- étape 3 : /detectors:wf-improve, une séance sur les stations que le scanner a corrigées (DATA, STATIONS, LABELS = verite/), sorties dans batches/<jour>/improve/ ; - claude -p commun aux deux agents, isolé des réglages du poste (--setting-sources project,local, --strict-mcp-config : plus de hooks ni de plugins de l'utilisateur), toujours l'abonnement seulement, arrêté s'il répond sans avoir dit sa source ; flux écrit ligne à ligne ; - figure : une mesure rejetée interrompt la courbe (min(lim, nan) la dessinait en pic à l'écrêtage), une vraie mesure l'emporte sur un rejet dans son pas, références rejetées en noir ; - étiquettes des détecteurs de la mesure d'avant à celle d'après (sauf No data), commencées la veille à la dernière mesure d'avant minuit : à vérité intacte, le score de plage est à 100 % ; - detecteurs.md : références nommées, cadence par rafales, fin à 24:00 ; - scanner : la figure, les bornes d'une mesure à l'autre, les ratés sous une étiquette longue, trois signatures trompeuses, une étiquette par passage, une image par doute de famille. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Optimizer
Faire converger les détecteurs AIMsight en continu, à faible coût. Chaque jour pompé devient un batch de 24 h :
- les détecteurs (le dépôt
~/detectors, par un lien) passent sur toutes les stations ; leurs événements deviennent des étiquettes, et une figure par station les montre face aux courbes ; - le
scanner, un agent léger (Sonnet), regarde chaque figure, note chaque irrégularité (raté, trop, bornes, famille) dans un rapport et la corrige dans une copie des étiquettes, la vérité du batch.
La suite, l'amélioration des détecteurs par /detectors:wf-improve sur cette vérité, n'est pas encore branchée. Le mode ciblé de Diagnostic-App (une analyse approfondie, puis « Optimiser les détecteurs ») reste tel quel ; Optimizer en est la version large et légère. Conception : docs/superpowers/specs/2026-11-13-optimizer-design.md.
Installer
ln -s ~/detectors detectors # le dépôt des détecteurs, partagé avec Diagnostic-App
ln -s ~/aimsight-data/data data # les données pompées (dépôt aimsight-data), hors de git
ln -s ~/labeling labeling # le dépôt des étiquettes : familles.md et la vérité de référence
python3 -m venv .venv && .venv/bin/pip install matplotlib
claude (Claude Code) doit être sur le PATH pour le scan, connecté à l'abonnement Claude (/login) : le scan ne tourne jamais sur une clé d'API, batch.py l'arrête sinon.
Lancer
python3 batch.py # hier (UTC), toutes les stations de data/
python3 batch.py --jour 2026-11-12 # un autre jour
python3 batch.py --sans-scan # les détecteurs et les figures seulement
Une étape faite ne se refait pas : relancer après --sans-scan fait le scan seul ; supprimer batches/<jour>/ pour tout refaire. batch.py passe seul sur .venv pour les figures.
Ce qu'un batch laisse
batches/<jour>/ :
detecteurs/<STATION>.jsonl: les étiquettes des détecteurs, coupées au jour (id,debut,fin,categorie= la famille,description) ;verite/<STATION>.jsonl: les mêmes, corrigées par le scanner ;detecteurs.md: le résumé que lit le scanner ;figures/<STATION>.png: ce qu'il regarde (hors de git) ;rapport.md: ses irrégularités, ses doutes, ce qui lui a manqué ;scan.jsonl: son flux, avec son coût (hors de git).