Что держать в поле зренияβ

Первоисточники

• claude-code · Описание terminal agent и доступных операций над кодом.

  Не подтверждает: Прирост качества, скорость принятой задачи и число дефектов на нашем репозитории.

  SHA-256 снимка: 88ffea5e5e0edff179e042e40c7a4b1306e73616ed32031549c6b1bd95067b2b

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Сравнение по времени генерации не учитывает ревью, исправления и откат.

Следующее действие: Взять один уже принятый PR: сопоставить время генерации с ревью, исправлениями и откатом; решить, есть ли у команды повторяемые задачи для ограниченного опыта.

Когда остановиться: Скорость генерации выше, а полное время или дефекты хуже.

Необязательный план опыта

Вход: На 20 заранее размеченных исправлениях записать принятое изменение, дефекты, полное время человека и расход модели.

Контроль: Те же задачи вручную при одинаковых тестах и критериях приёмки.

Успех: Больше принятых исправлений на час человека без роста критических дефектов.

Сигнал отказа: Скорость генерации выше, а полное время или дефекты хуже.

До самостоятельной рекомендации: Нет закреплённых модели, версии CLI, задач и слепого ревью.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A01.md

Первоисточники

• acp · ACP задаёт способ связи IDE-клиента с агентом и передачи действий.

  Не подтверждает: Снижение ошибок ревью или совместимость каждого конкретного IDE/агента.

  SHA-256 снимка: 0f8d62cf02d96d34a3904aa845d306741f9f96932e697cf6249329ffd7fdfcfb

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: В IDE и CLI могут различаться модель, permissions и набор инструментов — тогда эффект интерфейса неотделим.

Следующее действие: Просмотреть один существующий diff в IDE и CLI с одинаковыми правами; записать, где теряются контекст, объяснение или контроль применения.

Когда остановиться: IDE скрывает существенные изменения или выигрыш исчезает при одинаковых настройках.

Необязательный план опыта

Вход: На парных задачах фиксировать время до принятого diff, пропущенные нежелательные изменения и отмены.

Контроль: CLI того же агента, модели, разрешений и репозитория.

Успех: Меньше пропущенных нежелательных изменений при сопоставимом времени.

Сигнал отказа: IDE скрывает существенные изменения или выигрыш исчезает при одинаковых настройках.

До самостоятельной рекомендации: Нужно закрепить версии обоих клиентов и идентичную конфигурацию инструментов.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A02.md

Первоисточники

• agents-patterns · Определение workflow/agent и примеры маршрутизации и tool-loop.

  Не подтверждает: Какой вариант дешевле и надёжнее на наших типах задач.

  SHA-256 снимка: a445de8adaf8cbb428e9251a868a75cc30d7d3080bafcf226323570e1284fd6f

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Сравнение только на открытых задачах предвзято против pipeline, а только на шаблонных — против агента.

Следующее действие: Разделить текущие задачи на предсказуемые шаги и случаи с неизвестным путём; для первых описать детерминированный workflow, для вторых — допустимые полномочия агента.

Когда остановиться: Агент делает лишние действия без прироста принятого результата.

Необязательный план опыта

Вход: Сравнить долю завершения, ошибки и стоимость на двух стратах: повторяемые и открытые задачи.

Контроль: Фиксированный pipeline с теми же моделями и инструментами против автономного tool-loop.

Успех: Для каждого класса задач отдельно сообщить принятую долю, полное время, стоимость и типы ошибок обоих подходов; любой устойчивый исход, включая победу одного подхода в обоих классах, считается информативным.

Сигнал отказа: Агент делает лишние действия без прироста принятого результата.

До самостоятельной рекомендации: Нужны заранее заданные страты задач, лимит действий и критерии остановки.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A03.md

Первоисточники

• pydantic-durable · Pydantic AI документирует собственные варианты durable execution; не является источником о Pi Durable или LangGraph.

  Не подтверждает: Гарантии Pi Durable, LangGraph, Pi-на-Temporal или exactly-once внешнего эффекта.

  SHA-256 снимка: 97e18b8f036cf54449c6b31cc8a8dc463dacb897e5af6c39e49180d4b5839b78

• pi-durable · Автор описывает экспериментальную отдельную обвязку Pi Durable и её модель сохранения/возобновления.

  Не подтверждает: Те же гарантии в Pi-на-Temporal, переживание любых host failures или exactly-once внешнего API.

  SHA-256 снимка: 38965254d2517030aaf2b7735b3b5c3882cfae6998209358ad5037cecfe1710c

• langgraph-state · LangGraph описывает checkpoint/persistence и восстановление состояния графа.

  Не подтверждает: Идемпотентность внешнего сервиса или гарантии других runtime.

  SHA-256 снимка: 657dc52e4471d88487f3b2e4251ad67c41c518146fec7a6d8d1a06ddd169c4cd

• pi-temporal · Temporal integration as a separate execution architecture.

  Не подтверждает: Guarantees for shell effects in Pi Durable.

  SHA-256 снимка: 31fd444647d6d1b9ed6a28535e40aaaed2afc1e879c71b9dd3bc3e40fdcf2590

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Caution для игнорирования долговечности агентного workflow · Антипаттерн без durability; не оценка гарантий Pi/Temporal в конкретной конфигурации.

Наш опыт: Не проводился.

Главное ограничение: Возобновление процесса, переживание потери хоста и идемпотентность внешнего действия — разные свойства.

Следующее действие: Для своего долгого процесса выписать события ожидания, внешние эффекты, ключи идемпотентности и место хранения состояния; определить, нужен ли durable runtime.

Когда остановиться: Повторный committed effect при заявленной идемпотентности, необнаруженная потеря эффекта или молчаливое принятие unknown за success; невозможность host recovery фиксировать отдельно от process recovery.

Необязательный план опыта

Вход: На отдельных закреплённых реализациях Pi Durable, LangGraph и Pi-на-Temporal выполнить одинаковый synthetic workflow с mock-списанием. Факторно пересечь durable/no-durable слой, idempotent/non-idempotent sink, остановку процесса и потерю хоста при общем хранилище; прервать до вызова, после commit до ACK и после ACK. Считать attempts, committed effects и статус восстановления.

Контроль: Для каждого типа sink сравнить durable и no-durable при том же сценарии сбоя; для каждой реализации использовать одинаковый ledger и ключ запроса. Не смешивать результат Pi Durable с Pi-на-Temporal.

Успех: Для зафиксированных границ отказа workflow возобновляется с наблюдаемым итогом; при idempotent sink нет двойного committed effect, а in-flight lost-ACK честно отмечен unknown до сверки ledger, вместо выдуманного exactly-once.

Сигнал отказа: Повторный committed effect при заявленной идемпотентности, необнаруженная потеря эффекта или молчаливое принятие unknown за success; невозможность host recovery фиксировать отдельно от process recovery.

До самостоятельной рекомендации: Нужны закреплённые версии каждой отдельно заявленной реализации, общий mock-ledger и явная политика для lost-ACK; без опыта допустима лишь документальная карточка.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/A04.md

Первоисточники

• langgraph-interrupt · API interrupt/resume и требования к сохранению состояния.

  Не подтверждает: Автоматический TTL согласования, отзыв внешних полномочий или идемпотентность нашего действия.

  SHA-256 снимка: 402db160d8f555ef90fc1f5423b781c91ae2f80e73d073bf9f965ec3d7dcd670

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Повторное выполнение участка после resume может продублировать неидемпотентное действие.

Следующее действие: Проверить текущий approval flow на просроченное согласие: кто повторно сверяет данные, полномочия и срок до продолжения действия.

Когда остановиться: Использовано старое разрешение или побочное действие сделано дважды.

Необязательный план опыта

Вход: Прервать тестовую задачу на согласовании, изменить вход, отозвать разрешение и продолжить; сравнить журнал действий.

Контроль: Непрерванный прогон с теми же входными данными и отдельный прогон с устаревшим approval.

Успех: Resume замечает изменённое состояние и требует нового разрешения без повторного эффекта.

Сигнал отказа: Использовано старое разрешение или побочное действие сделано дважды.

До самостоятельной рекомендации: Нужны pin runtime, TTL-политика и отдельная проверка идемпотентности.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A05.md

Первоисточники

• subagents · Способ создать специализированных subagents и передавать им задачи.

  Не подтверждает: Прирост качества команды по сравнению с одним агентом при равном бюджете.

  SHA-256 снимка: 57e2e5e089a798d4a7b028cea24a25008be1459a56ea109d46d0a6e66af03381

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Assess для небольшой команды coding agents · Тема команд, а не измеренное преимущество любой архитектуры ролей.

Наш опыт: Не проводился.

Главное ограничение: Несколько агентов могут повторить одну ошибку и увеличить стоимость коммуникации.

Следующее действие: Найти в одной задаче действительно независимые роли и общий бюджет; не добавлять субагентов, если передача контекста дороже разделения работы.

Когда остановиться: Роли дублируют работу или интеграция нивелирует обнаруженные улучшения.

Необязательный план опыта

Вход: На задачах с известными дефектами сравнить одиночный прогон и 2–3 роли; считать обнаруженные дефекты и стоимость интеграции.

Контроль: Один агент с тем же суммарным токенным/временным бюджетом и теми же тестами.

Успех: Команда обнаруживает больше независимых дефектов без превышения заданного лимита времени.

Сигнал отказа: Роли дублируют работу или интеграция нивелирует обнаруженные улучшения.

До самостоятельной рекомендации: Нет закреплённой схемы ролей, версий и независимого набора дефектов.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A06.md

Первоисточники

• worktrees · Поддерживаемый рабочий процесс для параллельных агентов в worktrees.

  Не подтверждает: Автоматическое безопасное объединение изменений в пересекающихся компонентах.

  SHA-256 снимка: 9b9dceb11d239e6aa89c52a42ce8fc106dd861710c5a2e5932ee43c199e1c92f

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Assess для team of coding agents · Запись не оценивает Git worktrees или merge-конфликты.

Наш опыт: Не проводился.

Главное ограничение: Чистый Git merge может скрыть логический конфликт контрактов; worktree также не изолирует общую внешнюю БД или занятые порты.

Следующее действие: Перечислить пересекающиеся файлы, порты и внешние ресурсы двух параллельных задач; определить, где worktree изолирует изменения, а где нужен иной барьер.

Когда остановиться: Merge формально чист, но тесты или ручная проверка обнаруживают несогласованность.

Необязательный план опыта

Вход: Дать двум агентам смежные изменения API и клиента; после merge выполнить контрактные и интеграционные тесты.

Контроль: Та же пара задач последовательно в одном worktree при равном общем лимите токенов, модели, времени работы агентов и acceptance-тестов; wall-clock и общий compute учитывать отдельно.

Успех: Параллельная ветка снижает wall-clock при равном общем compute без скрытого нарушения контракта после merge.

Сигнал отказа: Merge формально чист, но тесты или ручная проверка обнаруживают несогласованность.

До самостоятельной рекомендации: Нужны фиксированные задачи с пересечением, стратегия merge и независимые acceptance-тесты.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A07.md

Первоисточники

• agents-patterns · Anthropic описывает паттерны evaluator-optimizer и планирования; обратная связь опирается на проверяемые сигналы.

  Не подтверждает: Лучшее качество по сравнению с одиночным агентом при равном бюджете.

  SHA-256 снимка: a445de8adaf8cbb428e9251a868a75cc30d7d3080bafcf226323570e1284fd6f

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Trial для feedback sensors for coding agents · Сенсоры обратной связи, а не конкретная тройка ролей.

Наш опыт: Не проводился.

Главное ограничение: Критик с тем же контекстом может повторить исходное заблуждение.

Следующее действие: Для одного известного дефекта сверить, видел ли критик исходный контракт и независимую проверку; заранее ограничить число и стоимость циклов.

Когда остановиться: Критик создаёт ложные проблемы или циклические правки.

Необязательный план опыта

Вход: На фиксированном наборе дефектов сравнить одиночный цикл и план–исполнение–критика с максимум двумя раундами.

Контроль: Один агент с теми же доступными токенами, инструментами и тестами.

Успех: Больше реально исправленных дефектов при том же бюджете и без роста ложных замечаний.

Сигнал отказа: Критик создаёт ложные проблемы или циклические правки.

До самостоятельной рекомендации: Нужны закрытый список дефектов, бюджет и правило остановки до эксперимента.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A08.md

Первоисточники

• long-running · Anthropic описывает сохранение прогресса и новую сессию для долгих задач.

  Не подтверждает: Надёжность фонового запуска по событию и корректную отмену в нашей очереди.

  SHA-256 снимка: 559ad1e2c70046d00369be0af642483847c29d4a3a15ae552fab7552021ef921

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Повторная доставка события может создать две задачи, а отмена может опоздать после внешнего действия.

Следующее действие: Нарисовать текущую цепь событие → очередь → агент → результат; отметить повторную доставку, отмену и владельца состояния до выбора фонового harness.

Когда остановиться: Дубликат, невидимое продолжение или использование просроченного полномочия.

Необязательный план опыта

Вход: На synthetic очереди повторить событие, истечь токен, отменить задание и проверить журнал и результат.

Контроль: Ручной одиночный запуск того же workflow.

Успех: Ровно один учтённый результат, повтор безопасен, отмена и отказ наблюдаемы.

Сигнал отказа: Дубликат, невидимое продолжение или использование просроченного полномочия.

До самостоятельной рекомендации: Нет выбранного event transport и политики idempotency/TTL.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A09.md

Первоисточники

• agent-sdk · SDK API для вызова агента, инструментов и событий.

  Не подтверждает: Наши гарантии по потоку, таймауту, отмене и отказам инструментов.

  SHA-256 снимка: 583eb70663cb426f19fa90aa6405d37ebe78ecc4f96bf29772a3ac4ff3e462e4

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Приложение становится ответственным за наблюдаемость, ресурсные лимиты и безопасные повторы.

Следующее действие: Перечислить требования продукта к событиям, таймауту, отмене и неизвестному in-flight эффекту; затем сверить их с контрактом выбранного SDK.

Когда остановиться: После подтверждённой отмены начинается новый внешний вызов, теряется ошибка инструмента или уже committed effect ошибочно объявлен отменённым; неизвестный in-flight итог скрыт.

Необязательный план опыта

Вход: Встроить один synthetic workflow, прервать его на tool-call и потоке, затем проверить таймаут и ошибки.

Контроль: Тот же workflow через CLI либо минимальный deterministic runner.

Успех: После отмены не инициируются новые внешние вызовы; уже committed effects отдельно учитываются в ledger, а in-flight lost-ACK остаётся unknown до сверки. Ошибки и лимиты видны вызывающему коду.

Сигнал отказа: После подтверждённой отмены начинается новый внешний вызов, теряется ошибка инструмента или уже committed effect ошибочно объявлен отменённым; неизвестный in-flight итог скрыт.

До самостоятельной рекомендации: Нужны pin SDK/model и контракт отмены с реальным transport.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A10.md

Первоисточники

• Первоисточник · Минимальный формат SKILL.md и допускаемые дополнительные ресурсы.

  Не подтверждает: Эквивалентное исполнение одной skill в двух клиентах.

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Trial для Agent Skills · Thoughtworks видит ценность модульного контекста, но предупреждает о риске непроверенных сторонних skills; это не тест переносимости.

Наш опыт: Не проводился.

Главное ограничение: SKILL.md — содержимое, а не полномочие; сторонний пакет может принести недоверенные инструкции.

Следующее действие: Открыть спецификацию Agent Skills и два клиентских руководства; проверить поддержку SKILL.md, связанных файлов и правил доверия до обещания переносимости.

Когда остановиться: Клиент молча пропускает ресурс, нарушает обязательный поведенческий контракт или выполняет запрещённое действие; различия свободной формулировки сами по себе не считаются отказом.

Необязательный план опыта

Вход: Одна безопасная skill с зависимым локальным файлом, контрольной задачей и инструкцией на запрещённое действие; закрепить версии двух клиентов и одну модель.

Контроль: Та же контрольная задача без skill и та же инструкция, встроенная вручную в prompt каждого клиента.

Успех: Оба клиента обнаруживают skill, загружают зависимый файл и выполняют обязательное поведение; запрещённое действие отклоняется в обоих.

Сигнал отказа: Клиент молча пропускает ресурс, нарушает обязательный поведенческий контракт или выполняет запрещённое действие; различия свободной формулировки сами по себе не считаются отказом.

До самостоятельной рекомендации: Нужны pin двух клиентов и проверка происхождения/прав скриптов.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A11.md

Первоисточники

• tw-ralph · Thoughtworks описывает повторение с новым окном и признаёт значительный расход токенов.

  Не подтверждает: Сходимость к acceptance-критериям на наших задачах.

  SHA-256 снимка: 17dbf106584ca7affa4232a657c6debda7b99f14b09de07e726fbea98dfd699d

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Assess для Ralph loop · Описание техники и риска стоимости; не результат наших задач.

Наш опыт: Не проводился.

Главное ограничение: Без конечного бюджета цикл способен повторять ошибки или изменять уже принятое.

Следующее действие: Разделить одну большую задачу на проверяемые критерии и бюджет повторных сессий; записать, по какому сигналу цикл должен остановиться.

Когда остановиться: Цикл не сходится или портит ранее зелёные критерии.

Необязательный план опыта

Вход: На одной спецификации сравнить fresh-context итерации с обычным продолжением; зафиксировать максимум запусков и STOP-условие.

Контроль: Один непрерывный agent run при равном суммарном бюджете токенов.

Успех: Больше принятых критериев при ограниченных стоимости и регрессиях.

Сигнал отказа: Цикл не сходится или портит ранее зелёные критерии.

До самостоятельной рекомендации: Нет заранее утверждённых спецификации, лимита и независимых acceptance-тестов.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/A12.md

Первоисточники

• openclaw-heartbeat · OpenClaw документирует heartbeat как периодический запуск проверок.

  Не подтверждает: Качество выбора момента вмешательства и соблюдение согласия пользователя.

  SHA-256 снимка: 3df767b35aede510d070ddfb1eb2eea25d663b9edffdc82e60fbf38fa41a505a

• proactive-paper · Research framing for agent initiative.

  Не подтверждает: Production precision or consent semantics for OpenClaw.

  SHA-256 снимка: c3dcb6d1441beabfdad1c0b4b18e64a2ba0f292fe4baa484e9a91854b2cb4691

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Даже точное уведомление может вредить частотой, стоимостью или раскрытием лишнего контекста.

Следующее действие: Для потока событий определить, когда агент должен промолчать, кто даёт согласие и как его отозвать; оставить запуск опыта выборочным.

Когда остановиться: Продолжает действовать после отзыва цели либо создаёт больше шума, чем правиловая база.

Необязательный план опыта

Вход: Разметить поток из полезных, ложных и отозванных триггеров; измерить precision/recall, стоимость и нагрузку.

Контроль: Режим только по запросу и простые детерминированные правила на том же потоке.

Успех: Агент обнаруживает полезные события без превышения заданного порога ложных вмешательств и прекращает инициативу после отзыва.

Сигнал отказа: Продолжает действовать после отзыва цели либо создаёт больше шума, чем правиловая база.

До самостоятельной рекомендации: Нужны размеченный поток, согласие, канал отмены и фиксированный бюджет.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/A13.md

Первоисточники

• contextual-retrieval · Anthropic описывает contextual BM25 и embeddings в одном retrieval pipeline.

  Не подтверждает: Преимущество hybrid над каждой базовой веткой в нашем репозитории.

  SHA-256 снимка: cf1be0e1faf6eae0775c4ad60ca5d3b059a3f5e9074a611fdf078a52d62a277d

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Обогащение чанков контекстом может само менять результат и смешать вклад методов.

Следующее действие: Проверить один существующий поисковый промах: точный идентификатор это или смысловой запрос; решить, нужен ли второй канал retrieval.

Когда остановиться: Точные символы исчезают или прирост объясняется только другим chunking.

Необязательный план опыта

Вход: На замороженном корпусе собрать 100 размеченных вопросов с API-именами, сообщениями ошибок и смысловыми перефразированиями; измерить recall@k.

Контроль: BM25-only и vector-only на тех же чанках, версии индекса и вопросах.

Успех: Hybrid улучшает полноту релевантных фрагментов без падения точных имён и чрезмерной задержки.

Сигнал отказа: Точные символы исчезают или прирост объясняется только другим chunking.

До самостоятельной рекомендации: Нужны замороженный корпус, разметка релевантности и параметры индекса.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C01.md

Первоисточники

• contextual-retrieval · Anthropic описывает reranking после retrieval как часть contextual retrieval.

  Не подтверждает: Рост качества ответа в наших вопросах при допустимой задержке.

  SHA-256 снимка: cf1be0e1faf6eae0775c4ad60ca5d3b059a3f5e9074a611fdf078a52d62a277d

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Улучшение top-k может быть потеряно в генерации или зависеть от типа вопроса.

Следующее действие: На нескольких неудачных ответах отделить отсутствие нужного фрагмента в кандидатах от его низкого ранга; только второе является задачей reranker.

Когда остановиться: Если релевантного фрагмента нет в candidate set, это провал первого retrieval stage, а не reranker; отдельно фиксировать, когда reranker ухудшил порядок имеющихся релевантных кандидатов либо ответ не улучшился.

Необязательный план опыта

Вход: На фиксированном candidate set сравнить релевантность top-k, точность ответов и p95 задержки.

Контроль: Та же выборка без reranker, та же модель генерации и бюджет контекста.

Успех: Больше подтверждённых ответов без превышения p95 лимита.

Сигнал отказа: Если релевантного фрагмента нет в candidate set, это провал первого retrieval stage, а не reranker; отдельно фиксировать, когда reranker ухудшил порядок имеющихся релевантных кандидатов либо ответ не улучшился.

До самостоятельной рекомендации: Нужны размеченные вопросы, pin reranker и candidate recall отдельно.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C02.md

Первоисточники

• tree-sitter · Tree-sitter предоставляет инкрементальное построение синтаксических деревьев.

  Не подтверждает: Полноту ссылок на символы в конкретной полиглотной сборке.

  SHA-256 снимка: f353ef9cbeebb58b0479fb2ebf87b0f31b825149548a57c1415bd25227a400e8

• scip · Symbol index format as distinct from syntax parsing.

  Не подтверждает: Complete dynamic reference resolution.

  SHA-256 снимка: 015fbe370c03d23c15c0ffd94822e0711d28f8ea3c78a25b4450c37fc92c627f

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: AST не заменяет семантическое разрешение импортов; stale индекс пропускает последние изменения.

Следующее действие: Выбрать одну задачу навигации по кодовой базе и проверить, хватает ли текстового поиска или нужны связи определений и usages.

Когда остановиться: Пропуск динамического вызова или устаревшая ссылка приводит к ошибочному изменению.

Необязательный план опыта

Вход: На зафиксированном multi-language repo разметить usages и зависимости, сравнить поиск по тексту, AST и SCIP.

Контроль: ripgrep по тем же ревизии и вопросам.

Успех: Больше найденных истинных usages при приемлемом числе ложных и актуальном индексе.

Сигнал отказа: Пропуск динамического вызова или устаревшая ссылка приводит к ошибочному изменению.

До самостоятельной рекомендации: Нужно закрепить генераторы SCIP, языки и политику обновления индекса.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C03.md

Первоисточники

• langgraph-memory · LangGraph описывает разделение thread state и долговременного store.

  Не подтверждает: Изоляцию между пользователями и удаление производных записей в нашей схеме.

  SHA-256 снимка: 970001c269b7240fe5c861a2cc7da6a1e5a40fe6c9a53e6c15fe885679d6e1f3

• mem0 · User-scoped memory operations in another implementation.

  Не подтверждает: Isolation of our namespaces and derivative deletion.

  SHA-256 снимка: 024cf88cb2c7704d3b0b3b9145aece280c4b3c752b5efd71e31872342549184a

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Ошибочный namespace либо shared cache способен смешать данные несмотря на корректный API.

Следующее действие: Проверить, кто читает долгую память, как разделяются пользователи и как удаляются производные записи; неизвестные границы отметить до подключения.

Когда остановиться: Чужой факт появляется в ответе или остаётся после поддерживаемого удаления.

Необязательный план опыта

Вход: На двух вымышленных пользователях создать противоречащие факты, запросить из разных сессий, затем удалить одного.

Контроль: Без долговременного store при прочих равных.

Успех: Верный факт доступен лишь своему пользователю и исчезает вместе с производными после удаления.

Сигнал отказа: Чужой факт появляется в ответе или остаётся после поддерживаемого удаления.

До самостоятельной рекомендации: Нужны pin хранилища, namespace policy и тест всех производных записей.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C04.md

Первоисточники

• Первоисточник · Постановка задачи отбора, организации и обслуживания контекста агента.

  Не подтверждает: Пользу конкретного алгоритма сжатия на нашем корпусе.

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Adopt для общей практики context engineering · Общая инженерия контекста шире сжатия; этот статус нельзя переносить на любой summarizer.

Наш опыт: Не проводился.

Главное ограничение: Summary может удалить исключение, источник или отменённое требование; экономия токенов не является мерой правильности.

Следующее действие: На одном длинном задании выписать обязательные ограничения и ссылки, которые нельзя потерять при сокращении контекста; выбрать проверяемый контроль.

Когда остановиться: Хотя бы одно обязательное ограничение исчезает из решения.

Необязательный план опыта

Вход: На синтетических длинных задачах с canary-требованиями сравнить исходный и сжатый контекст по выполнению требований.

Контроль: Полный доступный контекст либо retrieval-on-demand при том же лимите задачи.

Успех: Критические требования и ссылки сохранены при меньшем числе токенов.

Сигнал отказа: Хотя бы одно обязательное ограничение исчезает из решения.

До самостоятельной рекомендации: Нужны pin summarizer/model и независимый oracle сохранённых требований.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C05.md

Первоисточники

• tw-progressive · Thoughtworks описывает progressive context disclosure как технику.

  Не подтверждает: Безошибочное обнаружение нужных инструкций нашим агентом.

  SHA-256 снимка: 884b39179c5c186def6e96264fce340b36eeb266309feb19cc8eb744ed43e96f

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Trial для progressive context disclosure · Не доказывает, что агент не пропустит обязательную инструкцию.

Наш опыт: Не проводился.

Главное ограничение: Редкое, но обязательное правило может не попасть в контекст до опасного действия.

Следующее действие: Составить индекс доступных инструкций и отметить обязательные правила, которые нельзя оставлять на усмотрение lazy-load.

Когда остановиться: Агент пропускает условие загрузки и нарушает правило.

Необязательный план опыта

Вход: Подготовить задачи, где ключевое правило лежит в редко вызываемом ресурсе; сравнить вызовы и ошибки.

Контроль: Все инструкции сразу при той же модели, задачах и лимите.

Успех: Меньше токенов без роста нарушений обязательных правил.

Сигнал отказа: Агент пропускает условие загрузки и нарушает правило.

До самостоятельной рекомендации: Нужны pin клиента и корпус с positive/negative controls для каждого ресурса.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C06.md

Первоисточники

• retrieval-acl · Azure AI Search описывает security trimming на основании прав документа.

  Не подтверждает: Защиту всех каналов выдачи и отсутствие leakage через metadata/кэш в нашей системе.

  SHA-256 снимка: 09c622928e075c4df1d9a65ef8d1a9572548e81e34b7e179f20de2b8305ce9bf

• owasp-injection · Prompt injection as a separate downstream threat.

  Не подтверждает: Document-level ACL enforcement by a prompt.

  SHA-256 снимка: f73eb706a9fe61bf85e695a8acae15da3d4ee65a5def9ebe88bbddbb0209f4c6

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Права в индексе могут устареть после отзыва, а snippet или счётчик раскрыть наличие документа.

Следующее действие: Проследить путь от идентичности пользователя до фильтра retrieval и отзыва доступа; prompt-отказ не считать ACL.

Когда остановиться: Любой закрытый фрагмент или его производная доступен неавторизованному пользователю.

Необязательный план опыта

Вход: Создать общий индекс с закрытыми документами для двух пользователей; проверить обычный запрос, синонимы, цитаты и отзыв прав.

Контроль: Индекс без ACL только как заведомо отрицательный контроль; production baseline с server-side ACL.

Успех: После отзыва не возвращаются закрытые фрагменты, metadata и производные цитаты.

Сигнал отказа: Любой закрытый фрагмент или его производная доступен неавторизованному пользователю.

До самостоятельной рекомендации: Нужны pin индексатора, модель ACL и тест инвалидации кэша.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C07.md

Первоисточники

• Первоисточник · Метрика Faithfulness сравнивает тезисы ответа с retrieved context и считает долю поддержанных тезисов.

  Не подтверждает: Что именно показанный citation span поддерживает тезис, что ссылка разрешена текущему читателю или что источник актуален.

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Faithfulness по набору retrieved contexts не устанавливает связь конкретного тезиса с конкретной показанной ссылкой; permission check и срок актуальности должны проверяться приложением отдельно.

Следующее действие: Открыть одну существующую цитату и сверить конкретный тезис с указанным фрагментом и правами читателя; отдельно оценивать контекстную faithfulness.

Когда остановиться: Найдена красивая, но не поддерживающая ссылка или ложная уверенность.

Необязательный план опыта

Вход: На 40 размеченных вопросах проверить claim-to-citation-span alignment вручную и server-side доступ текущего читателя к каждому span; отдельно оценить Ragas Faithfulness по retrieved context и случаи корректного отказа при нехватке данных.

Контроль: Ответ без обязательных citations при том же retrieval.

Успех: Каждый принятый тезис имеет показанный доступный span, из которого он действительно следует; неподтверждённые либо недоступные запросы получают отказ. Faithfulness сообщается отдельно, без подмены ручной проверки цитаты.

Сигнал отказа: Найдена красивая, но не поддерживающая ссылка или ложная уверенность.

До самостоятельной рекомендации: Нужны фиксированный корпус, смещения фрагментов и независимая оценка цитат.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C08.md

Первоисточники

• graphiti · Graphiti описывает temporal knowledge graph с эпизодами и отношениями.

  Не подтверждает: Лучшие ответы на вопросы о смене политики именно в нашем корпусе.

  SHA-256 снимка: a42cb54cd7567d69383efb8e97049e4a2c70d55d2dfe9a7bdd6cf53d2a446148

• graphrag · GraphRAG as another graph-based retrieval design.

  Не подтверждает: Temporal correctness of Graphiti.

  SHA-256 снимка: 7fd18106a9d1327d01f08e2c3fe62445b7d5e2d7bbd8d83d08db49ea2ca851e3

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Assess для context graph · Идея графа решений, не сравнение Graphiti с RAG на нашем корпусе.

Наш опыт: Не проводился.

Главное ограничение: Неправильное извлечение ребра превратит локальное исключение в общее правило.

Следующее действие: На одном реальном вопросе «почему приняли решение» проверить, сохранены ли дата, исключение и прежняя версия политики; решить, нужен ли временной граф.

Когда остановиться: Граф выдаёт отменённую политику как текущую или теряет исключение.

Необязательный план опыта

Вход: Создать датированные решения с отменами и исключениями; сравнить граф и RAG на вопросах «что действовало тогда и почему».

Контроль: Обычный chunk RAG на тех же документах и модели.

Успех: Больше ответов с правильной датой, основанием и источником без ложных обобщений.

Сигнал отказа: Граф выдаёт отменённую политику как текущую или теряет исключение.

До самостоятельной рекомендации: Нужны temporal schema, pin Graphiti и проверяемая разметка связей.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/C09.md

Первоисточники

• openclaw-dreaming · OpenClaw документирует light/REM/deep фазы и записи в MEMORY.md.

  Не подтверждает: Улучшение точности, безопасное забывание и откат в конкретной конфигурации.

  SHA-256 снимка: e5a804292b7ec5799f4234eeb48938d3408fe2e6f354d2cd79a6d02b1f52688b

• mem0-dream · Mem0 describes background synthesis separately from merge/supersede.

  Не подтверждает: Actual weekly run or quality gain in our environment.

  SHA-256 снимка: 8b6f68fd154fb0c259f3acc11d33dd2118eac2d1b6a998ae6629d85b552e7160

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Mem0 merge/supersede и weekly synthesis — разные стадии; без подтверждённого запуска нельзя приписать изменение Dream.

Следующее действие: Сначала установить, был ли наблюдаемый запуск фоновой консолидации и какие записи она меняет; без этого качество и забывание оставить неизвестными.

Когда остановиться: Нет наблюдаемого eligible/run — остановить сравнение как not-run/inconclusive; после подтверждённого run остановить на потере исключения, падении правильности отложенных ответов или неудачном удалении canary.

Необязательный план опыта

Вход: На синтетических воспоминаниях с противоречиями, исключениями, source IDs и canary сравнить 30 заранее отложенных ответов до и после подтверждённого фонового run; отдельно наблюдать Mem0 merge/supersede при extraction и deep-фазу OpenClaw, затем проверить поддерживаемое удаление canary.

Контроль: Тот же корпус без консолидации; отдельно сравнить Mem0 extraction-stage merge и background synthesis.

Успех: После подтверждённого run точность на отложенных вопросах не ниже исходной, новых ложных обобщений нет, исключения и source IDs сохранены; canary не возвращаются из поддерживаемого поиска и производных записей после удаления.

Сигнал отказа: Только при подтверждённом run: потеря исключения, снижение правильности отложенных ответов, ложное обобщение или canary после проверяемого удаления. Если run/eligibility не подтверждены — статус not-run/inconclusive, не отрицательный результат эффективности.

До самостоятельной рекомендации: Нужны pin OpenClaw, наблюдаемый Mem0 run и проверяемая операция удаления; до этого результат неизвестен.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/C10.md

Первоисточники

• thinking · Документирует управление режимом рассуждения и его ограничения для поддерживаемых моделей.

  Не подтверждает: Не доказывает монотонного роста качества, окупаемости или переносимости параметра между моделями.

  Наблюдалось: 2026-10-16T14:41:10.955726+00:00

  SHA-256 снимка: 9647ae27f8ec11a77e3e0cd3bfb60469e0ef6ef8989bed2fec6e8c946a420cdd

• terminalbench · Даёт публичный корпус терминальных задач как возможный внешний ориентир.

  Не подтверждает: Публичный benchmark не заменяет скрытый корпус задач команды и не доказывает влияние бюджета.

  Наблюдалось: 2026-10-16T14:41:13.110563+00:00

  SHA-256 снимка: 30d274eaf35d6a973208f7603bd35ca0427c8170fa6372c2f7333f7442d2d0c9

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Поведение настройки и тарификация могут отличаться по моделям и версиям; публичный набор задач подвержен загрязнению.

Следующее действие: Сейчас выписать из документации доступные режимы для своей модели и цену каждого; затем на бесплатном/разрешённом малом корпусе сравнить три бюджета.

Когда остановиться: Оставить меньший бюджет, если качество на скрытом наборе не улучшается при установленном лимите цены и p95.

Необязательный план опыта

Вход: 30 задач реального класса работ с заранее замороженными скрытыми проверками; три разрешённых значения бюджета и одинаковые инструменты.

Контроль: Одна и та же закреплённая модель с минимальным бюджетом и без иных изменений; порядок задач рандомизировать.

Успех: Повышать бюджет лишь при устойчивом выигрыше качества, оправдывающем установленный до опыта лимит цены/времени.

Сигнал отказа: Откатить режим, если растут стоимость/задержка без выигрыша или появляются новые классы ошибок.

До самостоятельной рекомендации: Нет парного измерения качества, цены и задержки для закреплённой модели на скрытом корпусе; поэтому нельзя присвоить орбиту воспроизведения или рекомендовать повышенный бюджет.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M01.md

Первоисточники

• llamacpp · Показывает локальный inference и поддерживаемые форматы/окружения проекта.

  Не подтверждает: Не устанавливает качество выбранных весов и отсутствие сетевых обращений всей обвязки.

  Наблюдалось: 2026-10-16T14:41:11.796479+00:00

  SHA-256 снимка: 2f676fe4d5f1cf858eec1899a6d5d0d41a8d88ac065bdf67568e96330e13e26e

• mlx · Показывает локальный inference на Apple Silicon и доступные механизмы запуска.

  Не подтверждает: Не доказывает совместимость с иным оборудованием или применимость к корпусу пользователя.

  Наблюдалось: 2026-10-16T14:41:11.850084+00:00

  SHA-256 снимка: 3f1f254cf21d42394e62668d29879398aef4320b67e3ba92612ac425c6757d45

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Локальность исполнения не равна приватности: телеметрия и загрузка моделей требуют отдельной проверки.

Следующее действие: Сейчас сверить лицензию весов, совместимость целевого устройства и требование офлайн-режима; затем испытать один узкий корпус.

Когда остановиться: Не переносить задачу локально, если модель проваливает критические случаи, лицензию или требование работы без сети.

Необязательный план опыта

Вход: Закреплённые открытые веса, 100 размеченных запросов одной узкой задачи и два целевых устройства; проверить лицензии.

Контроль: Сопоставимый облачный API и простые правила; одинаковая инструкция, формат ответа и скрытый тест.

Успех: Локальный вариант проходит заранее заданный порог ошибок и памяти, выполняется без сети в требуемой среде.

Сигнал отказа: Остановить внедрение при неприемлемых критических ошибках, скрытом сетевом доступе или несоответствии лицензии.

До самостоятельной рекомендации: Не выбраны лицензированные веса и целевое устройство; без офлайн-проверки и ошибок на своём корпусе нельзя рекомендовать локальный вариант.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M02.md

Первоисточники

• vllm-serving · Описывает варианты tensor/pipeline parallelism и масштабирования serving.

  Не подтверждает: Не измеряет p95, отказоустойчивость или цену нашей нагрузки.

  Наблюдалось: 2026-10-16T14:41:11.698309+00:00

  SHA-256 снимка: caa17227fcca3fdd7f61b92145785242974c04aad2676e303242da3b0614d752

• llamacpp · Показывает альтернативный локальный/серверный движок для сравнения.

  Не подтверждает: Не делает любой открытый вес свободным от лицензионных условий.

  Наблюдалось: 2026-10-16T14:41:11.796479+00:00

  SHA-256 снимка: 2f676fe4d5f1cf858eec1899a6d5d0d41a8d88ac065bdf67568e96330e13e26e

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Бенчмарк движка без данных о простаивающих мощностях и работе оператора занижает стоимость.

Следующее действие: Сейчас посчитать профиль запросов, idle-время, стоимость GPU и дежурства против счёта API; разворачивать тестовый сервер лишь при правдоподобном пороге окупаемости.

Когда остановиться: Не запускать собственный serving, если полная стоимость с простоем/дежурством или p95 хуже согласованного API-порога.

Необязательный план опыта

Вход: Закреплённые модель/веса, 1–2 профиля GPU и запись обезличенной нагрузки с короткими/длинными запросами.

Контроль: Тот же корпус через существующий API и, если уместно, второй локальный runtime; одинаковые критерии качества.

Успех: Сервер проходит минимальный порог качества/SLO и даёт полную стоимость на прогнозируемом объёме ниже утверждённого порога.

Сигнал отказа: Откатить при нарушении SLO, неверной лицензии или необеспеченном обновлении/изоляции.

До самостоятельной рекомендации: Нет закреплённой модели, GPU, профиля нагрузки и полной эксплуатационной стоимости; документация serving не подтверждает выгоду собственной инфраструктуры.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M03.md

Первоисточники

• llamacpp · Репозиторий содержит механизмы квантованного inference и форматы.

  Не подтверждает: Не доказывает, что выбранная разрядность сохраняет качество нашей задачи.

  Наблюдалось: 2026-10-16T14:41:11.796479+00:00

  SHA-256 снимка: 2f676fe4d5f1cf858eec1899a6d5d0d41a8d88ac065bdf67568e96330e13e26e

• mlx · Документирует квантованное локальное исполнение на Apple Silicon.

  Не подтверждает: Не показывает эффект на другом железе или в нашем tool-use сценарии.

  Наблюдалось: 2026-10-16T14:41:11.850084+00:00

  SHA-256 снимка: 3f1f254cf21d42394e62668d29879398aef4320b67e3ba92612ac425c6757d45

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Разные квантованные артефакты могут различаться не только разрядностью; проверять происхождение весов.

Следующее действие: Сейчас проверить происхождение исходных и квантованных весов и выбрать редкие критические кейсы; затем провести парный тест.

Когда остановиться: Остаться на исходных весах при критической регрессии качества или несоответствии происхождения квантованного файла.

Необязательный план опыта

Вход: Одна закреплённая модель в исходном и двух квантованных форматах; 100 обычных и 30 критичных редких кейсов.

Контроль: Исходная точность той же модели на том же устройстве и с тем же prompt; слепая проверка результата.

Успех: Принимать формат только если выигрыш ресурса значим по заранее заданному порогу, а критические ошибки не ухудшились.

Сигнал отказа: Вернуться к исходным весам при хотя бы одной недопустимой критической регрессии или нечестном сравнении моделей.

До самостоятельной рекомендации: Не измерены регрессии той же модели после квантования, включая редкие критичные случаи; размер файла сам по себе не подтверждает пригодность.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M04.md

Первоисточники

• vllm-cache · Описывает механизм кеширования общих префиксов, повторный доступ и его пределы.

  Не подтверждает: Не доказывает ускорение decode, выигрыш при длинных ответах или безопасность произвольной многопользовательской конфигурации.

  Наблюдалось: 2026-10-16T14:41:11.559905+00:00

  SHA-256 снимка: 8fa9212fea8531d3a4b0f7af8d989d543c23e66996417395a6711b43c9fe0882

• Первоисточник · Описывает хеширование блоков и cache_salt как механизм разграничения повторного использования KV.

  Не подтверждает: Не подтверждает изоляцию конкретной версии сервера без теста cache-hit и timing.

  Наблюдалось: 2026-10-17

• mlx · MLX-LM показывает другой путь работы с prefix cache в локальном стеке.

  Не подтверждает: Не делает результаты vLLM переносимыми на MLX-LM без отдельного опыта.

  Наблюдалось: 2026-10-16T14:41:11.850084+00:00

  SHA-256 снимка: 3f1f254cf21d42394e62668d29879398aef4320b67e3ba92612ac425c6757d45

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: По документации vLLM APC ускоряет prefill, а не decode; особенно слабый эффект ожидаем при длинном ответе или отсутствии общего префикса. Изоляцию арендаторов нужно проверить отдельно.

Следующее действие: Сейчас оценить по обезличенным логам долю запросов с одним длинным префиксом; только при заметной доле измерять APC на закреплённой версии.

Когда остановиться: Не включать многопользовательский APC, если cache_salt/метрики недоступны, обнаружен межарендаторный hit/timing-сигнал или нагрузка не разделяет длинный префикс.

Необязательный план опыта

Вход: Закрепить vLLM/model/tokenizer, два синтетических tenant и длинный одинаковый начальный prompt. Для каждого salt сделать cold и warm запросы с одинаковым префиксом; логировать hit/miss, TTFT и p50/p95.

Контроль: С тем же salt изменить первый блок префикса (ожидаем отсутствие reuse), затем поздний блок (возможен частичный reuse); повторить общий префикс с другим tenant salt. Сравнить timing distribution и cache-hit второго tenant с холодным baseline, не ограничиваясь поиском секретной строки в ответе.

Успех: Для одного salt warm shared-prefix даёт ожидаемое повторное использование и измеримый TTFT-эффект; другой salt не даёт межарендаторного cache-hit или различимого timing-сигнала в границах заранее выбранной чувствительности.

Сигнал отказа: Межарендаторный hit/timing-сигнал или отсутствие ожидаемой разницы cold/warm; отсутствие счётчиков/salt-support делает проверку изоляции inconclusive, а не успешной.

До самостоятельной рекомендации: Нет измерения доли совпадающих префиксов, TTFT и изоляции арендаторов на закреплённой версии; из механизма кеша не следует выигрыш или безопасное применение.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M05.md

Первоисточники

• litellm · Описывает маршрутизацию, fallback и retry-механизмы gateway.

  Не подтверждает: Не гарантирует одинаковое качество, совместимость JSON/tool semantics или идемпотентность действий.

  Наблюдалось: 2026-10-16T14:41:11.912189+00:00

  SHA-256 снимка: c3921f9039e39aa5cf16521c27fb81eade74c56ceeea51b7eaab0349110f9f3c

• agents-patterns · Anthropic объясняет паттерны разбиения агентного процесса.

  Не подтверждает: Не является тестом конкретного маршрутизатора и не задаёт политику наших отказов.

  Наблюдалось: 2026-10-16T14:41:10.519239+00:00

  SHA-256 снимка: a445de8adaf8cbb428e9251a868a75cc30d7d3080bafcf226323570e1284fd6f

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: LiteLLM управляет модельными запросами, не исполнением инструмента приложения. Дублирование committed effect зависит от agent loop, retry policy и sink; потерянный ACK требует честного unknown.

Следующее действие: Если в продукте есть model fallback, сначала отметить read-only и неидемпотентные операции и изучить текущую retry-политику; запрет или отдельный контроль для побочных эффектов решать по фактическому executor и ledger.

Когда остановиться: Не включать fallback для side-effect workflow без устойчивого idempotency key, ledger и процедуры сверки unknown; отдельный read-only fallback можно оценивать независимо.

Необязательный план опыта

Вход: Синтетический agent loop с двумя закреплёнными backend и отдельным tool executor: 20 задач, ledger каждого tool intent, каждой попытки и каждого committed effect. Инъецировать отказ модели до ответа, после частичного ответа, после tool intent и потерю ACK после commit.

Контроль: Тот же agent loop без model fallback; тот же tool executor, idempotency key и сценарии отказа. Не смешивать retry модельного API с повтором вызова tool.

Успех: Fallback улучшает доступность модельного шага при соблюдении лимитов; для side effect ledger показывает не более одного committed effect на intent, а lost ACK остаётся unknown до сверки.

Сигнал отказа: Router меняет критический смысл/формат; tool executor выполняет второй commit либо скрывает unknown после потери ACK.

До самостоятельной рекомендации: Не испытаны fallback после таймаута и побочных эффектов и семантика двух закреплённых моделей; наличие маршрутизатора не доказывает безопасный перенос.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M06.md

Первоисточники

• sglang-structured · Документирует режимы структурированного вывода и ограничения формата.

  Не подтверждает: Не доказывает истинность значений или прохождение бизнес-инвариантов.

  Наблюдалось: 2026-10-16T14:41:11.760864+00:00

  SHA-256 снимка: 660e01ac8de5722717be26f55f49b0a50bf9de3d0c0fd6a993bbe7786c2b0693

• mcp-tools · MCP tools задаёт отдельный контракт структурированного результата инструмента.

  Не подтверждает: Не подтверждает качество генерации SGLang и не заменяет валидацию значения.

  Наблюдалось: 2026-10-16T14:41:12.259724+00:00

  SHA-256 снимка: b7aeca963fa24bc12647967e2f0ea469d28fd1fa7b6ab26b9edfdac5abba0bb1

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Частичная поддержка схем и скрытые исправления/повторы зависят от runtime и требуют закрепления версии.

Следующее действие: Сейчас выписать отдельно JSON-схему и бизнес-инварианты своей интеграции; затем сравнить constrained вывод с обычным на небольшом корпусе.

Когда остановиться: Не считать валидный JSON основанием для автодействия, если смысловые ошибки не проходят отдельный порог.

Необязательный план опыта

Вход: 80 входов: обычные, отсутствующее поле, конфликтующие источники, неожиданные значения; заранее заданная схема и бизнес-инварианты.

Контроль: Та же модель без constrained decoding плюс поствалидация; одинаковый корпус и retry policy.

Успех: Режим полезен при снижении форматных отказов без роста семантических ошибок и задержки сверх заранее заданного бюджета.

Сигнал отказа: Откатить при ложной уверенности: схема проходит, но критически неверные значения становятся чаще.

До самостоятельной рекомендации: Не измерены одновременно соответствие схеме и правильность значений на закреплённом backend; нельзя превращать форматный контракт в оценку качества.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M07.md

Первоисточники

• paddleocr · Показывает компоненты распознавания и разбора документов.

  Не подтверждает: Не гарантирует точности на русских газетных полосах, таблицах и мелком шрифте.

  Наблюдалось: 2026-10-16T14:41:12.007926+00:00

  SHA-256 снимка: c5f73562e43685d771a6b6eb54f12b27cd815d6f1fe3ab297ea7cb0fdcea4488

• Первоисточник · Автор проекта описывает PaddleOCR-VL как vision-language pipeline для layout, текста, таблиц и reading order.

  Не подтверждает: Авторские benchmark и описание не доказывают точность на нашем PDF-корпусе.

  Наблюдалось: 2026-10-17

• browser-use · Показывает агентный путь чтения/действий в браузере.

  Не подтверждает: Не подтверждает правильность каждого извлечённого элемента или безопасность действия.

  Наблюдалось: 2026-10-16T14:41:12.756118+00:00

  SHA-256 снимка: df405ca6a9885bc80e10a10346c1909c71472a3f51b487408f7bf705abdddf58

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Один тип PDF не переносится на веб-интерфейсы. Авторские показатели PaddleOCR-VL — заявление проекта; browser-use относится к другой задаче и оценивается в I06.

Следующее действие: Если приходится разбирать двухколоночные PDF, сначала разметить несколько собственных страниц и сверить источник PaddleOCR-VL; только затем сравнивать его с OCR-only на одинаковых изображениях.

Когда остановиться: Оставить OCR-only или ручную проверку, если VL pipeline неверно связывает числа/таблицы или порядок чтения не улучшается на размеченных страницах.

Необязательный план опыта

Вход: 30 размеченных синтетических двухколоночных русскоязычных PDF-страниц с таблицами и сносками; кандидат — закреплённый PaddleOCR-VL-0.9B с layout detection, каждая страница подаётся как одно и то же изображение.

Контроль: OCR-only PaddleOCR на тех же page images без VL/layout interpretation; ручная разметка блоков, reading order и ячеек создана до запусков. Веб-действия и browser-use вынесены в I06.

Успех: Кандидат улучшает заранее выбранные reading-order/table метрики без роста критических выдуманных фактов и в пределах установленного времени обработки.

Сигнал отказа: Одинаковый/худший порядок чтения, ложные таблицы или потеря критического числа при более высокой цене/задержке.

До самостоятельной рекомендации: Для доказательной орбиты нужны закреплённые версии PaddleOCR-VL и OCR-only baseline, размеченные двухколоночные PDF и независимая проверка порядка чтения, таблиц, цены и задержки; документальная карточка доступна без опыта.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M08.md

Первоисточники

• vllm-spec · Описывает speculative decoding и варианты настройки в serving.

  Не подтверждает: Не гарантирует выигрыш для коротких агентных ответов или нашей нагрузки.

  Наблюдалось: 2026-10-16T14:41:11.597196+00:00

  SHA-256 снимка: 2073f477100b5c1b374402100a901ca09e024dd2aa2278fcceb3408315fef780

• vllm-serving · Показывает инфраструктурный контекст serving/parallelism.

  Не подтверждает: Не является прямым сравнительным экспериментом speculative режима.

  Наблюдалось: 2026-10-16T14:41:11.698309+00:00

  SHA-256 снимка: caa17227fcca3fdd7f61b92145785242974c04aad2676e303242da3b0614d752

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Ускорение токенов в синтетическом benchmark не равняется ускорению многошагового агентного workflow.

Следующее действие: Сейчас измерить распределение длин prompt/ответа и долю времени на decode; только при подходящем профиле планировать benchmark speculative режима.

Когда остановиться: Отключить speculative режим, если p95 полного агентного шага не улучшается или растут VRAM/ошибки.

Необязательный план опыта

Вход: Запись реальной смеси коротких tool calls и длинных ответов; закрепить target/draft веса и GPU.

Контроль: Тот же target без speculative режима, одинаковые concurrency и sampling параметры.

Успех: Оставить режим только для поднагрузок с повторяемым улучшением p95/стоимости без изменения результата сверх допуска.

Сигнал отказа: Откатить при ухудшении коротких ответов, дефиците VRAM или нестабильной tail latency.

До самостоятельной рекомендации: Нет парного профиля обычного и speculative serving на закреплённых весах и реальном распределении длин; механизм не устанавливает экономического выигрыша.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M09.md

Первоисточники

• trl · Описывает GRPO trainer и вычисление награды.

  Не подтверждает: Не доказывает качество обученного агента на скрытых задачах.

  Наблюдалось: 2026-10-16T14:41:12.048408+00:00

  SHA-256 снимка: 0443e9bd332ea9601b075244e77658886d15a2eaf514c72485bdbd4b0a3c024e

• lightning · Описывает инфраструктуру обучения агента по сигналу исполнения.

  Не подтверждает: Не является независимой эксплуатационной оценкой нашей задачи.

  Наблюдалось: 2026-10-16T14:41:12.084658+00:00

  SHA-256 снимка: 303dc1ca12597d29dea4a314aaa79a0002b51b6be955e143aba580c8614f9bdb

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Обучение дорого и требует строгого разделения данных; вендорские примеры не заменяют независимое воспроизведение.

Следующее действие: Сейчас описать функцию награды и скрытый тест до затрат на обучение; если их нельзя разделить, оставить тему в наблюдении.

Когда остановиться: Не обучать дальше, если reward растёт без улучшения скрытого теста и human rubric либо падает безопасность инструмента.

Необязательный план опыта

Вход: Заморозить скрытый тест и 20 adversarial случаев до обучения; synthetic задачи с проверяемой наградой и отдельным human rubric.

Контроль: Исходный агент без обучения, тот же бюджет и инструменты; отдельный rule-based baseline.

Успех: Продолжать только если скрытый тест и human rubric улучшаются без роста критических ошибок; критерии установить до запуска.

Сигнал отказа: Остановить при reward hacking, утечке скрытого теста или ухудшении безопасности инструмента.

До самостоятельной рекомендации: Нет скрытого набора и независимой human-оценки после обучения; успех по видимой награде не даёт основания для орбиты воспроизведения.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/M10.md

Первоисточники

• jev-launch · Анонсирует System One/Jev и приводит авторские сравнения скорости/цены.

  Не подтверждает: Вендорские сравнения не являются независимой проверкой эффективности или калибровки.

  Наблюдалось: 2026-10-16T15:24:14.427143+00:00

  SHA-256 снимка: 71b8ae6a6a0d80511d6c6b6796a5d541dca1f629d54697b900c5ffe7a8c3bf10

• jev-docs · Описывает typed questions и возвращаемые значения/вероятности.

  Не подтверждает: Тип ответа сам по себе не доказывает правильность выбора на смещённом корпусе.

  Наблюдалось: 2026-10-16T15:24:14.432512+00:00

  SHA-256 снимка: 75746b82d1678fc99948b5efdaf9ec43e5a11f0837a8105998f4172375a3a018

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Две страницы TypeSafe — одна линия; независимых опытов и закреплённого backend пока нет.

Следующее действие: Сейчас сравнить контракт typed questions с простыми правилами и LLM JSON на бумаге; платный тест запускать только при доступе, разрешённом бюджете и замороженном скрытом корпусе.

Когда остановиться: Не выбирать Jev по авторскому benchmark, если нет закреплённого backend или калибровка/риск на скрытом корпусе хуже правил.

Необязательный план опыта

Вход: 200 синтетических задач маршрутизации в пять классов, 50 shifted кейсов, заранее скрытый test и разрешённая тестовая учётная запись.

Контроль: LLM со схемой и простые правила; одинаковые входы, abstention policy и лимит стоимости.

Успех: Рассматривать отдельную модель только при лучшем риске/стоимости на скрытом корпусе после заморозки порога abstain.

Сигнал отказа: Остановить при некалиброванных confidence, провале shifted кейсов или исчерпании заранее разрешённого бюджета.

До самостоятельной рекомендации: Доступна только одна авторская линия TypeSafe, без API-пина, независимого опыта и калибровки; обещания скорости и confidence нельзя принять как доказанный эффект.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/M11.md

Первоисточники

• Первоисточник · Контракт outputSchema/structuredContent и рекомендация текстового JSON для обратной совместимости.

  Не подтверждает: Согласованность двух представлений или совместимость всех клиентов.

• Внутренний исследовательский протокол · Восемь реальных локальных SDK-сценариев, включая приём несовпадающего текстового JSON.

  Не подтверждает: Работу через HTTP/stdio или поведение другого SDK/версии протокола.

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Caution для «MCP by default» · Совет выбирать MCP при реальной нужде в протокольной совместимости; не оценка нашего конкретного опыта с outputSchema.

Наш опыт: 8/8 локальных сценариев в одном процессе; корректный structuredContent с расходящимся текстовым JSON был принят проверенной парой SDK.

Протокол ограниченного опыта: Внутренний исследовательский протокол; публичная ссылка на него отсутствует.

Главное ограничение: Синтетический InMemoryTransport и авторский опыт не равны независимому внедрению; схема не проверяет смысл результата.

Следующее действие: Если MCP tool выдаёт structuredContent и текстовый JSON, сначала сверить существующий контракт и тесты на их согласованность; добавить контроль при обнаруженном пробеле и доступном владельце интеграции.

Когда остановиться: Не полагаться на outputSchema как на проверку смысловой согласованности, если клиент молча принимает разный text и structuredContent.

Необязательный план опыта

Вход: Один tool с outputSchema, совпадающим и намеренно расходящимся structuredContent/text JSON; отдельно HTTP/stdio и второй клиент на закреплённых версиях.

Контроль: Схема и значения без дублирующего текстового представления; тот же клиент и сервер.

Успех: Клиент явно обнаруживает несогласованность двух представлений и не принимает неверное значение как успешное действие.

Сигнал отказа: Любой клиент молча принимает расходящиеся значения либо теряет isError/cancellation.

До самостоятельной рекомендации: Локальные 8/8 сценариев относятся лишь к MCP 2025-11-25, SDK 2.0.0 и InMemoryTransport; для более широкой орбиты нужны проверка артефакта редактором и другие клиенты/транспорты.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I01.md

Первоисточники

• mcp-auth · Задаёт протокольные требования к авторизации удалённого MCP.

  Не подтверждает: Не определяет минимальные права конкретного приложения и не гарантирует изоляцию пользователей.

  Наблюдалось: 2026-10-16T14:41:12.343208+00:00

  SHA-256 снимка: 73114ce8df7e861518d8db1c84b713cde137a0ff2b17496107b8e247e9b88c92

• owasp-injection · OWASP объясняет prompt injection как угрозу в недоверенном содержимом.

  Не подтверждает: Не измеряет безопасность нашей OAuth-конфигурации.

  Наблюдалось: 2026-10-16T14:41:13.145681+00:00

  SHA-256 снимка: f73eb706a9fe61bf85e695a8acae15da3d4ee65a5def9ebe88bbddbb0209f4c6

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: OAuth доказывает процедуру получения токена, а не корректную авторизацию ресурса; нужен аудит policy.

Следующее действие: Сейчас составить таблицу пользователь–scope–tool и ожидаемых отказов; подключать remote MCP только после негативных тестов.

Когда остановиться: Отключить удалённый tool при принятии чужого/просроченного токена, расширенного scope или неатрибутируемом действии.

Необязательный план опыта

Вход: Тестовый remote MCP с двумя пользователями, двумя scopes, просроченным/чужим токеном и вредоносным tool output.

Контроль: Прямой вызов API под теми же принципалами; таблица ожидаемых разрешений подготовлена заранее.

Успех: Принять лишь если все отрицательные сценарии отказывают и журнал связывает действие с правильным субъектом.

Сигнал отказа: Отключить remote MCP при privilege escalation, принятии чужого токена или неатрибутируемом действии.

До самостоятельной рекомендации: Нет матрицы scope/audience и отрицательных тестов двух пользователей на конкретном сервере; стандарт OAuth не подтверждает least privilege реализации.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I02.md

Первоисточники

• a2a · Описывает discovery, lifecycle задачи, сообщения и артефакты.

  Не подтверждает: Не доказывает семантическую совместимость двух конкретных реализаций.

  Наблюдалось: 2026-10-16T14:41:12.602234+00:00

  SHA-256 снимка: c23f78af020ace1b35e4dd8af6b7c78d9a6a4bef50c91acd81a9a3407a2e6e40

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Без закрепления версии latest-документа изменение спецификации делает вывод невоспроизводимым.

Следующее действие: Сейчас закрепить версию A2A и выписать state transitions/артефакты из спецификации; затем проверить два независимых SDK.

Когда остановиться: Не использовать межагентную связку для действия с последствиями, если результат отмены скрывается либо статусы/артефакты расходятся с закреплённой спецификацией.

Необязательный план опыта

Вход: Зафиксировать неизменную версию A2A spec и две независимые SDK-версии; синтетическая задача с текстовым и файловым артефактом, проверяемыми hash, запросами отмены до/после начала выдачи.

Контроль: Прямой HTTP-контракт для той же задачи и отдельно таблица допустимых переходов/ответов отмены из выбранной pinned A2A spec.

Успех: Обе реализации соблюдают переходы закреплённого контракта, целостность артефактов и честно сообщают результат отмены: отказ/уже завершена могут быть допустимы, если так предусматривает spec.

Сигнал отказа: Незаконный по pinned spec переход, потерянный/дублированный артефакт или UI заявляет успешную отмену при фактически завершённой задаче.

До самостоятельной рекомендации: Не закреплены версия A2A и пара независимых реализаций; без сквозного теста lifecycle/артефактов нельзя заявить фактическую совместимость.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I03.md

Первоисточники

• acp · Описывает роль клиента и агента и направление протокольного обмена.

  Не подтверждает: Не гарантирует поддержку всех возможностей конкретным редактором.

  Наблюдалось: 2026-10-16T14:41:12.636738+00:00

  SHA-256 снимка: 0f8d62cf02d96d34a3904aa845d306741f9f96932e697cf6249329ffd7fdfcfb

• claude-code · Описывает возможности CLI/IDE агента как кандидат для сравнения клиентских режимов.

  Не подтверждает: Не является доказательством поддержки ACP этим продуктом; использовать лишь как контекст альтернативы.

  Наблюдалось: 2026-10-16T14:41:10.577569+00:00

  SHA-256 снимка: 88ffea5e5e0edff179e042e40c7a4b1306e73616ed32031549c6b1bd95067b2b

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: ACP не следует смешивать с A2A: протоколы решают разные границы взаимодействия.

Следующее действие: Сейчас проверить, поддерживают ли два нужных редактора одну ревизию ACP и требуемые permissions; только потом запускать interop-тест.

Когда остановиться: Не объявлять ACP переносимым, если второй клиент теряет разрешение, часть diff или состояние сессии без явной ошибки.

Необязательный план опыта

Вход: Один ACP-агент и два независимых поддерживающих клиента; тестовый репозиторий с правкой, отказом разрешения и прерыванием.

Контроль: Стабильный клиент агента как baseline; одинаковые задания и git snapshot.

Успех: Считать переносимым лишь покрытый общий поднабор функций с эквивалентным результатом и явным отказом в непокрытых случаях.

Сигнал отказа: Вернуться к исходному клиенту при молчаливой потере разрешений, контекста или правок.

До самостоятельной рекомендации: Не названы два клиента с подтверждённой поддержкой одного ACP revision; документация протокола не доказывает переносимость правок и разрешений.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I04.md

Первоисточники

• agui · Документирует события и связь между агентом и UI.

  Не подтверждает: Не гарантирует exactly-once исполнение tool call или автоматическое восстановление состояния.

  Наблюдалось: 2026-10-16T14:41:12.747915+00:00

  SHA-256 снимка: 1255bdc1c696da0ccdc4a29a7630685a0cfbcf2a9a820019bf4a63b5fce379e4

• langgraph-interrupt · Документирует pause/resume и оговорки о повторном исполнении при interrupts.

  Не подтверждает: Не является прямым тестом AG-UI транспорта.

  Наблюдалось: 2026-10-16T14:41:11.113063+00:00

  SHA-256 снимка: 402db160d8f555ef90fc1f5423b781c91ae2f80e73d073bf9f965ec3d7dcd670

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: События UI не являются источником истины о серверном действии; нужен durable journal.

Следующее действие: Сейчас назначить backend journal источником истины и перечень неоднозначных UI-состояний; затем испытать reconnect на макете.

Когда остановиться: Не считать поток надёжным для действий с последствиями, если попытки вызова не видны отдельно от commit или UI показывает завершение без backend подтверждения.

Необязательный план опыта

Вход: AG-UI клиент и агент на закреплённых версиях; синтетический tool пишет committed effect в idempotent ledger, отдельный append-only счётчик записывает каждую попытку вызова, включая подавленные дубли. Оборвать UI до/после tool-call и ACK.

Контроль: Polling UI того же backend и authoritative journal; одинаковые сценарии обрыва и idempotency key.

Успех: UI восстанавливает статус из backend journal, не объявляет unknown завершённым; ledger не содержит второго commit, а счётчик попыток показывает, были ли скрытые idempotency-дубли.

Сигнал отказа: Ложный complete, второй committed effect или скрытая повторная попытка tool call, даже если idempotent sink не дал второго commit.

До самостоятельной рекомендации: Нет durable журнала и испытания reconnect вокруг tool call; поток событий сам по себе не подтверждает корректность состояния UI после обрыва.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I05.md

Первоисточники

• browser-use · Показывает агентный подход к действиям в браузере.

  Не подтверждает: Не подтверждает безопасность или успешность на конкретном сайте.

  Наблюдалось: 2026-10-16T14:41:12.756118+00:00

  SHA-256 снимка: df405ca6a9885bc80e10a10346c1909c71472a3f51b487408f7bf705abdddf58

• playwright · Документирует детерминированные браузерные тесты и локаторы.

  Не подтверждает: Не доказывает, что фиксированный сценарий лучше при каждом изменении DOM.

  Наблюдалось: 2026-10-16T14:41:12.784903+00:00

  SHA-256 снимка: 8ccc85695296517478137ba6c7a0287840256e7d95d396d88e3d69068032acc3

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Тестовый сайт не заменяет условия реального сайта, особенно CAPTCHA, auth и изменения политики.

Следующее действие: Сейчас перечислить действия с побочным эффектом и текущие Playwright-локаторы; агентный режим проверить сперва на read-only копии интерфейса.

Когда остановиться: Вернуться к явному сценарию и подтверждению человеком при любом ошибочном клике с побочным эффектом.

Необязательный план опыта

Вход: Тестовый сайт с 20 задачами и контролируемыми изменениями DOM, модалками, 429 и ловушкой похожей кнопки.

Контроль: Playwright-сценарий с явными локаторами и одинаковым доступом; неизвестные изменения не подсказывать агенту.

Успех: Агентный режим допустим лишь при измеренном снижении ремонта без критически неверных действий и с подтверждением опасных шагов.

Сигнал отказа: Откатить при ложном успешном завершении или неверном side effect даже если общий success выше.

До самостоятельной рекомендации: Нет парного теста на одинаковом изменяемом UI с учётом ошибочных side effects; демо agent browser не подтверждает безопасное преимущество над скриптом.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I06.md

Первоисточники

• claude-code · Подтверждает терминальный/CLI режим Claude Code как пример доступной поверхности.

  Не подтверждает: Не определяет безопасный контракт произвольного нашего CLI wrapper, поведение empty exit-0 и состояние частичного внешнего эффекта.

  Наблюдалось: 2026-10-16T14:41:10.577569+00:00

  SHA-256 снимка: 88ffea5e5e0edff179e042e40c7a4b1306e73616ed32031549c6b1bd95067b2b

• agents-patterns · Объясняет агентный tool-use и необходимость контролировать инструменты.

  Не подтверждает: Не является экспериментом нашего CLI wrapper.

  Наблюдалось: 2026-10-16T14:41:10.519239+00:00

  SHA-256 снимка: a445de8adaf8cbb428e9251a868a75cc30d7d3080bafcf226323570e1284fd6f

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Машинный контракт и граница доверия — требования нашего приложения, а не обещания Claude Code overview; exit 0 сообщает статус процесса, но не факт нужного результата.

Следующее действие: Сейчас описать машинный формат результата, exit/timeout и allowlist для одного CLI; затем прогнать набор отрицательных fixtures.

Когда остановиться: Убрать CLI из allowlist, если wrapper скрывает empty result/unknown effect, повторяет команду после timeout без идемпотентности или слушается инструкции из вывода.

Необязательный план опыта

Вход: Тестовая CLI-команда с success JSON, stderr warning, exit 1, timeout после частичного ledger effect, malformed JSON, empty stdout при exit 0 и synthetic prompt injection в stdout/stderr.

Контроль: Программный вызов той же операции без агентного парсинга и wrapper со строгой схемой результата; зафиксировать ожидаемый контракт каждого сценария.

Успех: Wrapper однозначно различает process success и наличие валидного результата; empty exit-0 не считается выполненной задачей, partial effect после timeout остаётся unknown до сверки, инъекция игнорируется.

Сигнал отказа: Пустой exit-0 принят как готовый результат, неизвестный частичный эффект повторён автоматически или stdout изменил задачу агента.

До самостоятельной рекомендации: Нет закреплённого wrapper и набора отрицательных CLI fixtures для exit, timeout и инъекции в stdout; существование CLI не доказывает его безопасность как tool.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I07.md

Первоисточники

• mcp-registry · Описывает реестр и его метаданные для обнаружения MCP-серверов.

  Не подтверждает: Не доказывает, что endpoint жив, безопасен или поддерживает все объявленные возможности.

  Наблюдалось: 2026-10-16T14:41:12.402439+00:00

  SHA-256 снимка: 10d7aefb053a48cf8755ab1e051f71a27ed03307b9473c94ed005fc927bf396d

• mcp-tools · Задаёт контракт list/call tools и structured results для проверки выбранного сервера.

  Не подтверждает: Не удостоверяет содержимое сторонней записи каталога.

  Наблюдалось: 2026-10-16T14:41:12.259724+00:00

  SHA-256 снимка: b7aeca963fa24bc12647967e2f0ea469d28fd1fa7b6ab26b9edfdac5abba0bb1

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: Каталог и сервер могут меняться независимо; проверка одной выборки быстро устаревает.

Следующее действие: Сейчас использовать registry только как список кандидатов и сверить identity/version/scopes одного сервера перед подключением; затем автоматизировать выборочную проверку.

Когда остановиться: Не предлагать сервер к подключению при расхождении identity/schema, недоступном endpoint или неизвестных полномочиях.

Необязательный план опыта

Вход: Замороженная случайная выборка 30 публичных записей с явно доступными тестовыми endpoint; фиксировать дату/commit registry.

Контроль: Ручной curated список известных серверов как baseline; одинаковый клиент и версия протокола.

Успех: Использовать каталог для выбора кандидатов, если проверка capability явно отделена от метаданных и не допускает side effects.

Сигнал отказа: Отключить запись при расхождении identity/schema, неожиданном доступе или опасном tool без подтверждения.

До самостоятельной рекомендации: Нет замороженной выборки registry и живой проверки handshake/list/call; метаданные каталога не являются свидетельством работоспособности сервера.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/I08.md

Первоисточники

• Первоисточник · Форматы отчёта и способы остановить CI по результатам eval.

  Не подтверждает: Чувствительность нашего набора к реальным дефектам.

Внешний контекст

Thoughtworks Technology Radar · 2023-09-27 · Assess для promptfoo; запись историческая, не в текущем выпуске · Показывает внешнюю экспертную оценку инструмента на дату записи, а не актуальный статус версии 2026 года.

Наш опыт: Не проводился.

Главное ограничение: Меняющийся вместе с кодом корпус, стохастика и повторы могут дать ложный зелёный или ложный отказ.

Следующее действие: Сопоставить documented fail semantics promptfoo с перечнем уже известных продуктовых регрессий; отметить непокрытые классы и решить, нужен ли сначала информационный CI-отчёт.

Когда остановиться: Не включать блокирующий gate, если ложные остановки или пропуск инъецированной ошибки не измерены.

Необязательный план опыта

Вход: 40 synthetic tasks with pinned inputs, prompt, provider and corpus; inject a known regression in one task class.

Контроль: Unchanged baseline and hidden cases, repeated with identical CI configuration.

Успех: Injected regression consistently blocks CI while baseline passes; report false blocks.

Сигнал отказа: Regression passes or unchanged baseline fails without an explained nondeterministic cause.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q01.md

Первоисточники

• terminalbench · Задачи терминальной среды.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.110563+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 30d274eaf35d6a973208f7603bd35ca0427c8170fa6372c2f7333f7442d2d0c9

• swebench · Оценивание исправления задач; не оценка всей работы разработчика.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.062220+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 95d05f0a1791f30021bc1374d62172e65039ca77abc62cef46ca02b998e4bcf6

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: публикуемые таблицы зависят от harness, модели и набора задач; нельзя переносить их на наш репозиторий без воспроизведения. Траектория полезна для объяснения ошибки, но oracle должен включать файлы, тесты и тестовый ledger внешних действий.

Следующее действие: Открыть по одной публичной задаче и verifier из Terminal-Bench и SWE-bench; выписать, какие исходы они принимают и какие эффекты остаются вне oracle вашей задачи.

Когда остановиться: Не считать leaderboard или правдоподобную траекторию достаточным доказательством принятой задачи.

Необязательный план опыта

Вход: Ten pinned Terminal-Bench and ten pinned SWE-bench tasks; record trace, diff, independent tests and synthetic side-effect ledger.

Контроль: Compare trace-only verdict with file/test/effect oracle under identical model, harness and budget.

Успех: Classify all four combinations of apparent trace success and actual task success, with discordance rate.

Сигнал отказа: Trace success is treated as task success despite wrong patch or unwanted external effect.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q02.md

Первоисточники

• Первоисточник · Faithfulness проверяет, поддерживается ли утверждение ответа предоставленным контекстом.

  Не подтверждает: Истинность предоставленного контекста в мире, предпочтение ответа или качество нашей человеческой рубрики.

  Проверка: exact-page-live-reviewed-2026-10-17; no saved body hash

• agents-patterns · Базовые архитектурные паттерны; историческая публикация2024, не свежий анонс.

  Не подтверждает: Калибровку Ragas Faithfulness или парного LLM-судьи; это общий инженерный контекст.

  Наблюдалось: 2026-10-16T14:41:10.519239+00:00

  Проверка: http-body-observed

  SHA-256 снимка: a445de8adaf8cbb428e9251a868a75cc30d7d3080bafcf226323570e1284fd6f

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: судья может предпочитать собственный стиль/модель, реагировать на порядок ответов и неверный контекст. Нельзя использовать его оценки как редакционную подпись Радара. Агентные паттерны Anthropic обсуждают проверки, но не калибруют нашего судью.

Следующее действие: На нескольких уже имеющихся примерах разметить отдельно поддержку ответа контекстом, истинность в мире и пользовательское предпочтение; записать рубрику и спорные случаи без запуска судьи.

Когда остановиться: Не применять score как gate, если он не калиброван на held-out и зависит от порядка/стиля.

Необязательный план опыта

Вход: Для 80 пар ответов получить от двух независимых людей три разные метки: поддержка утверждений данным контекстом, истинность проверяемых фактов в мире и предпочтение ответа по заданному rubric. Спорные метки согласовать до запуска судьи.

Контроль: Слепая проверка поддержки контекстом отдельно от A/B и B/A предпочтения; включить заведомо ложный контекст, при котором ответ может быть faithful, но фактически ложным; вторую модель судьи использовать как sensitivity check.

Успех: На held-out отдельно сообщить agreement по поддержке контекстом, world-truth ошибкам и предпочтению, а также порядок-зависимость и частоты расхождений; ни одну метрику не подменять другой.

Сигнал отказа: Faithfulness назван правдой о мире либо перестановка парного судьи объявлена проверкой контекстной поддержки без отдельных меток.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q03.md

Первоисточники

• otel · Текущий репозиторий GenAI semantic conventions, на который перенаправляет документация OpenTelemetry.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:45:20.362385+00:00

  Проверка: registry-http-body-observed

  SHA-256 снимка: 1a79bc8b0dd4410585d29fe8084dbfda1f6ab8de4ba095a38d5f09a7effee4c2

• langfuse-otel · Langfuse документирует приём OTel traces.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:53:02.456481+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 510f16f7d395b3321566597f034e9e7a185aec17b724da0a1ee08adf8c3ec4df

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: schema/version drift может разорвать сопоставимость, а стоимость зависит от тарифной таблицы, не только от token count. Данные prompt/tool result в span требуют редактирования до экспорта; один post-hoc UI-фильтр недостаточен.

Следующее действие: По текущим документам составить список нужных span fields, чувствительных атрибутов и совместимых экспортёров; отметить отсутствующее правило редактирования до отправки.

Когда остановиться: Отключить экспорт чувствительных payload, если редактирование не работает до отправки.

Необязательный план опыта

Вход: A synthetic request invoking model, MCP and shell, with canary secrets in input/tool output.

Контроль: Pin semconv, SDK, collector, exporter and tariff; compare exported trace with independent event ledger and fail collector.

Успех: One reconstructable trace with correct parentage and no canary in exported data; declared failure policy observed.

Сигнал отказа: Missing spans, wrong ancestry, canary exposure or unaccounted collection failure.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q04.md

Первоисточники

• stryker · Mutation testing проверяет чувствительность тестов.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.135427+00:00

  Проверка: http-body-observed

  SHA-256 снимка: cfc6a1aac9bc2a214e26027f6ddd1f9748aeb180199f69ba0e441cc5719bc542

• tw-feedback · Исполнимая обратная связь для агента.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.221226+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 578181bbb012c026fe703877dcb69c88b4101249151947d355111d6c525178eb

Внешний контекст

Thoughtworks Technology Radar · · · Рекомендация пробовать feedback sensors; не результат нашего mutation-теста.

Наш опыт: Не проводился.

Главное ограничение: surviving mutant может быть эквивалентным исходной программе или вне значимого пути; процент mutation score без ручной классификации вводит в заблуждение. Нельзя запускать мутатор на production-сервисе, только на изолированной копии.

Следующее действие: Выбрать одну критическую ветвь в существующем коде и проверить вручную, какое имеющееся утверждение теста обнаружит инверсию условия; mutation run оставить возможной последующей проверкой.

Когда остановиться: Не объявлять suite надёжной, если хотя бы один критичный known fault остаётся зелёным.

Необязательный план опыта

Вход: Five preselected Radar conditions, manually broken one at a time, then automated Stryker mutations on a fixed commit.

Контроль: Run original suite before/after each fault; classify equivalent mutants manually.

Успех: Each known critical fault is caught by a specific deterministic test; mutation cost and surviving mutants reported.

Сигнал отказа: Coverage remains green on a preselected critical fault or score is reported without mutant classification.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q05.md

Первоисточники

• owasp-injection · Недоверенные инструкции и границы полномочий.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.145681+00:00

  Проверка: http-body-observed

  SHA-256 снимка: f73eb706a9fe61bf85e695a8acae15da3d4ee65a5def9ebe88bbddbb0209f4c6

• mcp-auth · Авторизация; сам протокол не создаёт политику разрешений приложения.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:12.343208+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 73114ce8df7e861518d8db1c84b713cde137a0ff2b17496107b8e247e9b88c92

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: защита не сводится к поиску одной фразы; модель может ошибиться и без атаки, а отказ в запрещённом tool call не гарантирует отсутствия утечки в ответе. Реальных секретов/внешних адресов в опыте не использовать.

Следующее действие: Нарисовать путь от недоверенного документа/tool result до действия агента и фактической проверки полномочий сервисом; отметить каналы без границы и примеры OWASP.

Когда остановиться: Не расширять полномочия агента, если контроль недоверенного текста или service authorization даёт обход.

Необязательный план опыта

Вход: 30 benign and 20 adversarial synthetic documents/tool results, fictional canary and local sink.

Контроль: Same legitimate tasks and permissions with/without untrusted-content boundary; insufficient-scope control.

Успех: Forbidden calls and leaks are zero in scoped test while benign task success and false refusals are reported.

Сигнал отказа: Attack reaches tool/sink, canary leaks, or benign tasks fail under purported protection.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q06.md

Первоисточники

• Первоисточник · Документирован shell boundary и исключённые пути file tools/hooks/MCP.

  Не подтверждает: Эффективность всех границ исполнения в конкретной VM.

  Наблюдалось: 2026-10-16T16:24:18.849Z

  Проверка: http-body-observed

  SHA-256 снимка: 002a025c50e30877b78dc31ef38cdc972df1a2ee6f66040ed3872ea969f9e7ba

Внешний контекст

Thoughtworks Technology Radar · · · Внешнее мнение об изоляции; не подтверждение конкретной границы Claude Code.

Наш опыт: Не проводился.

Главное ограничение: Sandbox для shell не охватывает автоматически file tools, MCP и hooks; на другом OS/профиле вывод может измениться. VM создаёт внешнюю границу и не должна делить host mounts/секреты.

Следующее действие: Сверить включённые shell, file, MCP и hook пути с документацией sandbox и текущей конфигурацией; записать непокрытые пути без утверждения о фактическом enforce.

Когда остановиться: Остановить автономный запуск, если запрещённый shell-эффект проходит внутри VM, путь file/MCP/hook остаётся вне внешней изоляции либо возможен выход за границу VM.

Необязательный план опыта

Вход: Disposable offline VM; matrix of shell, file tools, mock MCP and hooks against allowed/forbidden paths and local endpoints.

Контроль: Sandbox on/off only inside VM, strict retry and excludedCommands observed separately, VM resource cap independent.

Успех: Declared deny paths fail, allowed controls work, and every execution path outside shell boundary is identified.

Сигнал отказа: Запрещённый эффект прошёл через настроенную границу shell sandbox даже оставаясь внутри VM; отдельно считать выход за VM как нарушение внешней границы. Пути file/MCP/hooks оценивать отдельно, не называя их shell sandbox escape.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/Q07.md

Первоисточники

• Первоисточник · Конфигурация и применение permission rules в Claude Code.

  Не подтверждает: Фактические отказы внешнего сервиса, TTL/отзыв токена или отсутствие утечек.

Внешний контекст

McKinsey · 2025 · Рекомендует ownership, надзор, контроль доступа и мониторинг для agentic AI · Общий управленческий контекст; не испытание Claude Code или нашей конфигурации.

Наш опыт: Не проводился.

Главное ограничение: Harness deny, отказ сервиса и журнал попыток — разные наблюдения; один успешный отказ не проверяет остальные границы.

Следующее действие: По конфигурации и документации перечислить issuer, scope, TTL, revocation и владельца audit для токена; явно отметить неизвестные каналы вывода.

Когда остановиться: Не выдавать боевые учётные данные при утечке canary, неполном audit или продолжении отозванного доступа.

Необязательный план опыта

Вход: Mock issuer/service with read and write scopes, expiry/revocation, synthetic tokens and exhaustive output-channel canaries.

Контроль: Compare harness allow/ask/deny, service authorization and redaction separately using attempt, decision and service ledgers.

Успех: Zero unauthorized effects or canary leaks; each attempt has consistent harness/service receipts, including post-revocation.

Сигнал отказа: Unauthorized write, missing audit event, continuing revoked access or unexamined output channel.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/Q08.md

Первоисточники

• Первоисточник · SLSA 1.2 описывает проверку artifact provenance по ожидаемой потребителем политике.

  Не подтверждает: Безопасность поведения содержимого навыка или полную цепочку доверия нашего verifier.

  Проверка: exact-page-live-reviewed-2026-10-17; no saved body hash

• owasp-supply · Риски цепочки поставки AI-компонентов.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:45:20.364264+00:00

  Проверка: http-body-observed

  SHA-256 снимка: f76d5f796f9f4b4d20e6a5f642ccf5d9a2d7898270b9233be7daa1e8cdfa7639

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Локальный synthetic adapter: 7/7 ожидаемых исходов на семи случаях; отдельно отклонены испорченная подпись и TOCTOU-подмена при повторном чтении. Официальный slsa-verifier 2.7.1 в сетевой VM: опубликованный артефакт принят, неверные source/tag/bytes отклонены; неизвестный builder отвергнут ранним выбором verifier. Это не продуктовая проверка навыка.

Протокол ограниченного опыта: Внутренний исследовательский протокол; публичная ссылка на него отсутствует.

Дополнительный протокол 1: Внутренний исследовательский протокол; публичная ссылка на него отсутствует.

Главное ограничение: Локальный Ed25519 adapter не удостоверяет реальный issuer; официальный verifier тестировал собственный публичный релиз через сетевой Sigstore. Подписанный вредный skill требует отдельного review, а TOCTOU при исполнении пока не закрыт. В VM официальный verifier проверял собственный опубликованный release; это круговая зависимость доверия, а не независимая аттестация verifier.

Следующее действие: Прочитать существующие локальные и VM-артефакты; для конкретного планируемого пакета записать expected source, builder, digest, trust root и владельца review инструкций.

Когда остановиться: Не исполнять объект при несовпадении provenance либо нерассмотренном поведении, даже если подпись корректна.

Необязательный план опыта

Вход: Synthetic signed packages including altered bytes, wrong issuer/source/build parameters, missing provenance and signed harmful instruction.

Контроль: Compare digest-only with consumer policy; use independent pinned verifier and immutable post-check object.

Успех: All provenance mismatches rejected before execution; signed harmful instruction separately rejected in behavior review.

Сигнал отказа: Wrong identity or bytes accepted, TOCTOU swap succeeds, or provenance is equated with safe skill behavior.

До самостоятельной рекомендации: Документальный тезис и ограниченные результаты можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации о безопасности навыка нужны подписанная оценка конкретного пакета и проверка полной цепочки установки/исполнения; этого пока нет.

Архивное досье: docs/radar-practice/research/dossiers-2026-10-16/Q09.md

Первоисточники

• promptfoo · Регрессионные eval в CI.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.028405+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 2e37fce6245cefc29fd8f3cc9688aea0df790562a55f00e3ae370152bfd5985e

• litellm · Маршрутизация и fallback между backend.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:11.912189+00:00

  Проверка: http-body-observed

  SHA-256 снимка: c3921f9039e39aa5cf16521c27fb81eade74c56ceeea51b7eaab0349110f9f3c

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: rollback должен фиксировать не только Git SHA приложения, но и prompt, tool schema, model ID/provider alias, routing config и dataset revision. Даже при прежнем alias веса модели могут измениться; требуется сохранять входы и проверять поведение. Не пускать canary на настоящие побочные эффекты.

Следующее действие: Составить tuple выпуска: Git SHA, prompt, tool schema, model ID/alias, provider route и eval corpus; отметить изменяемые внешним провайдером части и предел отката.

Когда остановиться: Не считать откат успешным, пока не восстановлены маршруты/config и проверяемое поведение.

Необязательный план опыта

Вход: 30 pinned tasks plus ten regression controls through test router; baseline, changed prompt/tool schema canary, rollback.

Контроль: Independent oracle and same recorded inputs, model IDs, route, config and eval corpus across phases.

Успех: Injected schema regression blocks canary; rollback restores configured state and observed outputs are separately compared.

Сигнал отказа: Canary passes known fault, or rollback is claimed merely from Git SHA while provider/alias behavior drifts.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q10.md

Первоисточники

• tw-fakes · Состояние и эволюция внешних зависимостей в тестовых двойниках.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.381385+00:00

  Проверка: http-body-observed

  SHA-256 снимка: e241346c9234943cd03ca6ab6fc446aeb11f4fea1c5e59f67e8dc112ee3ba229

• langgraph-interrupt · Остановка и возобновление; побочные эффекты требуют отдельной проверки.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:11.113063+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 402db160d8f555ef90fc1f5423b781c91ae2f80e73d073bf9f965ec3d7dcd670

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Assess · Внешняя рекомендация моделировать временное поведение; не доказательство fidelity нашего fake.

Наш опыт: Не проводился.

Главное ограничение: отдельно моделировать запись эффекта, потерю подтверждения, повтор и поздний ответ. Сравнить поведение fake с контролируемым реальным сервисом или эталонным ledger, чтобы исключить ложную уверенность от симулятора. Не утверждать exactly-once по одному успешному тесту.

Следующее действие: На бумаге пройти запись, потерю ACK и повтор с тем же idempotency key; сравнить с документированным контрактом используемого сервиса и указать неразрешённое состояние.

Когда остановиться: Не доверять fake и не обещать exactly-once при расхождении effect ledgers.

Необязательный план опыта

Вход: Stateful fake for write API with timeout-before-commit, timeout-after-commit, duplicate, late response and interrupt/resume.

Контроль: Replay identical idempotency-key sequences against local real test service and ordinary client.

Успех: Fake and service agree on effect ledger and recovery/unknown states for each sequence.

Сигнал отказа: Fake reports success where real service duplicates effects or leaves unresolved state.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q11.md

Первоисточники

• semantic-entropy · Исследование2024 о семантической неопределённости; не доказательство промышленной готовности2026.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.395558+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 5d7687757449ecba876c687f288b3e2b28bd01d29bdeee988387c5672340c056

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: уверенный, но неверный ответ возможен при согласованных семплах; высокий сигнал неопределённости может быть вызван неоднозначной формулировкой. Требуется стоимость ложного отказа, цена пропущенной ошибки и понятный канал эскалации человеку. Решение человека сохраняется отдельно от предсказания модели.

Следующее действие: Сопоставить тип ошибок и заданий исследования semantic entropy с собственным сценарием; записать цену ошибочной эскалации и человека, принимающего решение.

Когда остановиться: Не использовать самооценку/semantic entropy как единственный oracle или основание для автоматического действия.

Необязательный план опыта

Вход: 100 human-labelled tasks: answerable, ambiguous and unverifiable, including confident false answers.

Контроль: Train-only threshold; held-out comparison of semantic entropy, verbal confidence and no-abstention baseline.

Успех: Risk–coverage curve, missed errors, false escalations and human time quantified against predeclared costs.

Сигнал отказа: Self-consistency is mistaken for truth or threshold tuned on held-out data.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/Q12.md

Первоисточники

• spec-kit · Спецификация и структурированный процесс агентной разработки.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.395922+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 7b95f3f48572b5d1d2691c8d6df13f8ce1d1433cb2fabd98882468dc90764ec6

• kiro · Требования, дизайн и задачи в spec-процессе.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.396318+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 994659cc13e0582ea128ce0b0de3fc61276f97d8a7ba58143e95c73a293e705c

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: сравнивать следует само наличие проверенного requirement/ADR/acceptance до реализации, а не бренды инструментов. Спецификация может быть неполной или ошибочной; её готовность требует отдельного review. Не засчитывать написанный после кода документ как предшествующую спецификацию.

Следующее действие: На существующей задаче проверить наличие списка требований, ADR и проверяемых критериев до первого изменения кода; решить, для каких классов задач цена пропуска оправдывает такую подготовку.

Когда остановиться: Не масштабировать процесс, если проверенная спецификация не снижает пропуски с учётом всего затраченного времени.

Необязательный план опыта

Вход: 12 matched tasks with hidden edge cases; freeze reviewed requirement list, ADR and acceptance before code for treatment group.

Контроль: Same model/budget and baseline for bare-request control; randomize task assignment/order and blind reviewer.

Успех: Report missing requirements, rework, acceptance and total time including specification labor.

Сигнал отказа: After-code document is counted as prior spec or hidden requirement leakage changes comparison.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P01.md

Первоисточники

• dora · AI усиливает свойства системы разработки; наблюдательные данные не равны причинному эксперименту.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.422730+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 6bb53c243fc615849727e65b6a9aa33dbd6b0d5c4e63af5ce68137db0924b4d9

• metr · Обновление дизайна исследования и ограничения сравнения раннего и позднего2025.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.515059+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 5cbf0783e0ddd4e5ce5b557becf5f8ea318c8f1421d308287f4d887db3ac9d7d

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: человек отвечает за принятый результат, но требуется проверить, сколько дефектов и времени добавляет review. Самооценки ревьюера и число комментариев не равны предотвращённым дефектам. Не приписывать DORA/METR точные выводы для Радара.

Следующее действие: В уже принятом PR найти назначенного владельца, нерешённые замечания и свидетельство приёмки; заранее перечислить дефекты, которые review обязан был обнаружить.

Когда остановиться: Не сокращать review по одному признаку агентного происхождения или скорости генерации.

Необязательный план опыта

Вход: Сформировать 20 пар сопоставимых patch из одних задач; независимый составитель до review фиксирует ground truth восьми типов намеренно внедрённых дефектов и чистых контролей, сохраняя ключ вне доступа reviewers.

Контроль: Заслепить происхождение и наличие дефекта; противоположные члены пары распределить разным reviewers, сбалансировать порядок и после фиксации решений сравнить с закрытым ключом и независимыми тестами.

Успех: Для каждого типа дефекта показать обнаруженные и пропущенные случаи по заранее зафиксированному ground truth, false alarms, полное review-plus-repair время и итог повторной проверки.

Сигнал отказа: Найденные комментарии объявлены предотвращёнными дефектами без сверки с ground truth или опыт назван доказательством review-vs-no-review.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P02.md

Первоисточники

• Первоисточник · Описанный test-first workflow и разделение ролей.

  Не подтверждает: Снижение дефектов или результат на задачах нашей мастерской.

Внешний контекст

Thoughtworks Technology Radar · 2026-04-15 · Trial для feedback sensors for coding agents · Поддерживает идею детерминированных проверок в цикле агента; не оценивает именно этот VS Code workflow.

Наш опыт: Не проводился.

Главное ограничение: Один красный тест может проверять слишком узкий контракт. Скрытые случаи должен подготовить независимый проверяющий до реализации.

Следующее действие: По истории одного изменения восстановить, появились ли контрактные тесты до реализации и не ослаблялись ли потом; не выводить пользу из одного порядка коммитов.

Когда остановиться: Не принимать test-first как улучшение, если скрытые случаи не выигрывают или red-тесты переписываются под реализацию.

Необязательный план опыта

Вход: 15 tasks with independent contract and hidden cases; freeze tests before implementation and show red state.

Контроль: Fresh baseline checkouts and sessions, random order, same model/budget versus test-after mode.

Успех: Compare hidden-case pass rate, reviewed defects, time to acceptance and test rewrites.

Сигнал отказа: Visible red test is mistaken for complete independent oracle; test changed to fit code without review.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P03.md

Первоисточники

• dora · AI усиливает свойства системы разработки; наблюдательные данные не равны причинному эксперименту.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.422730+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 6bb53c243fc615849727e65b6a9aa33dbd6b0d5c4e63af5ce68137db0924b4d9

• metr · Обновление дизайна исследования и ограничения сравнения раннего и позднего2025.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.515059+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 5cbf0783e0ddd4e5ce5b557becf5f8ea318c8f1421d308287f4d887db3ac9d7d

• mck-pdlc · Текущий контекст2026: изменение полного цикла продукта.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:45:20.365311+00:00

  Проверка: web-tool-content-observed

Внешний контекст

McKinsey · · · Внешний взгляд на весь product development life cycle; не измерение нашей стоимости принятой задачи.

Наш опыт: Не проводился.

Главное ограничение: задачи отличаются сложностью, а review может уходить в следующий день. Сравнение до/после без сопоставимых классов задач и учёта стоимости модели/человека ошибочно. Не принимать количество строк кода как output-value.

Следующее действие: На одной завершённой и одной отменённой задаче заполнить шаблон полной стоимости по имеющимся отметкам времени; перечислить отсутствующие человеко-часы и расходы API.

Когда остановиться: Не утверждать выгоду по скорости первого patch или выборке только завершённых задач.

Необязательный план опыта

Вход: 30 comparable tasks in two classes, seven-day defect window after integration; record all labor, compute, waiting and unfinished work.

Контроль: Randomize assisted/manual mode; same acceptance contract and prespecified labor rates; analyze by task class.

Успех: Report accepted-task lead time, rework, escaped defects, full cost and censored unfinished outcomes.

Сигнал отказа: Only first-patch time or completed tasks enter denominator, hiding review and abandoned work.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P04.md

Первоисточники

• Первоисточник · Документация прямо описывает project CLAUDE.md/AGENTS.md, общие инструкции, команды сборки и проверки, загрузку при начале сессии.

  Не подтверждает: Актуальность инструкций конкретной команды или сокращение времени setup.

  Наблюдалось: 2026-10-17

  Проверка: live-page-read-no-body-hash

• dora-model · Способности организации и условия работы с AI.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.473571+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 6bb7604d87aa9a6f259dee3664ed44060f9bd2d81738f3ecadbc62e50667ff8a

• claude-code · CLI, IDE, команды и интеграции; наличие функции не доказывает выигрыш.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.577569+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 88ffea5e5e0edff179e042e40c7a4b1306e73616ed32031549c6b1bd95067b2b

Внешний контекст

Прямая экспертная оценка этого тезиса не установлена.

Наш опыт: Не проводился.

Главное ограничение: эталонный путь включает окружение, команды сборки и тестов, владельца правил, дату пересмотра и способ проверки актуальности. Локальные секреты/доступы не должны попасть в шаблон; инструкции агента не заменяют тесты.

Следующее действие: Сверить существующие инструкции запуска и CI с реальными командами; зафиксировать владельца и дату проверки, а устаревшую или непроверяемую команду отметить, если она обнаружится.

Когда остановиться: Не тиражировать шаблон без владельца обновления и CI, выявляющего устаревшие инструкции.

Необязательный план опыта

Вход: Three clean test repositories from pinned template; two unfamiliar developers and an agent perform setup, tests and a typical change.

Контроль: Minimal README control; deliberately stale command to test CI detection and ownership path.

Успех: First-green-test time, hints and environment errors improve without propagating stale instruction.

Сигнал отказа: Stale template silently succeeds or secrets/permissions appear in shared instructions.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P05.md

Первоисточники

• dora-model · Способности организации и условия работы с AI.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.473571+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 6bb7604d87aa9a6f259dee3664ed44060f9bd2d81738f3ecadbc62e50667ff8a

• deloitte-2026 · Наблюдение трендов через экспертов и исследование; эксплуатация, экономика и организационные изменения.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:09.843759+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 92aab7c301181f79698a3d6053348b09306bfcf82633da0b5bfc3c1dfb375d68

Внешний контекст

Deloitte · 2026 · · Общий контекст организационных изменений; не исход пилота нашей команды.

Наш опыт: Не проводился.

Главное ограничение: учитывать время обучения, владельца поддержки, право отказаться от неподходящего сценария и нагрузку reviewers. Мандат руководства повышает usage независимо от полезности; нужны outcome и качественный журнал препятствий. Персональные метрики сотрудников без согласования не собирать.

Следующее действие: Назначить владельцев обучения, поддержки и review; описать одно уже известное препятствие внедрения и сверить условия готовности с рамкой DORA.

Когда остановиться: Не расширять пилот по одному usage rate, если принятая работа/дефекты и затраты не улучшаются.

Необязательный план опыта

Вход: Voluntary pilot in two comparable teams, with baseline, training/support logs and weekly obstacle register.

Контроль: Training plus support versus ordinary tool access over same period; adjust interpretation for team differences.

Успех: Report accepted work, review defects, total training/support/reviewer load, and handoff ownership.

Сигнал отказа: Usage rate alone is called productivity or unconsented individual-level monitoring is used.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P06.md

Первоисточники

• tw-cognitive · Риск разрыва между кодом и пониманием команды.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.403272+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 545ecee46de1f35c7d221ab56914b3cfabfd9f668facc988c85dde55a62f9861

• metr · Обновление дизайна исследования и ограничения сравнения раннего и позднего2025.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:13.515059+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 5cbf0783e0ddd4e5ce5b557becf5f8ea318c8f1421d308287f4d887db3ac9d7d

Внешний контекст

Thoughtworks Technology Radar · · · Внешняя постановка риска; не измерение архитектурного понимания команды.

Наш опыт: Не проводился.

Главное ограничение: оценивать людей по способности предсказать последствия изменения в конкретной системе, а не по красивому пересказу агента. Учитывать опыт участника и знакомство с кодом; не сводить показатель к скорости написания кода.

Следующее действие: На одном принятом изменении попросить ответственного инженера объяснить зависимость и путь отказа; сверить объяснение с архитектурной схемой и отметить конкретный пробел.

Когда остановиться: Сдержать объём агентных изменений, если зависимость и failure paths команда объяснить не может.

Необязательный план опыта

Вход: Две сопоставимые команды на синтетическом сервисе с тремя скрытыми failure paths выполняют одинаковые серии задач: treatment использует агентную генерацию изменений, control — обычный процесс без агента.

Контроль: Одинаковое время review и сложность задач; до/после измерить знакомство с кодом. Слепые оценщики проверяют карту зависимостей, прогноз влияния изменения и локализацию отказа.

Успех: Показать разницу понимания и дефектов относительно baseline по группам, с явным ограничением: две команды не устанавливают универсальный причинный эффект AI.

Сигнал отказа: Сравниваются только две команды без отличия процесса или переносится вывод на все системы без проверки исходного опыта участников.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P07.md

Первоисточники

• tw-flywheel · Улучшение окружения агента по разбору сессий.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.336522+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 6e2836841431f6580e4945f7c7eb04632f6a6c422e1a8afc593e3c4d7636c4d0

• long-running · Артефакты состояния и проверка завершённости долгих задач.

  Не подтверждает: Эффективность и применимость этой практики в нашей среде; это требует различающего опыта.

  Наблюдалось: 2026-10-16T14:41:10.576913+00:00

  Проверка: http-body-observed

  SHA-256 снимка: 559ad1e2c70046d00369be0af642483847c29d4a3a15ae552fab7552021ef921

Внешний контекст

Thoughtworks Technology Radar · · · Внешняя идея обратной связи; не подтверждает улучшение нашего harness.

Наш опыт: Не проводился.

Главное ограничение: уроки извлекать только из проверенных повторяющихся сбоев, хранить provenance и ограничивать права самоизменения. Изменения harness проходят отдельный review и rollback; рабочие секреты и сырые персональные данные не превращать в обучающие заметки.

Следующее действие: В существующих журналах найти подтверждённый повторяющийся дефект, привязать две сессии-основания и подготовить одну проверяемую правку harness с планом отката.

Когда остановиться: Откатить harness change при регрессиях вне целевого дефекта либо эффекте только на train-сессии.

Необязательный план опыта

Вход: 20 anonymized agent sessions split by task into discovery and held-out; one frozen harness change for verified recurring defect.

Контроль: Same model/runtime/budget on held-out tasks with old versus new harness; review change before rollout.

Успех: Target defect decreases without meaningful regression on other tasks; provenance and rollback retained.

Сигнал отказа: Change only improves remembered session or silently worsens unrelated tasks.

До самостоятельной рекомендации: Документальный тезис можно редакционно проверить отдельно. Для доказательной орбиты или рекомендации к применению нужны подписанная оценка конкретной версии, проверка применимости и самостоятельное свидетельство результата; эти данные пока отсутствуют.

Архивное досье: docs/radar-practice/research/dossiers-priority1-2026-10-16/P08.md