eval(retrieval): przekwalifikuj N2 na mail_query M5, nowa kontrolka N3

Regresja po zamknieciu Etapu B fazy mailowej dala FAIL wylacznie na
kryterium 3: kontrolka N2 "piaskownica plastikowa" spadla do 0.4924
(flat/hybrid) na mail przedszkolny "Materialy plastyczne" -- kolizja
leksykalna ponizej progu 0.50. Rownoczesnie odrzucone w Etapie A
zapytanie "piaskownica plac zabaw wspolnota" ma dzis realne odpowiedzi
(maile administracji wspolnoty holc.waw.pl, 2023). To nie regresja
retrievalu -- korpus urosl o tresc, ktorej w Etapie A nie bylo, wiec
kontrolka negatywna stracila waznosc.

- N2 wycofana; pelna historia decyzji (pilot, 2026-07-23, 2026-08-06)
  zachowana jako komentarz w queries.yaml, nie skasowana.
- M5: "wymiana piasku w piaskownicy na placu zabaw wspolnoty",
  expected_envelope 6ab218df-...@holc.waw.pl, d1=0.2858, hit3=y.
  Wariant z "wymiana piasku" zamiast doslownego sformulowania operatora,
  bo tamto daje 0.4562/0.4597 -- oba nad HIT_THRESHOLD 0.45.
- N3: "sterylizacja kota cennik kliniki weterynaryjnej", bar 0.50 bez
  zmian, 0.5257/0.5799/0.5257. Dwaj odrzuceni kandydaci i lista tematow
  majacych realna odpowiedz w korpusie udokumentowane w komentarzu.
- retrieval_eval.py: tylko komentarz -- mail_hit nadal ocenia sie
  source-matchem, expected_envelope M5 jest dokumentacyjne.

Weryfikacja: retrieval_eval.py --transport http --base-url
http://192.168.31.5:8230 --gate-n 10 -> OVERALL PASS (exit 0),
kryteria 1/2/3 PASS, kryterium 4 = 5/5 (wymagane >= 4).

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

jobs/documents-ingest/eval/queries.yaml

@@ -63,32 +63,86 @@ queries:
     baseline_top1_dist: 0.6210
     note: "Poprawny brak w pilocie; separacja od trafień wyraźna."
 
-  - id: "N2"
+  # --- historia kontrolki borderline: N2 "piaskownica plastikowa" (WYCOFANA 2026-08-06) ---
-    text: "piaskownica plastikowa"
+  # Nie kasować: to zapis decyzji, nie komentarz do kodu. Rolę kontrolki borderline przejmuje
+  # N3 poniżej, a samo zapytanie o piaskownicę żyje dalej jako pozytywne M5 w `mail_queries`.
+  #
+  # Pilot (kb-m5-eval-retrieval-pilot.md): kind negative_control_borderline, baseline_top1_dist
+  #   0.5533, no_answer_threshold 0.50. Poprawnie na granicy "brak" -- semantycznie sąsiednie
+  #   dokumenty wspólnoty mieszkaniowej, nie odpowiedź na zapytanie.
+  # 2026-07-23 (faza mailowa, bramka po Etapie A): po dolaniu chunków mailowych top-1 =
+  #   newsletter szkoły narciarskiej (Rossignol, rozmiary nart 155-181 cm, dist 0.5298) --
+  #   zweryfikowana treść pokazała kolizję semantyczną krótkich, liczbowych tekstów w
+  #   przestrzeni wektorowej, NIE realny mail o piaskownicy; korpus mailowy Etapu A takiego
+  #   trafienia nie zawierał (próbne zapytanie "piaskownica plac zabaw wspólnota" dało wtedy
+  #   dist 0.5585, miss -- odrzucone jako wpis mail_queries, ówczesne "M5"). Próg obniżono
+  #   wtedy z 0.55 do 0.50 właśnie z powodu tej znanej kolizji, żeby bramka nie płonęła co
+  #   uruchomienie na nie-problemie.
+  # 2026-08-06 (zamknięcie Etapu B, pełny korpus mailowy w HNSW) -- ZWROT AKCJI: kontrolka
+  #   unieważniona przez wzrost korpusu, w dwóch niezależnych miejscach naraz:
+  #     a) "piaskownica plastikowa" spadła do 0.4924 (flat i hybrid, cascade 0.5533) na mail
+  #        przedszkolny "Materiały plastyczne" -- znowu kolizja leksykalna (plastikowa /
+  #        plastyczne), ale tym razem PONIŻEJ progu 0.50, więc kryterium 3 FAIL przy PASS
+  #        kryteriów 1/2/4 -- czyli bramka płonęła dokładnie na tym, przed czym próg miał
+  #        chronić;
+  #     b) odrzucone w Etapie A "piaskownica plac zabaw wspólnota" ma dziś realne odpowiedzi:
+  #        maile administracji wspólnoty (holc.waw.pl, 2023) "WM Targowa 2A - zabawy na terenie
+  #        wspólnoty" (dist 0.4562) i "WM Targowa 2A - wymiana piasku" (dist 0.4597,
+  #        envelope 6ab218df-ef21-dc78-d589-34f69a97aae6@holc.waw.pl).
+  #   Wniosek: to NIE regresja retrievalu -- korpus urósł o treść, której w Etapie A nie było,
+  #   a kontrolka negatywna z definicji traci ważność w chwili, gdy odpowiedź na nią wpada do
+  #   korpusu. Stąd przekwalifikowanie na pozytywne M5 zamiast łatania progu w dół.
+
+  # --- dobór następcy (kandydaci sprawdzeni na żywym kb-query 2026-08-06, --gate-n 10) ---
+  # Wymóg: temat sąsiadujący z korpusem (żeby kontrolka była borderline, nie oczywista), ale
+  # bez odpowiednika w Paperless ANI w mailach, dist > 0.50 we WSZYSTKICH torach.
+  # Uwaga metodologiczna z tego doboru: korpus mailowy jest po Etapie B znacznie szerszy niż
+  # "wspólnota / przedszkole / FLL / polisy / telco / narty" -- zawiera też archiwum zawodowe,
+  # newslettery, oferty pracy, Allegro, rezerwacje hoteli, PIT, najem, judo. Odrzucone jako
+  # kontrolki, bo korpus MA na nie realną odpowiedź (dist w nawiasie = min po torach):
+  # kominiarski/wentylacja (0.4277, paperless:105), hotel nad morzem (0.4166), PIT-37 (0.3994),
+  # judo dla dzieci (0.3469), najem mieszkania (0.3699), prawo jazdy kat. B (0.3606),
+  # opony zimowe (0.4098), gwarancja AGD (0.4498), karta rowerowa (0.4340).
+  # Kandydaci, którzy przeszli (flat / cascade / hybrid):
+  #   A. "sterylizacja kota cennik kliniki weterynaryjnej"  0.5257 / 0.5799 / 0.5257  <- AKTYWNY
+  #   B. "karta wędkarska pozwolenie na połów ryb"          0.5203 / 0.5223 / 0.5203
+  #      (odrzucony: cascade tylko 0.0223 nad progiem -- za ciasno na trwałą bramkę)
+  #   C. "pasieka ul pszczeli zbiór miodu"                  0.5985 / 0.6318 / 0.5985
+  #      (odrzucony jako aktywny: za łatwy, powiela rolę N "przepis na sernik"; trzymany jako
+  #       zapasowy, gdyby korpus kiedyś unieważnił A tak jak unieważnił N2)
+  - id: "N3"
+    text: "sterylizacja kota cennik kliniki weterynaryjnej"
     kind: negative_control_borderline
     expected_envelope: null
-    baseline_top1_dist: 0.5533
+    baseline_top1_dist: 0.5257
     no_answer_threshold: 0.50
     note: >
-      Poprawnie na granicy "brak" w pilocie -- semantycznie sąsiednie dokumenty wspólnoty
+      Następca N2 (2026-08-06, patrz historia powyżej). Temat celowo sąsiedni wobec korpusu --
-      mieszkaniowej, nie odpowiedź na zapytanie. Faza mailowa, bramka po Etapie A
+      usługa domowa z językiem cennika/rozliczenia, czyli rejestr, w którym korpus jest gęsty --
-      (2026-07-23): po dolaniu chunków mailowych top-1 = newsletter szkoły narciarskiej
+      ale zwierząt domowych nie ma w nim ani w Paperless, ani w mailach. Baseline zmierzony na
-      (Rossignol, rozmiary nart 155-181cm, dist 0.5298) -- zweryfikowana treść pokazuje, że to
+      żywym kb-query (192.168.31.5:8230, --transport http, --gate-n 10), nie w pilocie: flat
-      kolizja semantyczna krótkich, liczbowych tekstów w przestrzeni wektorowej, NIE realny
+      0.5257 / cascade 0.5799 / hybrid 0.5257. Top-1 we flat/hybrid to newsletter zakupowy z
-      mail o piaskownicy -- korpus mailowy takiego trafienia nie zawiera (próbne zapytanie
+      ofertami -- brak realnej odpowiedzi, czyli kontrolka działa. Próg 0.50 przeniesiony z N2
-      "piaskownica plac zabaw wspólnota" dało dist 0.5585, miss; odrzucone jako mail_queries
+      bez zmiany (margines ~0.026 nad progiem; przy kolejnym dużym doładowaniu korpusu należy
-      wpis, patrz historia sesji). Próg tej kontroli obniżony do 0.50 (z 0.55) właśnie z powodu
+      go zweryfikować, a nie obniżać próg -- lekcja z N2).
-      tej znanej kolizji, żeby bramka nie płonęła co uruchomienie na nie-problemie.
 
 # Faza mailowa (kb/phases/kb-m5-faza-mailowa.md, §8, Krok 5) -- bramka jakościowa dla
 # treści mailowej wprowadzonej w Etapie A (ostatnie 12 miesięcy, plan §7 Krok 4). Wypełniona
 # przez operatora 2026-07-23 (5 zapytań "wiem że to mam w mailach z ostatniego roku"; M5
-# odrzucone po weryfikacji, patrz N2 powyżej i historia sesji). expected_envelope celowo null
+# odrzucone wtedy po weryfikacji, patrz historia N2 powyżej -- i PRZYWRÓCONE 2026-08-06 po
-# dla wszystkich -- operator dostarczył treść zapytania, nie surowy Message-ID; kind: mail_hit
+# Etapie B, gdy odpowiedź na nie realnie znalazła się w korpusie). expected_envelope jest null
-# ma inną semantykę hit@3 niż `queries:` powyżej: hit iff top-3 hybrid zawiera wynik z gałęzi
+# dla M1-M4 -- operator dostarczył treść zapytania, nie surowy Message-ID; kind: mail_hit ma
+# inną semantykę hit@3 niż `queries:` powyżej: hit iff top-3 hybrid zawiera wynik z gałęzi
 # mailowej (envelope.source w summaryless_sources, dziś gmail) z dist < 0.45
 # (retrieval_eval.py::mail_hit_at_3) -- identity-match na expected_envelope nie ma tu
-# zastosowania, bo nie ma czego dopasować.
+# zastosowania, bo dla M1-M4 nie ma czego dopasować.
+#
+# WYJĄTEK (2026-08-06): M5 ma znane, zweryfikowane curl-em expected_envelope. Uwaga przy
+# czytaniu raportu -- retrieval_eval.py::summarize_query_result dla kind: mail_hit NIE używa
+# expected_envelope (idzie ścieżką mail_hit_at_3, source-match), więc ten identyfikator ma
+# dziś wartość wyłącznie dokumentacyjną/audytową: mówi, który mail uznaliśmy za poprawną
+# odpowiedź, ale bramka go nie sprawdza. Jeśli kiedyś ma być egzekwowany, to zmiana w
+# retrieval_eval.py (np. identity-match gdy expected_envelope != null), nie w tym pliku.
 #
 # Format wpisu (identyczny co do pól z `queries:` powyżej, minus baseline_top1_dist -- nie było
 # pilota mailowego przed tą bramką):
@@ -118,3 +172,18 @@ mail_queries:
     kind: mail_hit
     expected_envelope: null
     note: "Wątki organizacyjne FLL 25-26."
+  - id: "M5"
+    text: "wymiana piasku w piaskownicy na placu zabaw wspólnoty"
+    kind: mail_hit
+    expected_envelope: "6ab218df-ef21-dc78-d589-34f69a97aae6@holc.waw.pl"
+    note: >
+      Dawna kontrolka negatywna N2, przekwalifikowana 2026-08-06 po Etapie B (pełna historia w
+      komentarzu w `queries:` powyżej). Odpowiedź: mail administracji wspólnoty "WM Targowa 2A
+      - wymiana piasku" (k.szrajner@holc.waw.pl, 2023-06-16, wymiana piasku w piaskownicy na
+      placu zabaw osiedla 19.06). Sformułowanie to naturalniejsza wariacja operatorskiego
+      "piaskownica plac zabaw wspólnota": samo "piaskownica plac zabaw wspólnota" daje dziś
+      top-1 0.4562 / top-2 0.4597 -- oba NAD progiem HIT_THRESHOLD 0.45, więc mail_hit_at_3
+      liczyłoby to jako miss mimo poprawnych i zweryfikowanych trafień w top-2. Wariant z
+      "wymianą piasku" trafia expected_envelope na pozycji 1 z dist 0.2858 (flat i hybrid),
+      z zapasem wobec progu. To zarazem jedyne mail_query z niepustym expected_envelope --
+      patrz WYJĄTEK w komentarzu nagłówkowym tej sekcji (bramka go nie egzekwuje).

jobs/documents-ingest/eval/retrieval_eval.py

@@ -217,6 +217,11 @@ def summarize_query_result(result: dict, envelope_sources: Optional[dict[str, st
     if query["kind"] == "mail_hit":
         # plan §8 Krok 5: no expected_envelope (operator gave query text, not a Message-ID) --
         # graded on mail_hit_at_3's source-match semantics instead of hit_at_3's identity match.
+        # Since 2026-08-06 one mail query (M5, the requalified N2 control) *does* carry an
+        # expected_envelope, verified by hand against the live index. It stays documentation
+        # only: this branch deliberately keeps grading every mail_hit by source-match, so the
+        # id is never silently half-enforced. Enforcing it would be a change here (identity
+        # match when expected_envelope is not None), not in queries.yaml.
         flat_hit3 = None  # flat never reaches summaryless (gmail) chunks -- not a meaningful axis
         hybrid_hit3 = mail_hit_at_3(hybrid_chunks, envelope_sources or {})
     else: