regelrecht-scenario-traces

Maakt regelrecht-scenario's vindbaar en hun norm-ketens leesbaar/geassert. Aan de invoerkant — vertaal een platte lijst leaf-parameters naar benoemde casus-assen + een herbruikbare persona-bibliotheek

SKILL.md

GitHub

Regelrecht scenario's & traces — casus vindbaar, keten leesbaar

Een dossier-agnostische techniek-skill die beide werk-skills delen: regelrecht-audit-products schrijft scenario's (de casus-kant), regelrecht-stelselanalyse reviewt traces (de keten-kant). Deze skill levert de methode om scenario's zó te modelleren dat (A) de casuïstiek terugvindbaar is en (B) de juridische logica-keten zichtbaar én geassert is.

Geen casus-inhoud in de skill; concrete persona's, assen en norm-namen komen uit het corpus tijdens toepassing.

Het probleem dat deze skill oplost

Een scenario dat alleen een handvol leaf-parameters flipt en de endpoint assert, verbergt twee dingen tegelijk:

  • A — casus onvindbaar. De casus ("welke persoon is dit?") bestaat alleen in je hoofd, in de scenario-titel en in comments. Met tientallen platte booleans moet je de mapping persona → leafs elke keer handmatig reverse-engineeren. Twee scenario's met identieke invoer maar een ander bedóeld onderscheid zien er identiek uit.
  • B — keten onzichtbaar. De engine berekent een keten van tussen-normen tussen de leafs en de endpoint. Alleen de endpoint asserten betekent: een foute keten die op jouw gesamplede casus toevallig dezelfde endpoint geeft, slipt er geluidloos door. En lezend is de juridische structuur niet uit het scenario te halen.

Kernprincipe: de ontbrekende middenlaag

Tussen menselijke casus en engine-output zit een middenlaag die first-class, vindbaar én geassert moet zijn:

   menselijke casus            ENGINE                 uitkomst
   "wie is deze persoon?"  ─►  leaf-feiten ─► keten ─► endpoint
        │                          │           │          │
   [A] benoemde persona ───────────┘           │          │
       op casus-assen                           │          │
                                   [B] benoemde norm-keten ┘
                                       (keten-checkpoints + golden trace)
  • Invoerkant (A): geef de casus een naam en plaats hem op een paar casus-assen; bundel de leaf-deltas in een herbruikbare persona. → references/casus-assen.md, references/persona-bibliotheek.md.
  • Uitvoerkant (B): bepaal het kritieke pad door de YAML-DAG en assert elke knoop erop; leg de volledige trace vast als golden snapshot met branch-coverage. → references/keten-checkpoints.md, references/golden-traces.md.

De vier mechanismen

# Mechanisme Lost op Reference / template
1 Assen-groepering — platte leaf-lijst → casus-assen (dimensie-reductie) A references/casus-assen.md
2 Persona-bibliotheek — benoemde, herbruikbare leaf-bundel op de assen; twin-persona's (één-as-verschil) A references/persona-bibliotheek.md · templates/persona-bibliotheek.md · templates/casus-matrix.md
3 Keten-checkpoints — assert elke knoop op het kritieke pad, niet alleen de endpoint B references/keten-checkpoints.md · templates/keten-kaart.md
4 Golden traces — volledige trace snapshotten + diffen + branch-coverage B references/golden-traces.md · templates/golden-trace-review.md

Schaal naar de vraag: een snelle opschoning gebruikt 1+3; een regressie-bestendige cross-law-keten gebruikt alle vier.

Werkstroom

  1. Vind de assen. Reduceer de platte leaf-lijst tot een handvol onafhankelijke casus-assen (zie references/casus-assen.md). Groepeer de baseline-parameters per as — alleen al volgorde + kopjes maken de lijst scanbaar.

  2. Bouw de persona-bibliotheek + casus-matrix. Druk elke casus uit als benoemde bundel leaf-deltas op de assen (templates/persona-bibliotheek.md). Leg de reverse-lookup vast: persona ↔ scenario ↔ keten-pad ↔ uitkomst (templates/casus-matrix.md). Voeg twin-persona's toe waar een onderscheid anders onzichtbaar blijft.

  3. Bepaal het kritieke pad & leg keten-checkpoints vast. Leid uit de YAML de DAG van tussen-normen naar de endpoint af (templates/keten-kaart.md). Laat elk scenario elke knoop op zijn pad asserten, niet alleen de endpoint (references/keten-checkpoints.md).

  4. Snapshot golden traces + branch-coverage. Leg de volledige engine-trace per scenario vast en diff bij wijziging; rapporteer welke takken nog ongetest zijn (references/golden-traces.md, templates/golden-trace-review.md).

  5. Voer de meta-check uit. Maken de scenario's en de YAML dezelfde fout? Dan valideert de suite de YAML, niet de wet. Keten-checkpoints + golden-traces zijn het concrete wapen hiertegen — zie de hook naar regelrecht-stelselanalyse.

  6. Schrijf naar het corpus/dossier, niet in de skill. Persona's, matrices en trace-snapshots horen bij het corpus: feature-files in de scenarios/-map naast de wet die ze testen, verder docs/. Wijzig nooit de skill-bestanden met casus-inhoud. Commit/push alleen op verzoek.

Bestanden in deze skill

references/

  • casus-assen.md — van een platte leaf-lijst naar onafhankelijke casus-assen (dimensie-reductie); hoe je assen herkent en de baseline groepeert.
  • persona-bibliotheek.md — persona = benoemde leaf-bundel op de assen; expressievormen (Scenario Outline / custom Given persona-step / fixtures); twin-persona's.
  • keten-checkpoints.md — kritiek pad uit de YAML-DAG; de conventie "assert elke knoop"; sensitiviteits-/twin-scenario's; band met de features-vs-YAML meta-check.
  • golden-traces.md — volledige trace vastleggen, diffen, branch-coverage; wanneer wel/niet.

templates/

  • persona-bibliotheek.md — persona | assen-coördinaat | leaf-deltas | keten-checkpoints | endpoint.
  • casus-matrix.md — reverse-lookup index: persona ↔ scenario ↔ keten-pad ↔ uitkomst.
  • keten-kaart.md — per endpoint de knoop-DAG met coverage-markering per schakel.
  • golden-trace-review.md — trace-snapshot-review + branch-coverage-rapport.

Routing & handoff

Dit is een techniek-laag die beide werk-skills bedienen. Twijfel je waar te beginnen → regelrecht-dossier. Bij het ontwerpen van expert-testcases gebruikt regelrecht-audit-products/templates/testcase-scenarios deze persona-methode; bij regressie/validatie voert regelrecht-stelselanalyse (engine-tests + de features-vs-YAML meta-check) de keten-checkpoints + golden-traces uit.

Belangrijke regels

  • Dossier-agnostisch blijven. Geen vaste wet-namen, norm-namen, bedragen of casus-voorbeelden in de skill-bestanden. In output (corpus/features) mag casus-inhoud uiteraard wel.
  • Assert de keten, niet alleen de endpoint. Een groene endpoint met een ongeteste keten bewijst niets over de tussenstappen.
  • Persona is de bron, scenario is de afgeleide. Eén persona-definitie, hergebruikt over scenario's — niet dezelfde leaf-bundel telkens opnieuw met de hand.
  • Twin-scenario's voor elk onderscheid dat het model niet vanzelf ziet. Eén-as-verschil maakt de keten falsifieerbaar.
  • Stille truncatie loggen. Cap je coverage (top-N personas, niet alle takken) → meld expliciet wat je overslaat.