fix(maria): codul de eroare decide acoperirea, nu cosinusul

O captura cu ORA-06550 / PLS-00906 primea raspunsul despre ORA-12541 (TNS no
listener) si nu pleca la suport. Cauza: doua erori Oracle diferite se scriu
aproape la fel ("[Oracle][ODBC][Ora]ORA-..."), asa ca chunk-ul gresit a iesit la
cosinus 0,736 — peste RANK_STRONG_COSINE, care scurtcircuita orice alta dovada.
Chunk-ul corect din dictionar exista, dar statea pe pozitia 4, in afara TOP_K:
OCR-ul unei ferestre intregi aduce zeci de tokeni de zgomot, iar BM25 ineca tocmai
codul.

- `rank.codes()` scoate codurile de oriunde din text, nu doar ca token intreg —
  OCR-ul le lipeste de ce e langa ("OraJORA-06550").
- `rank.by_codes()` e un al treilea clasament in fuziune: chunk-ul care poarta
  codul cerut urca peste cele care doar seamana. Acum iese primul.
- `rank.assess()`: cand intrebarea are coduri, decid doar ele. Niciun cod gasit =
  escaladare la suport, oricat de mare ar fi cosinusul.
- `consumer.search()` judeca acoperirea pe cosinusul chunk-urilor date chiar
  modelului, nu pe cel mai bun din tot indexul.

Calibrare 21/21 (cele 19 cazuri + captura reala + ORA-00600, cod care nu e in
documente si trebuie sa plece la suport). Teste: 79 pass.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01Q4uzvgm7AyJch5WH8QHRhY

proxmox/lxc171-claude-agent/maria-whatsapp-bridge/README.md

@@ -351,6 +351,8 @@ lexicala e singura care le tine in joc.
 Fuziunea da mereu un clasament, si la o intrebare complet straina. De aceea decizia
 **„avem sau nu acoperire"** se ia separat, pe dovezi:
 
+0. **intrebarea contine un cod de eroare** (`ORA-…`, `PLS-…`, `D406`) → decide
+   doar prezenta lui in chunk-uri, indiferent de cosinus;
 1. cosinus ≥ `RANK_STRONG_COSINE` → raspundem;
 2. cosinus < `RANK_WEAK_COSINE` → escaladam direct;
 3. intre ele → raspundem doar daca cel putin `RANK_MIN_RARE_RATIO` din termenii
@@ -360,6 +362,18 @@ Fuziunea da mereu un clasament, si la o intrebare complet straina. De aceea deci
 Fractiunea din pasul 3 nu e cosmetica: cu un singur termen gasit, „cum imi resetez
 parola de la Windows" trecea drept acoperita fiindca „parola" apare in documente.
 
+Pasul 0 e mai tare decat cosinusul pentru ca **doua erori Oracle diferite se scriu
+aproape la fel**. O captura cu `ORA-06550 / PLS-00906` a primit cosinus 0,736 pe
+chunk-ul despre `ORA-12541: TNS no listener` — peste pragul „sigur", deci Maria a
+raspuns increzatoare cu alta eroare, fara sa escaladeze. Un cod e un identificator
+exact: un document care nu-l pomeneste nu raspunde la el, oricat de bine ar semana
+textul din jur. Codurile dau si un **al treilea clasament** (`rank.by_codes`), langa
+cosinus si BM25 — la o captura de ecran, OCR-ul aduce zeci de tokeni de zgomot
+(numele butoanelor din fereastra), iar BM25 singur ineca tocmai codul.
+
+Codul se cauta oriunde in text, nu ca token intreg: OCR-ul lipeste `[Oracle][ODBC]`
+de cod si scoate `OraJORA-06550`.
+
 ### Recalibrarea, cand se schimba documentele
 
 Pragurile sunt masurate, nu alese din burta — si se **muta** cand se schimba

proxmox/lxc171-claude-agent/maria-whatsapp-bridge/ops/calibrate-rank.py

@@ -49,6 +49,12 @@ CAZURI: list[tuple[str, bool]] = [
     ("imi da ORA-12154 cand deschid programul", True),
     ("ORA-00001 unique constraint violated", True),
     ("eroare ORA-28000 the account is locked", True),
+    # captura reala (OCR), 2026-08-31: raspundea cu ORA-03113/ORA-12541, alta eroare
+    ("[Oracle][ODBC][OraJORA-06550: line 1, column 7\n"
+     "PLS-00906: object VADECO PACK PARTENERI is invalid\n"
+     "ORA-06550: line 1, column 7:", True),
+    # cod Oracle real, dar care NU e in dictionar: trebuie sa plece la suport
+    ("ORA-00600 internal error code arguments", False),
     ("care e capitala Frantei", False),
     ("cat costa un bilet de avion la Paris", False),
     ("imi da eroare la imprimanta HP LaserJet, nu trage hartia", False),
@@ -84,11 +90,13 @@ def pregateste(cazuri: list[tuple[str, bool]]) -> tuple[consumer.Index, list[dic
             nou += 1
         cos = [consumer.cosine(vec, e["embedding"]) for e in index.entries]
         bm = index.bm25.scores(intrebare)
-        ordine = rank.rank(cos, bm)[: config.get_int("TOP_K", 3)]
+        ordine = rank.rank(cos, bm, rank.by_codes(intrebare, index.texts))[
+            : config.get_int("TOP_K", 3)]
         date.append({
             "intrebare": intrebare,
             "asteptat": asteptat,
-            "best": max(cos),
+            # ca in consumer.search: cosinusul chunk-urilor date modelului
+            "best": max((cos[i] for i in ordine), default=0.0),
             "top_texts": [index.texts[i] for i in ordine],
             "top_surse": [index.sources[i] for i in ordine],
         })

proxmox/lxc171-claude-agent/maria-whatsapp-bridge/rag/consumer.py

@@ -121,9 +121,11 @@ def search(index: Index, query: str, top_k: int) -> dict:
     q_vec = embed(query)
     cosines = [cosine(q_vec, e["embedding"]) for e in index.entries]
     bm_scores = index.bm25.scores(query)
-    order = rank.rank(cosines, bm_scores)[:top_k]
+    order = rank.rank(cosines, bm_scores, rank.by_codes(query, index.texts))[:top_k]
     texts = [index.texts[i] for i in order]
-    best = max(cosines)
+    # cosinusul chunk-urilor CHIAR date modelului, nu cel mai bun din tot indexul:
+    # altfel acoperirea se judeca pe o dovada care nu ajunge in context.
+    best = max((cosines[i] for i in order), default=0.0)
     covered, reason = rank.assess(query, best, texts, index.bm25)
     return {
         "chunks": texts,

proxmox/lxc171-claude-agent/maria-whatsapp-bridge/rag/rank.py

@@ -14,6 +14,11 @@ una semantica ii topeste in "ceva despre facturi". Asa ca ordonam de doua ori,
 independent, si fuzionam clasamentele (Reciprocal Rank Fusion): un chunk urcat de
 ambele metode iese primul, iar unul urcat doar de una ramane in cursa.
 
+Codurile merg mai departe de atat: ele dau un al treilea clasament (`by_codes`) si
+sunt singurul criteriu de acoperire cand intrebarea contine unul (`assess`). Un cod
+e un identificator exact — un document care nu-l pomeneste nu raspunde la el, oricat
+de bine ar semana textul din jur.
+
 Fuziunea da mereu un clasament, si la o intrebare complet straina — de aceea
 decizia "avem sau nu acoperire in documente" se ia separat, in `assess()`, pe
 dovezi (cat de sus e cosinusul, si daca termenii rari din intrebare chiar apar in
@@ -71,6 +76,44 @@ _STOP = {
 # Coduri de eroare si formulare: valoreaza cat zece cuvinte obisnuite.
 _COD = re.compile(r"^(?:ora|pls|tns|sp2|imp|exp|ora)-\d+$|^d\d{3}$|^e\d{3,}$")
 
+# Acelasi lucru, cautat ORIUNDE in text, nu doar ca token intreg. OCR-ul lipeste
+# codul de ce e langa el ("[Oracle][ODBC][OraJORA-06550" -> un singur token
+# "orajora-06550"), iar codul e exact bucata care nu are voie sa se piarda.
+_COD_IN_TEXT = re.compile(
+    r"(?:ora|pls|tns|sp2|imp|exp)-\d+|(?<![a-z0-9])(?:d\d{3}|br-co-\d+)(?![a-z0-9])"
+)
+
+
+def codes(text: str) -> list[str]:
+    """Codurile de eroare din text, in ordinea aparitiei, fara duplicate.
+
+    Un cod e un identificator exact, nu un cuvant: `ORA-06550` si `ORA-12541`
+    sunt doua erori fara nimic in comun, desi textele din jurul lor se aseamana
+    pana la confuzie pentru o cautare semantica.
+    """
+    return list(dict.fromkeys(_COD_IN_TEXT.findall(fold(text))))
+
+
+def by_codes(query: str, texts: list[str]) -> list[int]:
+    """Chunk-urile care contin codurile din intrebare, cele cu mai multe intai.
+
+    Al treilea clasament, langa cosinus si BM25. BM25 stie de coduri, dar le
+    ineaca: o captura de ecran aduce prin OCR zeci de tokeni („oracle", „odbc",
+    „line", „column", numele butoanelor din fereastra), iar chunk-urile care se
+    potrivesc pe zgomotul ala pot trece inaintea celui care poarta chiar codul.
+    """
+    cerute = codes(query)
+    if not cerute:
+        return []
+    gasite: list[tuple[int, int]] = []
+    for i, text in enumerate(texts):
+        ale_lui = set(codes(text))
+        n = sum(1 for c in cerute if c in ale_lui)
+        if n:
+            gasite.append((n, i))
+    gasite.sort(key=lambda g: -g[0])
+    return [i for _, i in gasite]
+
 
 def fold(text: str) -> str:
     """Fara diacritice, litere mici. „Factură" si „factura" trebuie sa fie acelasi token."""
@@ -154,16 +197,20 @@ def rrf(rankings: list[list[int]], k: int = RRF_K) -> dict[int, float]:
 def rank(
     cosines: list[float],
     bm25_scores: list[float],
+    code_order: list[int] | None = None,
     recall: int | None = None,
 ) -> list[int]:
-    """Indicii chunk-urilor, de la cel mai relevant, dupa fuziunea celor doua clasamente."""
+    """Indicii chunk-urilor, de la cel mai relevant, dupa fuziunea clasamentelor."""
     recall = recall_n() if recall is None else recall
     by_cos = sorted(range(len(cosines)), key=lambda i: cosines[i], reverse=True)[:recall]
     # chunk-urile cu scor BM25 zero nu au niciun token comun cu intrebarea: nu au
     # ce cauta in clasamentul lexical, doar ar dilua fuziunea cu pozitii arbitrare.
     by_bm = [i for i in sorted(range(len(bm25_scores)), key=lambda i: bm25_scores[i], reverse=True)
              if bm25_scores[i] > 0][:recall]
-    fused = rrf([by_cos, by_bm])
+    rankings = [by_cos, by_bm]
+    if code_order:
+        rankings.append(code_order[:recall])
+    fused = rrf(rankings)
     return sorted(fused, key=lambda i: (fused[i], cosines[i]), reverse=True)
 
 
@@ -179,15 +226,32 @@ def assess(
 ) -> tuple[bool, str]:
     """(avem acoperire in documente?, motivul) — decizia de a raspunde sau de a escalada.
 
-    Trei cazuri, in ordine:
+    Cazuri, in ordine:
+      0. intrebarea contine coduri de eroare -> decide DOAR prezenta lor in
+         chunk-uri, si cand cosinusul e mare (vezi mai jos);
       1. cosinus mare  -> raspundem, indiferent de lexical;
       2. cosinus la mijloc, dar o fractiune suficienta din termenii rari ai
          intrebarii apare chiar in chunk-uri (tipic: un cod de eroare) -> raspundem;
       3. altfel -> nu avem acoperire, intrebarea pleaca la suport.
+
+    Cazul 0 exista fiindca cosinusul mare NU e o dovada cand e vorba de coduri:
+    doua erori Oracle diferite se scriu aproape la fel („[Oracle][ODBC][Ora]ORA-…"),
+    deci un chunk despre ORA-12541 sta la 0,74 de o intrebare despre ORA-06550.
+    Fara asta, Maria raspundea sigur pe ea cu eroarea gresita, in loc sa escaladeze.
     """
     strong = strong_cosine() if strong is None else strong
     weak = weak_cosine() if weak is None else weak
     min_ratio = min_rare_ratio() if min_ratio is None else min_ratio
+    cerute = codes(query)
+    if cerute:
+        blob_cod = set(codes("\n".join(top_texts)))
+        gasite = [c for c in cerute if c in blob_cod]
+        if gasite:
+            return True, f"cod exact in documente: {', '.join(gasite)}"
+        return False, (
+            f"intrebarea are coduri ({', '.join(cerute[:4])}) care nu apar in "
+            f"documente (cosinus {best_cosine:.3f})"
+        )
     if best_cosine >= strong:
         return True, f"cosinus {best_cosine:.3f} >= {strong}"
     if best_cosine < weak:

proxmox/lxc171-claude-agent/maria-whatsapp-bridge/tests/test_rank.py

@@ -100,10 +100,11 @@ def test_assess_un_singur_termen_din_multi_nu_e_dovada():
 
 
 def test_assess_motivul_numeste_termenii_lipsa_nu_pe_toti():
+    # Fara cod in intrebare: acolo decid termenii rari, nu regula codurilor.
     bm = rank.Bm25(DOCS)
-    _, motiv = rank.assess("ORA-01722 la imprimanta LaserJet", 0.61, DOCS[:1], bm)
-    # codul chiar apare in context, deci nu are ce cauta in lista lipsurilor
-    assert "ora-01722" not in motiv
+    _, motiv = rank.assess("factura la imprimanta LaserJet", 0.61, DOCS[3:], bm)
+    # „factura" chiar apare in context, deci nu are ce cauta in lista lipsurilor
+    assert "factura," not in motiv
     assert "imprimanta" in motiv
 
 
@@ -120,3 +121,47 @@ def test_pragurile_vin_din_env(monkeypatch):
     monkeypatch.setitem(config._env, "RANK_STRONG_COSINE", "0.50")
     covered, _ = rank.assess("orice", 0.55, DOCS[:1], bm)
     assert covered
+
+
+# --- coduri de eroare: identificatori exacti, nu cuvinte ---------------------
+
+def test_codul_lipit_de_ocr_e_tot_gasit():
+    """OCR-ul da „[Oracle][ODBC][OraJORA-06550"; codul nu are voie sa se piarda."""
+    import rank
+    assert rank.codes("[Oracle][ODBC][OraJORA-06550: line 1, column 7") == ["ora-06550"]
+    assert rank.codes("PLS-00906: object X is invalid") == ["pls-00906"]
+    assert rank.codes("cum trimit D406") == ["d406"]
+    assert rank.codes("nu merge nimic") == []
+
+
+def test_chunkul_cu_codul_cerut_urca_in_clasament():
+    import rank
+    texts = [
+        "ORA-12541 TNS no listener, serverul nu raspunde",
+        "ORA-03113 end-of-file on communication channel",
+        "ORA-06550 eroare de compilare, procedura lipseste",
+    ]
+    assert rank.by_codes("imi da ORA-06550 la salvare", texts) == [2]
+    assert rank.by_codes("intrebare fara coduri", texts) == []
+
+
+def test_cosinus_mare_nu_acopera_alt_cod(monkeypatch):
+    """Doua erori Oracle diferite se scriu la fel; cosinusul nu le deosebeste.
+
+    Cazul real din 2026-08-31: captura cu ORA-06550 primea raspunsul despre
+    ORA-12541, cu cosinus 0,736 — peste pragul „sigur".
+    """
+    import rank
+    bm = rank.Bm25(["ORA-12541 TNS no listener"])
+    ok, motiv = rank.assess("ORA-06550 PLS-00906 la salvare", 0.736,
+                            ["ORA-12541 TNS no listener"], bm)
+    assert ok is False
+    assert "ora-06550" in motiv
+
+
+def test_codul_gasit_acopera_si_la_cosinus_mic():
+    import rank
+    bm = rank.Bm25(["ORA-06550 eroare de compilare"])
+    ok, motiv = rank.assess("ORA-06550", 0.42, ["ORA-06550 eroare de compilare"], bm)
+    assert ok is True
+    assert "ora-06550" in motiv