Skip to content

test(calidad): grabar y reproducir respuestas del motor - #31

Merged
Consterna merged 1 commit into
mainfrom
test/grabar-respuestas
Nov 15, 2026
Merged

Consterna merged 1 commit into
mainfrom
test/grabar-respuestas

Conversation

@Consterna

Copy link
Copy Markdown
Owner

Ola 0 del plan de calidad máxima. Gemini no responde igual dos veces (~67 % de textos idénticos entre corridas), así que su ruido tapaba el efecto de los cambios del proceso.

Qué cambia

  • motores/grabadora.py (MotorGrabado): envuelve un motor y guarda en SQLite la respuesta a cada pedido, con la huella exacta del pedido.
    • Si el pedido se repite, la respuesta sale de la grabación, sin costo y siempre igual.
    • Cada repetición tiene su propia grabación.
    • Con --solo-grabado nunca llama a la API.
    • Solo se usa para medir; la app no lo usa.
  • medir_calidad.py: opciones --grabacion, --solo-grabado y --repeticiones N.
  • Gemini cuenta los tokens que factura (usage_metadata). Cada medición muestra el costo real y el total gastado.
  • Hoja de revisión: selector opcional «¿Qué falla?» (sentido, término, nombre propio, forma, códigos, inglés o estilo), para saber si cada error es del modelo o del proceso.
  • Corregido: se colaba un ejemplo en cada pedido aunque la app no manda ejemplos (CANTIDAD_EN_LA_APP = 0), porque el tope se miraba después de agregar el primero.
    • Además de meter texto de otros mods, hacía que el mismo pedido cambiara según el orden de los hilos.
    • Se encontró justamente porque la reproducción no salía exacta con 4 hilos.

Línea base grabada (Gemini 3.8 Flash, 3 repeticiones, US$ 0,42 en total)

Banco chrF
Interfaz (399) 74,8 · 73,3 · 74,4
Libros (116) 67,9 · 67,1 · 67,6
Misiones (200) sin referencia

Reproducirla da los mismos números con US$ 0.

Verificación

  • verificar.py --rapido en verde.
  • Pruebas nuevas en tests/test_grabadora.py, una de ellas sobre la reproducción exacta con 4 hilos.

MotorGrabado guarda en SQLite la respuesta a cada pedido y la reutiliza: un cambio del post-proceso se mide gratis contra las mismas respuestas. medir_calidad.py: --grabacion, --solo-grabado y --repeticiones. Gemini cuenta los tokens que factura y la medición muestra el costo real. La hoja de revisión pregunta qué falla. Corrige un ejemplo que se colaba en cada pedido aunque la app no manda ejemplos.
@chatgpt-codex-connector

chatgpt-codex-connector Bot commented Nov 15, 2026 •

Copy link
Copy Markdown
Codex Review Summary: ✅ Completed

This comment shows the latest Codex review activity on this pull request.

Review Status Commit Review trigger
📝 Code Review ✅ Completed 2026-11-15T18:28:09.849671Z 6ebf8c5 PR opened
ℹ️ About Codex in GitHub

Your team has set up Codex to review pull requests in this repo. Reviews are triggered when you

  • Open a pull request for review
  • Mark a draft as ready
  • Comment "@codex review" or "@codex security review".

Codex reacts with 👀 while any review is running, comments if it has suggestions, and reacts with 👍 once all reviews finish with no findings.

@chatgpt-codex-connector chatgpt-codex-connector Bot left a comment

Copy link
Copy Markdown

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

💡 Codex Review

Here are some automated review suggestions for this pull request.

Reviewed commit: 6ebf8c599a

ℹ️ About Codex in GitHub

Your team has set up Codex to review pull requests in this repo. Reviews are triggered when you

  • Open a pull request for review
  • Mark a draft as ready
  • Comment "@codex review".

If Codex has suggestions, it will comment; otherwise it will react with 👍.

Codex can also answer questions or update the PR. Try commenting "@codex address that feedback".


def clave_del_pedido(motor: str, lote: Lote, repeticion: int = 0) -> str:
"""Huella del pedido: el mismo motor, las mismas instrucciones y los mismos textos dan la misma clave."""
datos = "\x00".join((str(repeticion), motor, sistema(lote), usuario(lote)))

Copy link
Copy Markdown

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

P2 Badge Include the endpoint in the recording key

When --motor personalizado is run with a different --direccion but the same model and prompt, self.nombre remains personalizado:<modelo>, so this key treats both endpoints as the same engine. Reusing the recording can therefore return the first endpoint’s response instead of querying the newly configured one, or make --solo-grabado report a hit for the wrong endpoint.

Useful? React with 👍 / 👎.

Comment on lines +374 to 375
uso_antes = list(_uso(motor))
resultados = {ambito: traductor.traducir(textos, ambito, pistas) for ambito, textos in por_ambito.items()}

Copy link
Copy Markdown

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

P2 Badge Count review requests in the reported spend

When --revisar is enabled, this snapshot and the following _gasto calculation cover only the initial translations; revision.revisar_y_corregir makes additional motor requests afterward, but the second measurement never records their usage. The displayed real cost and total API spend are therefore understated for reviewed runs.

Useful? React with 👍 / 👎.

@Consterna
Consterna merged commit b6b4b86 into main Nov 15, 2026
5 checks passed
@Consterna
Consterna deleted the test/grabar-respuestas branch November 15, 2026 19:03
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

1 participant