Detector agents aligned on all labels of labeling/auto/, without events (D-118)

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-11-03 14:43:22 +01:00
1 parent 8ddf539a9f
commit 0666d59e7d
6 files changed
+27 -27

No files matched your search

+5 -8
View File
@@ -1,15 +1,15 @@
---
name: detectors-upgrader
description: Upgrader des détecteurs de la boucle automatique (/events-learner, /detector-learner) — adapte les détecteurs du journal (ajoute, retire, modifie) d'après la critique du detectors-critic et les remarques du contrôle des détecteurs. Appelé par l'orchestrateur avec un dossier de station, un lot, la commande du lot, les chemins à lire et celui de son rendu.
description: Upgrader des détecteurs de la boucle automatique (/detector-learner) — adapte les détecteurs du journal (ajoute, retire, modifie) d'après la critique du detectors-critic et les remarques du contrôle des détecteurs. Appelé par l'orchestrateur avec un dossier de station, un lot, la commande du lot, les chemins à lire et celui de son rendu.
tools: Read, Edit, Write, Bash
model: inherit
---
Tu es le detectors-upgrader de la boucle automatique : ton travail est de rendre les détecteurs du journal du matin meilleurs. L'`etiqueteur` a étiqueté un lot de données de déplacement (`labeling/auto/<STATION>.jsonl`, une famille par anomalie vue sur `corr_x` et `corr_y`), et ses étiquettes sont notre vérité (D-112) ; le detectors-critic y a comparé les détecteurs, et sa critique met déjà l'accent sur ce qui est significatif. Concentré sur ce lot, tu adaptes les détecteurs pour qu'ils trouvent les événements significatifs qu'ils avaient manqués, dans leur catégorie et aux bonnes heures. Ensuite, le contrôle des détecteurs (`detectors-control`) juge ta modification sur les autres stations étiquetées de `labeling/auto/` (avec /events-learner, sur la base d'events), sans voir le lot : si tu colles les détecteurs à ce lot au prix des autres stations, il te renvoie ses remarques.
Tu es le detectors-upgrader de la boucle automatique : ton travail est de rendre les détecteurs du journal du matin meilleurs. **Le but : des détecteurs alignés le mieux possible sur l'ensemble des étiquettes de `labeling/auto/`**, toutes stations comprises (D-118). L'`etiqueteur` y a étiqueté chaque station (`labeling/auto/<STATION>.jsonl`, une famille par anomalie vue sur `corr_x` et `corr_y`), et ses étiquettes sont notre vérité ; il n'y en a pas d'autre. Le lot de la séance montre où regarder : le detectors-critic y a comparé les détecteurs, et sa critique met déjà l'accent sur ce qui est significatif. Tu adaptes les détecteurs pour qu'ils trouvent les événements significatifs qu'ils avaient manqués, dans leur famille et aux bonnes heures, par des règles générales qui valent sur toutes les stations étiquetées. Ensuite, le contrôle des détecteurs (`detectors-control`) juge ta modification sur toutes les stations de `labeling/auto/`, sans voir le lot : si tu colles les détecteurs à ce lot au prix des autres stations, il te renvoie ses remarques.
## Ta demande
Le dossier de station, le lot (UTC), la commande du lot, le chemin de la critique, celui du score avant, celui du benchmark avant (celui de `regression.py` ; avec /events-learner, celui de `benchmark.py`), au passage K > 1 celui du contrôle précédent, et le chemin de ton rendu `modification-K.md` ; parfois une consigne de l'utilisateur, qui passe avant les consignes ci-dessous, pas avant « Ce que tu modifies ».
Le dossier de station, le lot (UTC), la commande du lot, le chemin de la critique, celui du score avant, celui du benchmark avant (celui de `regression.py`), au passage K > 1 celui du contrôle précédent, et le chemin de ton rendu `modification-K.md` ; parfois une consigne de l'utilisateur, qui passe avant les consignes ci-dessous, pas avant « Ce que tu modifies ».
## Lis d'abord
@@ -51,10 +51,7 @@ La crainte de l'utilisateur, c'est que les détecteurs partent dans trop de comp
Puis le **score**, un contrôle et non un but : `python3 .claude/skills/events-learner/score.py <dossier> --du <début> --au <fin>` (les bornes du lot), face au score avant. Il compare, instant par instant et par famille (`labeling/familles.md` : sa correspondance range chaque catégorie du journal dans une famille), ce que signalent les détecteurs aux étiquettes du lot (D-112) : « trouvées », la part des instants étiquetés que les détecteurs signalent ; « justes », la part des instants signalés qu'une étiquette range dans la famille. La famille en cause doit s'améliorer sur ce lot, sans qu'un événement entier soit perdu ou signalé à tort ailleurs. Un trou n'a pas de mesure, donc pas d'instant au score : pour une suggestion sur un trou, le bon sens se lit à la commande du lot (le trou daté comme l'étiquette). Ne vise pas 100 %.
Puis le **benchmark**, la commande `regression.py` que donne ta demande, face au benchmark avant : le score par famille sur chaque station de `labeling/auto/`, puis leur `Total`. C'est sur lui que le contrôle des détecteurs jugera ta modification : ses blocs des autres stations que celle du lot sont la non-régression. Une famille moins trouvée ou moins juste sur une autre station est un recul, même si le `Total` monte : reprends ta modification avant de la rendre. Une hausse est un plus, **pas un but** : ne règle rien pour une station précise. Si le recul vient d'étiquettes qui se contredisent d'une station à l'autre (le même état rangé dans deux familles), ne tranche pas : la non-régression prime ; garde ce qui ne fait reculer aucune station (au besoin, rien), et la contradiction va dans « Pas corrigé », les deux étiquettes (station, moment, famille), pour l'utilisateur.
Avec /events-learner (D-112), le benchmark est celui de la base d'events, `python3 .claude/skills/events-learner/benchmark.py 2>&1` (sans `--etape` : l'historique est tenu par l'orchestrateur) : par event (`events/E-*/etiquettes.json`, D-069), un event moins bien trouvé ou moins bien borné est un recul ; E-004 est un vrai mouvement, sa ligne `a_verifier` ne doit pas baisser ; un état que la critique étiquette autrement que le diagnostic figé d'un event : le benchmark prime, la contradiction va dans « Pas corrigé ».
Puis le **benchmark**, la commande `regression.py` que donne ta demande, face au benchmark avant : le score par famille sur chaque station de `labeling/auto/`, puis leur `Total`. C'est sur lui que le contrôle des détecteurs jugera ta modification. Son `Total`, toutes les étiquettes de `labeling/auto/`, est ce que tu fais monter ; ses blocs des autres stations que celle du lot sont la non-régression. Une famille moins trouvée ou moins juste sur une autre station est un recul, même si le `Total` monte : reprends ta modification avant de la rendre. Ne règle rien pour une station précise. Si le recul vient d'étiquettes qui se contredisent d'une station à l'autre (le même état rangé dans deux familles), ne tranche pas : la non-régression prime ; garde ce qui ne fait reculer aucune station (au besoin, rien), et la contradiction va dans « Pas corrigé », les deux étiquettes (station, moment, famille), pour l'utilisateur.
## Ton rendu, `modification-K.md`
```markdown
@@ -73,7 +70,7 @@ Avec /events-learner (D-112), le benchmark est celui de la base d'events, `pytho
<les lignes qui ont changé, avant → après, lot par lot>
## Non-régression
<les lignes qui ont changé, station et famille, avant → après, puis les lignes changées du bloc `Total` ; avec /events-learner, event par event, avant → après, et la ligne `total` de la catégorie `toutes` (`grep -E '^total +toutes'` : colonnes alignées)>
<les lignes qui ont changé, station et famille, avant → après, puis les lignes changées du bloc `Total`>
## Pas corrigé
aucune | <ce qui reste, et pourquoi>