com a barra invertida do código
-  escrita como o token `{{BS}}` (a ferramenta a expande), ou patch por **índice de linha** com o
-  conteúdo montado sem barra invertida no fonte (`String.fromCharCode(92)`) — nunca a barra invertida
-  crua num heredoc.
-  (memória: **três agentes** desta epic tropeçaram nisto; dois descartaram o resultado, um só
-  descobriu ao conferir os bytes)
-- **Mutar antes de commitar o fix** — se a sessão morrer no meio, o que sobrevive é a mutação, não a
-  correção. **Commite o fix ANTES de mutar**, sempre.
-- **Ler mais do que a primeira assertiva que falha** — a mutação só prova até ali; o resto do teste
-  nem rodou. Não conte cobertura que a mutação não exercitou.
-- **Uma rodada só para um predicado `A && B`** — derrubar `A` não diz nada sobre `B`. **Uma rodada
-  por cláusula.** O mesmo vale para um guard de duas classes: toque **cada** classe.
-- **Deixar loader, validador e superfície de publicação fora do alvo** — o defeito costuma estar em
-  quem LÊ o arquivo, não em quem o escreve. (memória: 11 testes verdes contra o render do próprio
-  gerador, nenhum deles CARREGANDO o artefato)
-- **Fixture fora da ordem de grandeza da tese** — tese sobre 2 600 testes provada num fixture de 3.
-- **Mutação de prosa presa por regex** — texto de skill/rubrica não se prende por `assert.match` de
-  vocabulário: mude a FORMA (mova a seção, troque o cabeçalho) e veja se o canário ainda morde.
-- **Número de mutação sem SHA e sem data** — "derruba 12" envelhece em uma semana. Anote o SHA
-  revisado e a data ao lado do número.
-- **Terminar sem `git status --porcelain src/` vazio** — mutação esquecida em produção é o pior
-  desfecho possível deste método, e já aconteceu com avaliador morto no meio da rodada.
-
-## Como registrar no relatório
-
-Na seção `## Mutações` do `evaluator-report.md`, uma linha por mutação, com os cinco campos:
-
-```markdown
-| # | Arquivo:linha | Mutação (diff) | md5 antes | md5 depois | Testes derrubados | Motivo da falha |
-|---|---|---|---|---|---|---|
-| M1 | src/lib/x.js:42 | `- if (a && b)` / `+ if (a)` | abc… | def… | ≥3 de 212 (subconjunto) | `expected 3 got 0` em x.test.js:88 |
-| M2 | src/lib/y.js:7 | `- return ok` / `+ return true` | 123… | 456… | 0 de 2684 (SOBREVIVEU, suíte inteira) | nenhum teste falhou na suíte inteira |
-```
-
-A coluna "Testes derrubados" sempre diz o escopo: `≥K de N (subconjunto)` é piso; `K de M (suíte
-inteira)` é contagem; sobrevivente é sempre `0 de M (suíte inteira)`. `morph-spec mutate` imprime a
-seção inteira nesse formato — cole-a, não a redigite.
-
-E, ao fim da seção: **Reversão:** snapshot/restore de bytes por escrita nova; DLL final igual (md5)
-à de antes do 1º mutante; `git status --porcelain src/` vazio. Feature sem código de produção
-declara a seção com a linha `não aplicável — feature sem código de produção`.

package/framework/evals/proof-rubrics/observabilidade-genai.md

@@ -1,119 +0,0 @@
-# Prova: Observabilidade GenAI
-
-> Escopo: Gate 3 (avaliador independente). Não é dimensão do score composto — impõe **teto** em
-> Qualidade de Código (`evals/rubrics/code-quality.md`, seção "Teto de prova de observabilidade
-> GenAI"). Aplica-se **somente** a feature que chama LLM; feature sem LLM é `not_evaluated`, e
-> `not_evaluated` **não** aplica teto.
-
-## O que esta prova responde
-
-Uma feature que chama um modelo gasta dinheiro, pode falhar de formas que nenhum teste cobre, e
-produz texto que ninguém revisou. A pergunta que importa depois do incidente é sempre a mesma, e
-raramente tem resposta:
-
-**Dá para reconstruir o que foi ao provedor, e o que ele respondeu, neste turno?**
-
-Repare no que a pergunta **não** é. Ela não é "tem span OpenTelemetry?". Essa formulação foi medida
-contra o acervo e reprova **5 de 5** repositórios — e, pior, daria a mesma nota a um projeto cuja
-observabilidade inteira é a mensagem da exceção e a outro que tem hash por bloco de prompt, vocabulário
-fechado de desfecho de tool, veredito ternário de guard, sete testes provando que a telemetria é
-inerte, e a invariante escrita de que o texto enviado é derivado sem cache *"para a telemetria não
-poder mentir"*. **Régua que pune o melhor aluno não é régua.**
-
-Span com as convenções GenAI é a forma **recomendada** (`ai-agents-observability-patterns`) e alcança
-a faixa mais alta. Telemetria própria também alcança — desde que exista **teste de fidelidade**, isto
-é, algo que prove que o registrado é o enviado. O que a rubrica cobra é o **resultado**; o standard é
-quem recomenda o meio.
-
-### Aplicabilidade — filtro mecânico, e depois uma determinação nomeada
-
-**Esta rubrica NÃO se declara determinística, e a razão é medida:** nenhuma leitura de `tasks.json`
-ou do `mandate.md` mede a propriedade que importa — *esta feature entrega código que chama um
-modelo?*. A versão anterior deste bloco prometia determinismo e **errou no primeiro cliente que
-encontrou**: a própria feature que criou esta rubrica satisfazia as duas condições (tasks com
-`group: "tests"`, mandate citando `ai-agents` dez vezes) e não chama LLM nenhum.
-
-São **duas etapas**, e a segunda não é opcional:
-
-**1. Filtro mecânico, de alta recall** (barato, lido do disco):
-
-> o `mandate.md` cita ao menos um standard `ai-agents`.
-
-Falso ⇒ `not_evaluated`, sem mais discussão. É deliberadamente **largo**: erra para o lado de
-convocar a determinação, não para o de dispensá-la.
-
-**2. Determinação, escrita pelo avaliador.** Passado o filtro, a pergunta é
-*a feature entrega código que chama um modelo?* — e o relatório **registra a resposta com o motivo**:
-
-```markdown
-- Aplicabilidade: LLM SIM — T4 acrescenta `TriagemAgent` sobre `IChatClient` (`AgentCatalog.cs:31`).
-- Aplicabilidade: `not_evaluated` — o mandate cita `ai-agents`, mas o diff é 100% markdown de
-  standard; nenhuma chamada a modelo entra no produto.
-```
-
-**Sinal auxiliar, não determinação:** toda task com `group` em `{docs, tests}` é indício **contra**
-código de produção que chama modelo. Indício, porque um harness de agente pode viver inteiro numa
-task `tests` — por isso ele informa a determinação em vez de substituí-la.
-
-**Um `not_evaluated` sem motivo escrito não é dispensa: é o escape que o standard
-`ai-agents-guardrails` proíbe.** O motivo é o que torna a decisão auditável na revisão seguinte, e é o que impede que
-`not_evaluated` vire a saída fácil.
-
-## Bandas 0-10
-
-| 0-3 | 4-6 | 7-8 | 9-10 |
-|---|---|---|---|
-| A feature chama LLM e **nada** permite saber o que foi enviado, quanto custou, ou se falhou. Observabilidade é a mensagem da exceção | Chamada de LLM registrada **só por log de texto**: sem contagem de tokens, sem correlação com a feature ou a requisição, sem forma de amarrar o registro ao turno | Instrumentação presente e correta — mas a evidência no relatório é a **linha de wiring**, não a saída. O avaliador leu o `AddSource`, não leu um span | Span por chamada com `gen_ai.operation.name` e `gen_ai.provider.name`, tokens registrados, correlação com a feature, e sensível desligado fora de dev — **ou** telemetria própria equivalente cuja fidelidade tem teste. Nos dois casos, o relatório **mostra um span ou registro capturado** |
-
-A fronteira que decide 7-8 × 9-10 é uma só, e é a mesma de toda rubrica desta classe: **evidência
-capturada, não evidência declarada.** Ler o código que instrumenta prova que alguém escreveu o
-wiring; ler um span prova que ele emite.
-
-## Anti-padrões literais
-
-- **Pontuar o wiring como se fosse a saída** — `builder.AddSource(...)` no diff é 7-8, nunca 9-10.
-  Para subir, capture: rode o caminho, pegue **um** span ou **uma** linha de registro, e cole no
-  relatório com os atributos que ela carrega.
-- **Aceitar "temos logs"** — log de texto sem tokens e sem correlação é banda 4-6. A pergunta
-  operacional é "quanto custou este turno e o que foi enviado nele"; um log que não responde nenhuma
-  das duas não é observabilidade, é rastro.
-- **Reprovar telemetria própria por não ser OpenTelemetry** — a rubrica cobra a propriedade. Um
-  registro próprio com **teste de fidelidade** vale 9-10. Sem teste de fidelidade, não vale: é uma
-  afirmação sobre o que o código faz, feita pelo mesmo código.
-- **Aceitar hash sem a invariante** — um hash do prompt só prova algo se o texto de que ele é hash
-  **é** o texto enviado. Se existe cache entre a montagem e o envio, telemetria e requisição podem
-  divergir em silêncio. Procure a derivação sem cache; sem ela, o hash é decoração e a nota não passa
-  de 6.
-- **Prompt cru em produção contado como ponto a favor** — é o oposto: dado sensível persistido é
-  achado, não evidência. Cru só em dev ou harness, com opt-in; em produção, hash.
-- **Confundir "não tem LLM" com "tem e não instrumentou"** — o primeiro é `not_evaluated` e **não**
-  aplica teto; o segundo é 0-3. Colapsar os dois num booleano é o mesmo defeito que o veredito
-  ternário de `ai-agents-guardrails` existe para impedir.
-- **Aplicar teto sem ter avaliado** — sem a linha da chave `obs` no `**Proof-Scores:**` não há teto a
-  aplicar. Um teto inventado a partir de impressão é pior que teto nenhum.
-- **Pontuar telemetria de turno cancelado como cobertura** — registro de algo que não aconteceu é
-  achado, não evidência.
-
-## Como registrar no relatório
-
-Uma linha dizendo o que foi capturado e como, e — quando a nota for 9-10 — o artefato capturado:
-
-```markdown
-- Aplicabilidade: filtro passou (mandate cita `ai-agents-cost-and-budget`); determinação: LLM SIM — T4 acrescenta `TriagemAgent` sobre `IChatClient` (`AgentCatalog.cs:31`).
-- Capturado 1 span de `Morph.Agents.Triagem` rodando o caminho real com o fake:
-  `chat gpt-5-mini` · gen_ai.operation.name=chat · gen_ai.provider.name=openai ·
-  gen_ai.usage.input_tokens=1841 · output_tokens=212 · morph.feature=triagem-lead
-- Fidelidade: `PromptDecompositionTests.TextoEnviadoEhAConcatenacaoDosBlocos` prova que o hash
-  registrado é o do texto enviado (derivação sem cache).
-- EnableSensitiveData=false confirmado fora de dev (`appsettings.Production.json`).
-```
-
-E no `**Proof-Scores:**`, a chave `obs`.
-
-Quando não se aplica, uma linha basta — e ela precisa dizer **o que** foi determinado, e por quê. Um `not_evaluated` mudo não é dispensa:
-
-```markdown
-- Observabilidade GenAI: `not_evaluated` — o filtro passou (o mandate cita `ai-agents`), mas o
-  diff é 100% markdown de standard: nenhuma chamada a modelo entra no produto. Sem teto sobre
-  code-quality.
-```