Se detectaron 5 problemas en la autoevaluación del LLM durante el ciclo de auditoría cognitiva:

  1. “no hay inferencias no verificadas” — falso positivo, el LLM usaba lenguaje inferencial sin marcarlo como tal
  2. routing_mode: adaptive — contradice adaptive_scoring: NO DISPONIBLE
  3. latencia estimada 2.25 ms — confunde node_latency_ms con inference_latency_ms
  4. “motivo REAL” — afirmación inferida pero etiquetada como REAL
  5. qdrant_recall en DEBUG — aparecía como número suelto (5) sin semántica

Archivos modificados

Section titled “Archivos modificados”
ArchivoCambio
runtime/llm/router_api.pyReglas 11-15 en build_system_context(), DEBUG template dinámico
runtime/agent/context_shaper.pyprofile inyectado en HARD FACTS JSON, routing_mode soportado
runtime/llm/model_router.pymode añadido al node dict

Reglas añadidas

Section titled “Reglas añadidas”

Se añadieron 5 reglas a build_system_context() en router_api.py:

11. Palabras clave (due to, based on, probablemente, etc.) → INFERIDO + self-critique
12. routing_mode solo 'adaptive' si HARD FACTS lo contiene. Valores: primary/fallback
13. latency_ms en GPU nodes = latencia de red, NO de inferencia
14. Afirmaciones con "REAL" deben tener fuente explícita en HARD FACTS
15. "REAL" solo si existe literalmente en HARD FACTS o routing.reason_codes

DEBUG template

Section titled “DEBUG template”

Antes: template hardcodeado con NO DISPONIBLE para todo.

[AI-LAB DEBUG] task model node context_size:NO DISPONIBLE budget_used:NO DISPONIBLE
adaptive_scoring:NO DISPONIBLE working_memory:NO DISPONIBLE
qdrant_enabled:NO DISPONIBLE watchdog:NO DISPONIBLE health:NO DISPONIBLE

Ahora: template dinámico que instruye al LLM a poblar desde HARD FACTS.

[AI-LAB DEBUG] profile=<profile del JSON>, task=<inferido de la solicitud>,
model=<model_id>, node=<node_name>, budget_used=<del sistema>,
adaptive_scoring=<si en HARD FACTS>, working_memory=<si en HARD FACTS>,
qdrant_recall=<matches, collections, chars del semantic_recall en JSON>,
watchdog=<health.watchdog>, health=<health.score>

profile en HARD FACTS JSON

Section titled “profile en HARD FACTS JSON”

El campo profile (task_type: reasoning/coding/fast) ahora se inyecta en el JSON de HARD FACTS vía _hard_extra en context_shaper.py. El LLM puede referenciarlo sin inferirlo.

routing_mode en HARD FACTS JSON

Section titled “routing_mode en HARD FACTS JSON”

El modo de enrutamiento (primary/fallback) ahora se incluye como routing.mode en el JSON de HARD FACTS. Se obtiene de task_router.select_node() en lugar de ser inferido por el LLM.

Commit

Section titled “Commit”
8e78dce fix: prompt discipline rules 15, profile in HARD FACTS, qdrant_recall estructura