refactor: comentarii strict functionale, fara referinte PRD/stories

Curatare globala a comentariilor si docstring-urilor (app, tools, teste,
scripturi): eliminate referintele la PRD-uri, US-xxx, task-uri istorice si
review-uri; pastrata doar informatia functionala, formulata scurt. Regula
adaugata in CLAUDE.md (sectiunea Stil). Fara modificari de cod sau comportament.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

tools/mapare-llm/heldout_eval.py

@@ -1,6 +1,6 @@
 """Harness de evaluare held-out pentru sistemul de mapare operatii->coduri RAR.
 
-Scop (L14-S5, Decision #19 PRD 5.14):
+Scop:
     Masurarea ACURATETEI REALE a clasificatorului inainte de a permite orice tier
     auto-send peste GOLD propriu.
 
@@ -19,12 +19,11 @@ Continut:
                                exclusiv responsabilitatea operatorului.
     3. eval_predictions()    — date (predictii, gold) -> precizie globala + per-cod
                                + matrice confuzie + rata cod-gresit.
-    4. kill_criterion()      — evalueaza daca sistemul indeplineste pragul de acceptanta
-                               (F-E, PRD 5.14).
+    4. kill_criterion()      — evalueaza daca sistemul indeplineste pragul de acceptanta.
 
 Ce NU face:
     NU eticheteaza ground-truth-ul. Etichetarea de cod ar fi exact "antrenare pe test"
-    si ar invalida precizia raportata (Decision #19). Fisierul exportat se completeaza
+    si ar invalida precizia raportata. Fisierul exportat se completeaza
     MANUAL de operatorul uman.
 
 CLI:
@@ -71,10 +70,10 @@ DEFAULT_SEED = 42
 _STRAT_HEAD_END_PCT = 0.20
 _STRAT_MID_END_PCT  = 0.50   # head+mid = 50%, deci mid = 30%
 
-# Kill-criterion (F-E, PRD 5.14):
+# Kill-criterion:
 #
 # DEFAULT_WRONG_CODE_THRESHOLD = 0.005 (0.5%)
-#   Justificare: un cod gresit = FINALIZATA ireversibila la RAR (Premisa 3).
+#   Justificare: un cod gresit = FINALIZATA ireversibila la RAR.
 #   La 200 operatii/zi auto-rezolvate cu 0.5% rata gresita = 1 FINALIZATA
 #   gresita/zi, ceea ce depaseste toleranta operationala acceptabila.
 #   Pragul poate fi RELAXAT empiric pe baza de date reale; NU inasprit post-hoc.
@@ -98,7 +97,7 @@ def sample_stratified(
 ) -> list[dict]:
     """Esantionare stratificata aleatorie pe trei strate Zipf: cap/mijloc/coada.
 
-    Determinista cu seed; NU apeleaza LLM (PRD L14-S5).
+    Determinista cu seed; NU apeleaza LLM.
 
     rows:     lista de (denumire, nr) — frecventele absolute.
               Nu trebuie sortata in prealabil.
@@ -182,7 +181,7 @@ def export_for_labeling(sample: list[dict], path: str) -> None:
 
     Coloana `cod_gold` ramane GOALA in fisierul exportat.
     NU o completa cu etichete LLM sau automate: ar fi "antrenare pe test"
-    si ar invalida precizia raportata (Decision #19, PRD 5.14).
+    si ar invalida precizia raportata.
 
     sample: lista de {denumire, nr, strat} returnata de sample_stratified()
     path:   fisierul CSV de scris (suprascrie daca exista)
@@ -323,7 +322,7 @@ def eval_predictions(
 
 
 # ---------------------------------------------------------------------------
-# Kill-criterion (F-E, PRD 5.14)
+# Kill-criterion
 # ---------------------------------------------------------------------------
 
 def kill_criterion(
@@ -331,7 +330,7 @@ def kill_criterion(
     wrong_code_threshold: float = DEFAULT_WRONG_CODE_THRESHOLD,
     coverage_threshold: float = DEFAULT_COVERAGE_THRESHOLD,
 ) -> dict:
-    """Evalueaza daca sistemul de clasificare indeplineste pragul de acceptanta (F-E).
+    """Evalueaza daca sistemul de clasificare indeplineste pragul de acceptanta.
 
     Sistemul TRECE daca:
         wrong_code_rate  < wrong_code_threshold   (implicit 0.5%)
@@ -339,7 +338,7 @@ def kill_criterion(
         coverage_rate    > coverage_threshold     (implicit 50%)
 
     Un sistem care nu trece kill-criterion NU trebuie folosit pentru auto-send
-    dincolo de GOLD propriu (Decision #19, #17, PRD 5.14).
+    dincolo de GOLD propriu.
 
     metrics:                 dict returnat de eval_predictions() sau compatibil
                              (must have keys: wrong_code_rate, coverage_rate).
@@ -375,7 +374,7 @@ def kill_criterion(
     elif not cond_wrong_code:
         reason = (
             f"ESUEAZA: rata cod-gresit {wcr:.2%} >= {wrong_code_threshold:.2%}. "
-            f"Un cod gresit = FINALIZATA ireversibila la RAR (Premisa 3, PRD 5.14). "
+            f"Un cod gresit = FINALIZATA ireversibila la RAR. "
             f"Auto-send dincolo de GOLD dezactivat pana la recalibrat."
         )
     else:
@@ -442,7 +441,7 @@ def _load_corpus_from_csvs(data_dir: str) -> list[tuple[str, int]]:
 def _print_report(metrics: dict) -> None:
     sep = "=" * 70
     print(sep)
-    print("RAPORT EVALUARE HELD-OUT (L14-S5, PRD 5.14)")
+    print("RAPORT EVALUARE HELD-OUT")
     print(sep)
     print(f"  Total intrari evaluate:   {metrics['total']}")
     print(f"  Corecte:                  {metrics['correct']}")
@@ -480,7 +479,7 @@ def main() -> None:
     import argparse
 
     p = argparse.ArgumentParser(
-        description="Harness eval held-out L14-S5 (PRD 5.14).",
+        description="Harness eval held-out pentru mapare operatii->coduri RAR.",
         formatter_class=argparse.RawDescriptionHelpFormatter,
         epilog="""
 Moduri de utilizare:
@@ -559,7 +558,7 @@ Moduri de utilizare:
     print("  '?' = incert (clasificatorul nu poate decide)")
     print()
     print("  ATENTIE: NU folosi etichete LLM drept cod_gold!")
-    print("  Asta ar fi 'antrenare pe test' (Decision #19, PRD 5.14) si ar")
+    print("  Asta ar fi 'antrenare pe test' si ar")
     print("  invalida orice masurare de acuratete.")