epic(audit): arc narratif des carnets compliques -- lecture simple d'abord, approfondissements en annexes (generalisation du pilote Lean-31)

[jsboige]

État mesuré au 2026-10-05 (origin/main = 90b2be6d65). Consolidation par la lane myia-po-2026:CoursIA, détail et preuves en c.5986538924 ; bloc posé par le coordinateur. La table et le census du corps, en dessous, sont datés : lire les corrections ci-dessous avant de s'en servir.

• Livré, sept tranches : pilote Lean-31 (refactor(notebook): Lean-31 Euler-Navier-Stokes -- remonter le recit et les viz, stats de preuve en annexes (arc narratif) #18699), SW-11 C# (refactor(sw11,#18703): arc narratif SW-11-CSharp -- lecture simple d'abord, annexes A-E (pilote #18699) #18726), SW-11 Python (refactor(sw11,#18703): arc narratif SW-11-Python — deep-dives en annexes lettrees, visualisation remontee #18800), DecPyMC-5 (refactor(decision-theory,#18703): DecPyMC-5 arc-narratif — annexes A/B/C, fil simple renuméroté #18727), Z3 Meal-Planner (refactor(z3,#18703): arc narratif Meal-Planner -- lecture simple d'abord, annexes A/B/C (pilote #18699) #18730), Sudoku-13 (refactor(sudoku,#18703): Sudoku-13 arc-narratif — annexes A/B, théories et tableaux hors fil #18748), Lean-16b (feat(notebook-lean,#18703): Lean-16b arc narratif — piliers remontés, approfondissements en Annexes A-G #18806). C.2 tenu sur les sept.
• Le geste produit l'effet annoncé (critère 2, position de la première image) : Lean-31 passe de 75 % à 15 %, Lean-16b de 40 % à 13 %, SW-11 Python de 37 % à 29 %. Sudoku-13 n'a pas d'image : son gain est structurel.
• Corrections du census : _archive/ n'est pas exclu par le filtre (les deux premiers scores d'un census refait sont des archives) ; trois chemins sont périmés (Lean-9 → Lean-09-…-Lean-Python, Search-3 → Search-03, Csharp → CSharp) ; quatre lignes dérivent de plus de 10 %. La liste fraîche des candidats est au §5 du commentaire.

Reste ouvert : le déploiement continue (Search-03 en vol, lane myia-po-2025:CoursIA). L'EPIC n'est pas fermé.

---

Pourquoi

Suite directe du constat utilisateur du 01/10 (Lean-31) : certains carnets écrivent des murs sur chaque sujet et enterrent leur payoff — le récit, les visualisations — derrière des statistiques de preuve obscures. Le lecteur intéressé par les viz décroche avant d'y arriver. Le pilote #18699 (Lean-31) valide la méthode sur un cas ; cette EPIC généralise le geste aux carnets « compliqués » du dépôt, sur les bases de ce que la réécriture aura clarifié.

Le geste est celui déjà fait pour la numérotation allégée + accrétions (lettres) dans les carnets et l'arc narratif dans les README : lecture simple remontée dans les premières parties, approfondissements rendus optionnels (sections tardives, annexes lettrées), aucune suppression de contenu.

« Compliqué » = critères observables, pas une impression

Trois mesures objectives par carnet (census complet des 1458 notebooks de origin/main, script jetable, métriques reproductibles) :

Critère	Mesure	Seuil candidat
Murs de prose	cellules markdown > 4 000 caractères	≥ 2
Payoff tardif	position de la première sortie image (% du carnet)	≥ 40 %
Volume	total caractères de source	≥ 60 k

Census du 01/10 (1155 carnets scannés sur l'arbre de travail local, 867 conservés après exclusion des archive/, artefacts *_output.ipynb et carnets < 15 cellules). Top candidats par score combiné :

score	kchars	murs>4k	1re img à	carnet
194.5	195	0	—	QuantConnect/partner-course…/Crypto-MultiCanal/research.ipynb *
144.4	137	3	—	SymbolicAI/SemanticWeb/RDF.Net-Legacy/RDF.Net.ipynb *
141.6	142	0	—	SymbolicAI/Lean/Lean-9-SK-Multi-Agents.ipynb
113.6	111	1	—	QuantConnect/Python/QC-Py-14-Portfolio-Construction-Execution.ipynb
104.3	97	3	—	Sudoku/Sudoku-13-SymbolicAutomata-Csharp.ipynb
102.6	103	0	37 %	SymbolicAI/SemanticWeb/SW-11-Python-KnowledgeGraphs.ipynb
102.1	100	1	12 %	QuantConnect/Python/QC-Py-18-ML-Features-Engineering.ipynb
101.0	101	0	26 %	QuantConnect/Python/QC-Py-10-Risk-Portfolio-Management.ipynb
97.9	98	0	—	GenAI/Texte/10_LocalLlama.ipynb
96.5	87	2	40 %	SymbolicAI/Lean/Lean-16b-Conway-Game-of-Life-Lean.ipynb
95.5	93	1	30 %	QuantConnect/Python/QC-Py-20-ML-Regression-Prediction.ipynb
94.6	95	0	—	SymbolicAI/SMT/Z3-Linq2Z3/06_Meal_Planner_Modelisation.ipynb
92.1	90	1	—	SymbolicAI/Lean/Lean-10-LeanDojo.ipynb
88.8	89	0	29 %	Probas/DecisionTheory/PyMC/DecPyMC-5-Value-Information.ipynb
85.3	83	1	35 %	QuantConnect/Python/QC-Py-19-ML-Supervised-Classification.ipynb
85.0	75	0	75 %	Search/Part1-Foundations/Search-3-Informed.ipynb

Le pilote lui-même, mesuré à part (absent de l'arbre local, lu depuis origin/main) : Lean-31 = 135 k chars, 3 murs, première image à 75 % — il se classerait ~4e. Cohérent avec le signalement utilisateur.

Caveats : (1) census sur arbre de travail local — les carnets plus récents que le checkout manquent (Lean-31,Lean-33/34…) ; la table est un point de départ, pas un recensement fermé. (2) Les entrées * sont du matériel hérité/partner (RDF.Net-Legacy, examples Crypto-MultiCanal) — à arbitrer séparément (peut-être hors scope pédagogique). (3) 555 carnets n'ont aucune sortie image : pour eux le « payoff » est narratif (résultats, récits, tableaux) — le critère s'applique en variante « première interprétation/résultat vs murs préliminaires », pas « première image ». 131 carnets ont leur première image à ≥ 40 %.

Le geste attendu (par carnet retenu)

1. Cartographier l'arc (sections, volumes, position des sorties images, dépendances d'exécution par AST).
2. Remonter la lecture simple : récit/chronologie + visualisations principales dans la première moitié.
3. Descendre les approfondissements en sections tardives puis annexes lettrées (convention accrétions) — stats obscures, contrats d'outillage, forensics.
4. Transitions réécrites (renvois des « Lecture du résultat »), plan et titre mis à jour.
5. Ré-exécution complète (C.2), ordre d'exécution préservé pour les dépendances.
6. Anti-régression : volume source préservé à ± transitions ; non-claims et démonstrations intacts.

Lien avec la campagne #17073 (Hermes + NanoClaw)

Un critère d'observation est ajouté aux partitions encore à auditer : en plus des classes existantes, consigner les carnets présentant la pathologie d'arc (payoff tardif + murs de prose) — en lecture seule, finding de classe arc-narratif, sans réparation. Voir le commentaire sur #17073. Les carnets déjà audités seront couverts par le census ci-dessus — aucune re-audit nécessaire.

Rollout

1. Pilote : refactor(notebook): Lean-31 Euler-Navier-Stokes -- remonter le recit et les viz, stats de preuve en annexes (arc narratif) #18699 (Lean-31) — valider la méthode, mesurer le coût.
2. Tranches par famille (une PR par carnet, grain MED) sur les candidats du census, priorité aux carnets les plus scorés.
3. Chaque tranche cite les critères d'acceptation du pilote.

Non-goals

• Pas de densification de contenu nouveau (ce n'est pas densite pedagogique : 430 notebooks sous le plancher 1200 — surface majoritairement non suivie #13410).
• Pas de réécriture technique des démos — déplacement + transitions uniquement.
• prose-counts ratchet : les réécritures de transitions peuvent toucher le ratchet — vérifier par tranche, jamais scrubber.

[myia-ai-01]

[CLAIMED] lane myia-po-2024:CoursIA -- tranche arc-narratif SW-11 (lecture simple d'abord, approfondissements en annexes lettrees, rien supprime) paths: MyIA.AI.Notebooks/SymbolicAI/SemanticWeb/SW-11-CSharp-KnowledgeGraphs.ipynb

[myia-ai-01]

[CLAIMED] lane myia-po-2025:CoursIA -- tranche arc-narratif Lean-16b Conway (lecture simple d'abord, approfondissements en annexes lettrees, rien supprime) paths: MyIA.AI.Notebooks/SymbolicAI/Lean/Lean-16b-Conway-Game-of-Life-Lean.ipynb

[myia-ai-01]

[CLAIMED] lane myia-po-2026:CoursIA -- tranche arc-narratif DecPyMC-5 (lecture simple d'abord, approfondissements en annexes lettrees, rien supprime) paths: MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-5-Value-Information.ipynb

[myia-ai-01]

[CLAIMED] lane myia-po-2027:CoursIA -- tranche arc-narratif Z3-Linq2Z3 06_Meal_Planner (lecture simple d'abord, approfondissements en annexes lettrees, rien supprime) paths: MyIA.AI.Notebooks/SymbolicAI/SMT/Z3-Linq2Z3/06_Meal_Planner_Modelisation.ipynb

[jsboige]

[DELIVERED] lane myia-po-2024:CoursIA -- tranche SW-11-CSharp : PR #18726 (claim 2026-10-01T18:39:14Z)

Geste pilote #18699 applique : ligne principale renumerotee 0-8 (construire, interroger, parcourir/visualiser, exemples, verdict, exercices, resume), approfondissements en annexes A-E, rien supprime (audit ligne a ligne : 12 seules lignes absentes = re-titres/re-indexations). 15 cellules code byte-identiques (ordre seul), re-exec .net-csharp 15/15 EXEC_PROVED, 14/15 sorties textuellement identiques, 1 cellule differe seulement par l'ordre des paires ex aequo (ORDER BY non total). Twin parity [OK] apres attestation 0009 + known_difference au registre.

Note pour le coordinateur : le census de l'EPIC score SW-11-Python (102.6, 103 k chars, 1re image a 37 %) -- le jumeau C# ne passe aucun des 3 seuils (38.8 k, 0 mur >4k, pas d'image). La tranche Python reste a dispatcher (je peux la prendre en suite de cycle si confirmee).

[jsboige]

[CLAIMED] lane myia-po-2027:CoursIA -- tranche arc-narratif : MyIA.AI.Notebooks/SymbolicAI/SMT/Z3-Linq2Z3/06_Meal_Planner_Modelisation.ipynb (EPIC #18703, geste du pilote #18699 : lecture simple d'abord, approfondissements en annexes lettrées, rien supprimé, re-exec .NET complète)

[jsboige]

[CLAIMED] lane myia-po-2026:CoursIA -- tranche arc-narratif Sudoku-13 (lecture simple d'abord, approfondissements en annexes lettrees, rien supprime) paths: MyIA.AI.Notebooks/Sudoku/Sudoku-13-SymbolicAutomata-Csharp.ipynb

[jsboige]

[CLAIMED-AMEND] lane myia-po-2024:CoursIA-2 -- tranche arc-narratif SW-11 : ajout du carnet Python (le CSharp est livre PR #18726, cf [DELIVERED] lane CoursIA). paths: MyIA.AI.Notebooks/SymbolicAI/SemanticWeb/SW-11-Python-KnowledgeGraphs.ipynb -- geste pilote #18699 : lecture simple d'abord, approfondissements en annexes lettrees, rien supprime

[jsboige]

[DELIVERED] SW-11-Python-KnowledgeGraphs — arc narratif complet en PR #18800 (lane myia-po-2024:CoursIA-2, 2026-10-02T03:4xZ). 38 cellules de code byte-identiques, ordre seul : visualisation remontee en section 3 (premiere image a 28 %), deep-dives en annexes A-D placees avant les exemples guides (audit de dependances : exemples 3 et 7 consomment OWLREADY_AVAILABLE/onto de l'annexe C). Re-execution integrale 38/38, 0 erreur. Twin parity attestee (known_difference + entree 0009).