│ 1. Сначала без LLM проверь пересчёт diag1: покажи точные pred_set, gold_v1, gold_v2, пересечения и P/R/F1 для затронутого повтора. Объясни противоречие между
 │    «precision нигде не изменился» и утверждением, что предсказанный source_table_name удалён из gold. Проверь, что скрипт действительно считывает разные файлы
 │    эталона.
 │ 2. Затем проверь обновлённый SKILL.md на трёх кейсах × 3 повтора:
 │   - model_312890_broken — значение CLUSTER_SCHEMA доступно, ожидается раскрытие;
 │   - 312890_broken_SQL — значение не найдено среди доступных артефактов, ожидается сохранение шаблона;
 │   - 330295_broken_SQL — контроль на возможную регрессию.
 │    Это 9 попыток штатным eval run. Не меняй больше промпт, лимит, _shrink и метрику. Запиши текущий gold v2 и конфигурацию, используй новые каталоги и отдельный трейс
 │    на каждый повтор.
 │ 3. Сравни старые и новые ответы одной функцией и на одном gold v2. Для каждого повтора покажи:
 │   - успех / ошибка / пропуск;
 │   - сколько имён раскрыто и сколько осталось шаблонами;
 │   - P/R/F1 и списки несовпадений;
 │   - наличие evidence и обрывы finish_reason=length.
 │    Для model_312890_broken отдельно проверь, раскрылись ли имена именно в arnsdprisk_…; для 312890_broken_SQL — не подставил ли агент значение, отсутствующее в его
 │    артефактах. Ошибки и пустые успешные ответы не исключай из отчёта.
 │ 4. Старую базу показывай как она была получена: исходные попытки и перезапуск — отдельно. Не заменяй ошибки успешными повторами без явной пометки. Укажи, что три
 │    повтора дают предварительное наблюдение, а не доказанный прирост.
 │
 │ Пришли результаты и анализ; новые правки после прогона пока не вноси.