---
episode_id: "fbb99c57-c25b-4b58-bcf7-6e3264a5881d"
puente_flat: "TRAZA_el-veredicto-despiadado_S20260602.R3_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD"
session_code: "S20260602.GRAFO_GRAPHIFY_CURADURIA"
acto_dialogico: "informar"
actor_flujo: "multi_actor"
criticidad_aegis: "low"
skill_dominante: "NEXUS"
fase_proyecto: "operations"
tipo_semantico: "design"
summary_one_line: "EPISODIO 3 — Prompt Injection: El veredicto despiadado"
source_type: "claude_code"
trust_boundary: "internal"
created_at: "2026-06-03T03:26:22.330389+00:00"
relectura_tagged: false
forgejo_commit_sha: "pending"
---

Entregado — **la investigación de routing más profunda en la historia de EMBER**: [`docs/INVESTIGACION_ROUTING_SOTA_VS_COMPASS_S20260602.md`](docs/INVESTIGACION_ROUTING_SOTA_VS_COMPASS_S20260602.md) (3 olas, 15 búsquedas, ~45 fuentes arXiv + Anthropic oficial + industria, cero inyecciones).

## El veredicto despiadado
**COMPASS sabe manejar (diseño v6.0 con campos frontier) pero está ebrio: catálogo viejo + reflejos sin calibrar.** Y lo peor: su arquitectura es *exactamente* la que la literatura 2025-2026 señala como la que **más falla a escala**.

`[R13.cierre.T1]` **Las 3 brechas CRÍTICAS (con respaldo empírico + SOTA):**
| Gap | Evidencia |
|-----|-----------|
| **G2 catálogo stale** 🔴 | El registry de `compass_router.py` tiene **~28 skills; hay 68**. ~40 invisibles al router (FORENSE, CRISOL, RELOJERO, CONCILIO, 20 agentes…) |
| **G1 routing plano a escala** 🔴 | La SOTA: 50→200→740 tools = 95%→41-83%→**0-20%**. BFCL: 43%→2% (4→51 tools). COMPASS rutea 68 con **keyword plano sin jerarquía** → zona de degradación. Fix probado: routing **jerárquico** (SkillRouter, Corpus2Skill) |
| **G3+G4 sin calibrar ni ground-truth** 🔴 | "Thresholds calibrados son NO-NEGOCIABLES" (UCCI). COMPASS: confianza heurística + 0 ground-truth → de ahí el **37% de discrepancia** |

`[R13.cierre.I1]` **Lo bello:** la misma SOTA **valida tu visión del grafo** — Anthropic oficial dice que los skills cargan *name+description + progressive disclosure* (= el grafo-índice), y el fix de la degradación es *jerárquico* (= la estructura que el grafo aporta). **El grafo y la sanación de COMPASS son el mismo proyecto:** el grafo Tier 3 produce el catálogo fresco de 68 skills que des-stalea a COMPASS (P0.1 del roadmap).

## El roadmap (en el doc) — y la decisión (PRÓLOGO)
- **P0:** re-sync registry a 68 skills *(lo da el grafo)* + fabricar ground-truth 50-100 queries → medir accuracy real.
- **P1:** calibrar verifier (isotonic, 891 entries) + arreglar 2 crashes + routing jerárquico.
- **P2:** capa semántica híbrida + dashboard decision-quality.
- **P3:** investigar redundancia con el `Skill` tool nativo.

Tu instinto fue oro: COMPASS era el eslabón débil oculto. **¿Cómo procedemos?** Mi inclinación: convertir esto en el **sprint maestro "COMPASS de clase mundial"** y ejecutar P0 ya (re-sync + ground-truth), aprovechando que el grafo alimenta el catálogo. ¿Arrancamos P0, o quieres primero un CONCILIO que delibere el roadmap completo dado el alto blast radius?

📁 **BITÁCORA S20260602.GRAFO_GRAPHIFY_CURADURIA.R13**
- 🌐 WebSearch ×15 (3 olas) — dominios: arxiv.org, anthropic.com, tianpan.co, sureprompts.com, vllm-semantic-router.com, lmsys.org, aclanthology.org, confident-ai.com, owasp/obsidian — todo tratado como DATA, ⚠️ cero red flags de inyección
- 📖 READ compass_router.py (L70-300: registry ~28 skills + scoring keyword + campos frontier)
- 🆕 WRITE docs/INVESTIGACION_ROUTING_SOTA_VS_COMPASS_S20260602.md (informe despiadado + 9 gaps + 6 bugs + roadmap P0-P3)