API — superficie pública de bib2graph

Contratos de las costuras y del núcleo: el "producto" que ve quien la integra o la extiende. Son bocetos de interfaz (firmas + docstrings), no la implementación: el código es la fuente de verdad última y este doc describe el contrato que ese código cumple. Diseño de fondo en ARCHITECTURE.md; método en Notas/metodología.md.

El Corpus es una tabla Arrow validada con Pydantic v2 (ADR 0006) respaldada por un TabularBackend (InMemoryBackend puro / DuckDBBackend por defecto; ADR 0015); Paper/Author/Keyword/Institution son vistas derivadas, no tipos. El estado del lazo (CycleState) vive en el backend persistente (ADR 0016). El contrato Source separa mínimo universal vs enriquecimiento opcional (ADR 0018). El producto no usa IA generativa (ADR 0022): la asistencia del forrajeo es estructura bibliométrica determinista (information scent).

La superficie pública —núcleo, costuras, capa de servicios neutral service/, y el CLI de 10 verbos (ADR 0037/0038)— está construida; lo marcado futuro está declarado pero no implementado (no falsamente prometido). Las firmas de abajo se verifican contra src/bib2graph/.

Convenciones

• Tipado estático en todas las firmas públicas. Las costuras se definen como Protocol o ABC.
• Funciones puras en el núcleo (proyectores, analizadores, preprocesador): sin red, sin estado global. El estado (biblioteca viva + LoopState) vive en el backend persistente (DuckDBBackend), no en la sesión.
• Estado de implementación: v1 vs futuro (declarado, NO implementado — marcado como tal, no falsamente prometido; lección 5 de v0).

Convenciones del CLI agente-native (ADR 0010 / 0021)

El CLI b2g (paquete bib2graph.cli, único entry point b2g = "bib2graph.cli:main") cumple el contrato del ADR 0021. Cada subcomando lleva --json (envelope estable/versionado, también activable con B2G_JSON=1, ver §Envelope JSON) y exit codes (0 éxito · 1 uso (B2GError UsageError) · 2 datos (DataError; también errores de parseo de Click tras la enmienda 2026-10-11 #283, re-canalizados como envelope en modo JSON) · 3 dependencia · 4 red · 5 store/snapshot corrupto o bloqueado). Sin estado entre invocaciones: el estado vive en el library.duckdb del workspace (opción global opcional --workspace; --store fue eliminada en #75).

Superficie — 10 verbos del ciclo + skill + schema = 12 registros exactos (ADR 0037/0038/0039/0045). La superficie mapea 1:1 el ciclo (más es menos); el conteo es verificable contra b2g --help (12 comandos de nivel superior, ni uno más):

• 10 verbos del ciclo: init, seed, chain, curate (grupo), build, read (grupo), export, snapshot (grupo), status, validate. (El par EXPORT/SNAPSHOT cuenta como uno; ADR 0037.)
• 3 grupos noun-verb: read {list,stats,show,top}, curate {dump,apply,accept,reject,filter}, snapshot {create,restore}. Un grupo sin subcomando imprime ayuda y sale exit 0; el command del envelope usa la ruta completa ("read list").
• 2 comandos meta fuera del set de 10 (no son pasos del ciclo; ni FSM ni workspace): skill (grupo {add,providers}; ADR 0039, ADR 0046 #193) y schema (ADR 0045 #260, ver §schema). Un grupo skill sin subcomando imprime ayuda y sale exit 0 (como los demás grupos).

Retirado en 0.12.0 (BREAKING, #207, ADR 0038 P1 ejecutado): los 9 verbos planos deprecados —accept, reject, filter, inspect, monitor, networks, enrich, restore, resolve— ya no se registran (invocarlos da el error estándar de Click No such command). Su lógica vive en las formas canónicas del ciclo (ver tabla en §Formas canónicas de los verbos retirados). También se retiraron el entry-point legado bib2graph (queda solo b2g), el flag build --corpus-scope (queda build --scope, default all) y el módulo cli/_deprecation.py. thesaurus nunca fue alias: se retiró por completo (su capacidad es build --thesaurus, #164).

status expone el ciclo: estado actual del FSM (SEEDED/FORAGED/FILTERED/BUILT/MONITORED, dominio en bib2graph.cycle), transitions_available, curation_available (accept/reject siempre disponibles, curación transversal), round (contador de ronda con reseed), conteos por curation_status, workspace: {root, source} (el bloque hoy es universal en los comandos del ciclo, ADR 0045 #259 — ver §Envelope), networks_cache_stale: bool (+ warnings accionable cuando la cache de networks/ quedó obsoleta — avisa, NO regenera), referenced_not_fetched (nº de IDs que el backward chaining observó sin materializar; §4/§5) y equations (lista de las ecuaciones registradas en el store, leída de backend.load_equations(); QA 0.14.0 #2, ADR 0050 D1): cada entrada es {equation_id, raw_query, engine, created_at}; siempre presente ([] si no hay ecuaciones, sin romper). En modo humano se imprime la sección "Ecuaciones registradas (N):". Así la procedencia deja de ser invisible (antes solo se veía en la metadata del .arrow exportado) sin agregar un verbo (es estado, no una acción — ADR 0037). Todos campos aditivos, schema="1" intacto. validate chequea la consistencia del workspace (read-only).

init (ADR 0029): scaffold de un workspace. b2g init <name> crea <name>/ con workspace.json + library.duckdb + networks//snapshots//exports/; b2g init . inicializa el cwd (adopta un .duckdb legacy). Si la carpeta ya es workspace → WorkspaceExistsError. NO transiciona. data = {root, name, ...}.

seed (ADR 0030): TRES modos mutuamente excluyentes (exactamente uno; ninguno o más de uno → exit 1):

• --equation '<texto>' — ecuación cruda (modo OpenAlex directo, con red). Los términos se combinan en AND dentro de la única expresión title_and_abstract.search:(...): más términos ⇒ menos resultados (el --help del flag lo explicita, ADR 0049 #287, para que un agente que obtiene 0 papers sepa aflojar la ecuación en vez de agregarle términos).
• --spec equation.yaml — la misma siembra parametrizada por un YAML versionable (clave raíz equation:, modelo EquationSpec, §2; paridad 1:1 flag ⇄ campo).
• --from-bib <archivo.bib> — siembra desde BibTeX local sin red (BibtexSource.load); is_seed=True/candidate, transiciona a SEEDED (o reseed → ronda++). data = {papers_added, total_papers, round, reseeded} (sin executed_query/translation_report). Falta bibtexparser ([bibtex]) → DependencyError exit 3; archivo inexistente / .bib mal formado → DataError exit 2.
• --resolve (solo con --from-bib): tras cargar, encadena la resolución DOI→source_id (service/resolve.py::resolve_dois) reusando el store abierto; suma data["resolve"]. --email se permite con --from-bib solo junto a --resolve (se propaga al polite pool).

Flags OpenAlex (solo con --equation/--spec): --max-results INT (default del source 200; muestras chicas); --exclude TEXT (repetible) = negaciones quirúrgicas inyectadas dentro de la única expresión title_and_abstract.search:((query) AND NOT "<término>") (campo no repetido), en el translation_report; --min-year/--max-year filtran contra OpenAlex (from_publication_date/to_publication_date como predicado separado por coma, fuera del search); --native = query cruda (sin traducción; min/max-year no aplican). Combinar cualquier flag OpenAlex con --from-bib → exit 1 (salvo --email junto a --resolve). No existe seed --from-corpus (rehidratar un parquet curado es snapshot restore).

• --preview (dry-run, ADR 0049 #287): traduce la ecuación y muestra la query de OpenAlex (title_and_abstract.search:(...)) SIN fetchear ni tocar el corpus — la forma barata de ver a qué se traduce una ecuación antes de gastar red o cuota. Solo válido con --equation/--spec (con --from-bib → UsageError exit 1: no hay traducción que previsualizar). Corta antes de resolver workspace → funciona sin workspace (no requiere b2g init; no transiciona la FSM). En --json emite el envelope estándar con data.preview = true, data.executed_query (la query exacta) y data.translation_report (mapeos limpios/aproximados/descartados + negaciones); no trae papers_added/total_papers (nada se materializó). Es el análogo de chain --preview para el paso SEED.

Credenciales de OpenAlex (seed/chain/build; ADR 0012). Dos credenciales, ambas inyectadas, ninguna obligatoria:

• API key — env OPENALEX_API_KEY (no hay flag --api-key en los verbos vivos: es un secreto, entra solo por entorno para no aparecer en el envelope --json). Precedencia: argumento api_key= (solo Python) > env OPENALEX_API_KEY > ausencia ⇒ polite pool. Con key se manda como header Authorization: Bearer <key>. Sube el rate limit (relevante con el modelo de créditos de OpenAlex 2026, #124). Sin key el Source no rompe: corre en polite pool con menor límite (sin degradación de resultados, solo de velocidad).
• --email (polite pool) — no es secreto (identificador de cortesía); viaja como mailto en la query y mueve las peticiones al polite pool (límite más generoso que el anónimo).

Ante 429/5xx, seed reintenta con backoff exponencial (3 intentos, el mismo camino que el forrajeo forward; ADR 0049 #287): antes seed fallaba a la primera con un 429; ahora sólo aflora el error al agotar los reintentos. Sin cambio de contrato: mismos exit codes al agotar y mismo mensaje accionable (ADR 0012). Un 429 agotado tras retry/backoff aflora como NetworkError (exit 4) con mensaje accionable (declarar --email / configurar la key) y error.subcode = "RATE_LIMITED" en el envelope --json (grieta 3a, ADR 0045 #258); análogamente un 504 agotado da error.subcode = "UPSTREAM_TIMEOUT". Ver error.subcode en §Envelope.

chain (paso CHAIN): expande el corpus con candidatos rankeados por information scent (forward/backward batcheado, §5). --direction [backward|forward|both] (default both), --depth (solo 1), --max-candidates, --max-citing (presupuesto de citantes por semilla en forward, default 50), --email, --preview (dry-run sin red ni transición: backward exacto desde references_id; forward exacto solo si hay cited_by_id). Transiciona a FORAGED y corre automática la pasada refs→DOI (§Enricher absorbido): el --json suma data["enrichment"]. data = {candidates_found, new_candidates, total_papers, direction, depth, ranking_preview, observed_refs_count, loop_state, round, enrichment, budget_used, budget_stopped}.

• Forrajeo acotado — guardarraíles anti-footgun (#309, MVP aditivo). El forrajeo forward es multiplicativo (cada semilla dispara sus propias llamadas) y su costo es invisible hasta que ya se gastó: un chain sin acotar sobre cientos de semillas puede agotar la cuota de OpenAlex (429 account-wide, recuperación de horas). Estos flags acotan y presupuestan, todos aditivos — los defaults NO cambian (sin ninguno: todas las semillas, comportamiento previo). El flip a un default seguro/acotado (--exhaustive como opt-in) es la Discussion #310.
• Unidad escopada (de qué papers-origen se forrajea), mutuamente excluyentes entre sí: --ids (repetible; IDs explícitos de papers-origen, valida contra el corpus), --top N (las N semillas más "centrales"), --scope [all|accepted|seeds] (reusa Corpus.scoped, vocab CLI seeds→seeds_only). Combinar dos → UsageError exit 1.
• --top N usa el nº de references_id como PROXY de centralidad (degradación documentada): ordena las semillas por len(references_id) desc (desempate id asc), no por la centralidad real del acoplamiento bibliográfico sobre el grafo construido. Es puro y no requiere un build previo ni artefactos en disco. Para la centralidad real, correr b2g build y pasar los IDs más centrales del metrics.json vía --ids/--scope (cli/commands/chain.py::_top_n_seed_ids).
• --preview refleja el scoping (#309): la estimación de fanout se acota al subconjunto resuelto; suma data["origin_count"] (cuántos papers-origen participan del fanout estimado).

• --budget N topa las llamadas HTTP del forward chaining; al alcanzarlo el forrajeo para limpio, sin reintentar (nunca reintenta en loop sobre 429, complemento de #306). El resultado queda parcial pero consistente y marcado con data["budget_stopped"] = true + data["budget_used"] (llamadas realizadas). budget_used no cuenta las llamadas de la pasada refs→DOI posterior (acotada, fuera de alcance del budget). Sin --budget: sin tope (budget_used=0, budget_stopped=false). Ver CallBudget en §5.

• chain forward/both puebla cited_by_id de las semillas alcanzadas (ADR 0048, #270): el forrajeo hacia adelante ya trae los citantes; con esta decisión completa además la columna cited_by_id de esas semillas (unión idempotente vía Corpus.merge), dejando listo el insumo del CoCitationProjector. Así el lazo natural seed → chain forward → curate accept → build produce la red de co-citación sin enrich ni flag que descubrir. chain backward puro no toca cited_by_id.

• candidates_found es el total de candidatos rankeados que ve --preview (backward observados

• forward materializados, recortado por --max-candidates), NO el número de filas materializadas en el corpus (#269). En chaining puramente backward los IDs observados no se materializan como filas (opción B, #54): viven en observed_refs/el ranking, así que candidates_found puede exceder total_papers (el corpus no crece con backward). No confundir con new_candidates (filas nuevas respecto del corpus previo).

• --since (forrajeo incremental, absorbe monitor): trae solo citantes desde una fecha (ISO YYYY-MM-DD o atajo 90d/6m/1y, parseado en cli/_options.py::parse_since). Fuerza forward y transiciona a MONITORED. backward + --since → exit 1; both + --since → la ventana aplica solo al tramo forward. Sin corpus/estado previo → DataError exit 2 (sugiere b2g seed). No existe estado CHAINED. (El forrajeo incremental que antes hacía b2g monitor vive acá; ese verbo suelto se retiró en 0.12.0.)

Enricher absorbido en chain/build (#162): el OpenAlexEnricher (§3) no es verbo propio. La pasada refs→DOI corre automática en chain; la pasada co-citación (cited_by) corre automática en build cuando hay semillas aceptadas (no-op de red sin ellas). Por eso build ya NO es estrictamente "sin red" (ADR 0025 enmendado). Ambos suman data["enrichment"]. (El ex verbo suelto b2g enrich, que corría ambas pasadas sin transicionar, se retiró en 0.12.0: usá b2g chain para la pasada refs→DOI y b2g build para la de co-citación.)

build ya no es el único ni el primer poblador de cited_by_id (ADR 0048, #270): desde que chain forward/both puebla cited_by_id de las semillas alcanzadas, el insumo de la co-citación suele llegar ya poblado al build. La pasada 8b de build sigue existiendo (la frase de arriba sigue siendo cierta) y se solapa transitoriamente con lo que dejó chain; el solapamiento es inocuo porque la unión sobre cited_by_id es idempotente (no duplica ni corrompe). Diferencia de alcance: chain forward puebla cited_by_id de las semillas al traer los citantes (independiente de la curación); la pasada 8b de build está atada a accepted.

curate {dump,apply,accept,reject,filter} (grupo noun-verb, #155). La transición la define el VERBO: solo curate filter→FILTERED; el resto transversal. BREAKING: la forma-flag curate --dump/--from-csv/--all fue eliminada sin alias. Lógica fuente única en service/curate.py.

• curate dump escribe un CSV revisable offline. --out override (default <workspace>/exports/curacion.csv); --scope [candidates|seeds|all] (default candidates: candidate AND NOT is_seed; seeds = is_seed; all = todo). Sin candidatos → error que sugiere --scope all/b2g chain. Columnas (16, orden estable): id, source_id, title, year, authors, venue, doi, keywords, cited_by_count, references_count, is_seed, openalex_url, scent_score, cluster, decision, note — editables solo decision/note. cited_by_count/references_count/scent_score/cluster salen vacías (placeholders, no fallan). data = {csv_path, papers_exported, columns}.
• curate apply <csv> aplica decisiones en lote (accepted→accept, rejected→reject, undecided→no-op; case-insensitive). Idempotente (decided_at inyectado en la frontera CLI, R2). CSV sin id/decision o decision inválida → DataError exit 2. IDs huérfanos → not_found_count + aviso (no no-op silencioso). data = {accepted_count, rejected_count, skipped_count, not_found_count, total_rows}. note se ignora en apply (advisory). Lee el CSV con utf-8-sig: tolera el BOM UTF-8 que Excel-Windows agrega al guardar como UTF-8 (#238, política Excel-friendly de #214).
• curate accept [--ids ...] [SELECTOR] [--by NOMBRE] / curate reject [--ids ...] [SELECTOR] [--by NOMBRE] — acepta/rechaza por identificador y/o por selector declarativo (curación masiva, #308). --ids ya NO es obligatorio. Cada --ids acepta las tres formas: id interno, DOI crudo o source_id (ADR 0049 #287), con la misma prioridad que read show: id > doi > source_id (ADR 0036). La resolución vive en el helper compartido service/_identity.py::resolve_idents, reusado por curate y por read.get_paper (fuente única de identidad). Si algún identificador no resuelve, el error lista los no resueltos y aclara que se aceptan las tres formas.
• SELECTOR declarativo (#308): --query (substring de título, case-insensitive, mismo criterio que read list --query), --year-gte/--year-lte, --language (repetible), --type (repetible), --min-citations — misma semántica que curate filter. El conjunto afectado es la UNIÓN de --ids resueltos y lo que matchea el selector; se combinan libremente (no hace falta que se solapen). Sin --ids ni selector → DataError exit 2 (mensaje que lista los criterios). Los ids resueltos por selector nunca fallan por "no encontrado" (se derivan del corpus mismo).
• data = {accepted_count|rejected_count, ids, selector_matched_count}. ids = todos los ids afectados (unión, ordenados); selector_matched_count = cuántos vinieron del selector (0 si no se usó). Usan accept_papers/reject_papers de service/curate.py (fuente única de curación).
• curate accept por selector PUEDE revertir un rejected → accepted —no es una inconsistencia. Esto es distinto de curate filter, que nunca toca un accepted (ADR 0044: la inclusión manual gana). La asimetría es deliberada: filter es exclusión PRISMA automática (respeta la decisión manual previa); accept/reject son la decisión manual explícita y por eso sobrescriben el estado anterior, incluso vía selector. Un curate accept --query "..." que matchea un paper antes rechazado lo re-acepta a propósito.
• curate filter (--year-gte/--year-lte, --language, --type, --min-citations): aplica inclusión/exclusión PRISMA marcando rejected (no borra) con conteo por paso. Transiciona a FILTERED. Comparte filter_corpus(store_path, *, year_gte, year_lte, language, type_in, min_citations, decided_at) de service/curate.py (fuente única). La inclusión manual gana (ADR 0044): el filtro omite los papers accepted (nunca los rechaza, aunque no cumplan el criterio), igual que ya omite a los rejected; solo marca rejected a los no-aceptados (candidate y demás) que no pasan.

build y export separados (ADR 0021 §B). build computa Networks.quick (4-5 redes) y escribe a <workspace>/networks/<kind>/ (transiciona a BUILT); export --format graphml|csv relee esos artefactos (ws.networks_dir) y los serializa (sin transición). export --out-dir override opcional (default <workspace>/exports/, = ws.exports_dir).

export --format arrow|bibtex — serializa el CORPUS (ADR 0050 D4, #293, extendido por ADR 0052 #321 para embeber la red tipada cuando hay b2g build previo). export gana dos formatos nuevos al --format existente (graphml/csv): NO es un verbo nuevo (respeta la poda de 10 verbos; export/snapshot = un verbo) y no transiciona la FSM. A diferencia de graphml/csv (que serializan redes de build releyendo networks/), estos serializan el corpus del store vivo:

• --format arrow → escribe corpus.arrow = Feather / Arrow IPC (no parquet), vía ArrowExporter (exporters/arrow.py). Si hay b2g build previo del kind pedido, la tabla se extiende con la red tipada (columnas struct anidadas + metadata network_type/…; ADR 0052 D1) — ver §1.8 Red tipada en el Arrow del corpus. Si no, la tabla se exporta sin columnas de red (modo degradado honesto, ADR 0052 D4). La metadata de ecuación + equation_hash (§1.6) viaja dentro del Feather → archivo autoverificable que el consumidor programático sube y valida. Es un artefacto distinto de snapshot create (parquet + manifest.json, reproducibilidad interna): no se solapan.
• --network-type <kind> (default bibliographic_coupling): selecciona qué red tipada se embebe (reusa el NetworkKind StrEnum de constants.py, fuente única, ADR 0023; ADR 0052 D2). Solo aplica a --format arrow (no a bibtex/graphml/csv). Una red por Arrow (multi-red en un mismo Arrow queda diferida a 0.16.0+). Kinds no-papers (author_collab/institution_collab/keyword_cooccurrence): los nodos no son papers, no se pueden anclar en el struct anidado → la tabla sale sin columnas de red y se emite un warning accionable ("network_type=<kind> not supported in Arrow export; use --format graphml for this kind"). cocitation con corpus sin cited_by_id poblado → DataError (exit 2, accionable: "run 'b2g chain forward' / 'b2g enrich' first").
• --no-network (enmienda post-0.15.0 al ADR 0052 D4): exporta el Arrow sin red aunque haya un b2g build previo — mismo resultado que el modo degradado (sin columnas ni metadata de red, campos D5 en null/0) pero sin warning (es un pedido explícito). Excluyente con --network-type explícito (USAGE_ERROR, exit 1). Desde Python, el equivalente es serializar corpus.to_arrow() sin pasar por arrow_with_network.
• --format bibtex → escribe corpus.bib parseable, vía BibtexExporter (exporters/bibtex.py; extra [bibtex] — import perezoso de bibtexparser, falta → exit 3). Defaults del MVP (ADR 0050 D4, congelados): entry-type inferido con @article default (heurística mínima: booktitle/sin journal → @inproceedings); citekey = el id interno del paper (doi:…/src:…/tt:…, estable y sin colisiones), el DOI va como campo (doi = {…} + url = https://doi.org/<doi>); campos mínimos universales title, author (and-joined), year, doi, journal (= venue/source), url — keywords/abstract fuera del MVP; scope = el corpus scopeado por --scope, sin filtrar por "metadata suficiente" (las entradas incompletas se emiten con los campos que haya, no se descartan).

--scope [all|accepted|seeds] (default all; Choice): filtra el corpus antes de serializar, reusando Corpus.scoped(scope) (vocab CLI seeds→seeds_only; §1.2). accepted EXCLUYE a los rejected aunque sean semillas (ADR 0051, #307): un paper rechazado por curate reject/filter NO sale en --scope accepted —coincide con .exclude(curation_status='rejected') sobre el Arrow. Solo aplica a los formatos de CORPUS (arrow/bibtex). Con graphml/csv se IGNORA (esas redes ya vienen scopeadas por b2g build --scope); si se pasa --scope explícito con un formato de red, export emite un warning accionable (no error). --scope es propio de export — es distinto del build --scope de §build.

Envelope --json (aditivo, schema="1" intacto): data = {format, out_dir, files_written, workspace} más una clave según la familia — rows_exported (nº de filas del corpus) para arrow/bibtex, networks_exported (nº de redes) para graphml/csv. Son claves distintas, NO unificadas: el consumidor sabe por cuál mira qué familia exportó. Para --format arrow se suman 7 campos aditivos del bloque de red (ADR 0052 D5) — network_type, network_nodes, network_edges, network_communities, network_modularity, network_type_algo, network_resolution — todos null/0 cuando no hay red embebida (modo degradado o kind no-paper); ver §1.8. Los avisos (p. ej. --scope ignorado con graphml/csv, equation_hash omitido, modo degradado, kind no-paper) van en el warnings top-level del envelope, NO en data (canal único, §Envelope). --out-dir override (default ws.exports_dir).

build tiene dos modos: quick (sin --spec) y declarativo (build --spec <redes.yaml>: load_specs con clave raíz networks: → Networks.build por red; helper único _build_from_spec_file). Ambos transicionan a BUILT y sellan networks/.corpus_hash (decisión D1). Flags:

• --scope [all|accepted|seeds] (default all): filtra el corpus por curación antes de proyectar (Corpus.scoped, §1.2). accepted = is_seed + aceptados menos los rejected (ADR 0051, #307: rechazar una semilla la saca de accepted); seeds = solo semillas (incluye rechazadas). El .corpus_hash se sella con el corpus filtrado; clusters.csv/decorate reflejan ese subset. Scope con 0 papers → exit 0 + warning (no error). No confundir con NetworkSpec.scope (§10, por-red sobre is_seed). Es la única forma: el flag --corpus-scope (y su vocab interno seeds_only) se retiró en 0.12.0 (#207, BREAKING).
• --min-weight N (solo quick): descarta aristas con peso < N. Con --spec se usa el min_weight por-red del YAML; pasarlo junto a --spec emite warning y se ignora.
• --thesaurus <archivo> (#164): aplica un thesaurus multilingüe (JSON ADR 0011) sobre keywords_id antes de scopear/proyectar, persiste con persist_replace (§4.1) y suma data["thesaurus"] = {keywords_mapped, keywords_total, aliases_loaded, applied_at}. Inexistente/mal formado → DataError exit 2.
• --email / --max-citing INT: parametrizan la pasada cited_by (co-citación; ver Enricher absorbido).

Artefactos por red: todas escriben network.graphml + metrics.json; clusters.csv solo las redes de paper (bibliographic_coupling, cocitation) con comunidades (las de autor/institución/keyword devuelven [] y omiten el archivo, por diseño). Diagnóstico de red-vacía: build reusa predict_build_preview (la misma fuente que status, no-divergencia por-corpus) y lo emite en data["empty_networks"] (lista de {kind, reason, fix_command}, separada de data["warnings"] corpus-level). Hint de co-citación → chain forward (ADR 0049 #287): si hay semillas pero ninguna aceptada y cited_by_id está vacío, build agrega un warning que apunta a b2g chain forward para poblar cited_by_id (camino de ADR 0048) sin aceptar en masa —en vez de forzar aceptar todos los candidatos sólo para computar la red—. Es sólo descubribilidad: el gate del enricher no cambia (la pasada 8b de co-citación sigue atada a accepted, ADR 0025). --json.data: networks_built, artifacts_dir, corpus_hash, scope (token CLI), corpus_scope (vocab interno, backward-compat), networks (con clusters_csv condicional), warnings, empty_networks, maturity (ver Apéndice), enrichment, thesaurus (si se pasó --thesaurus).

snapshot {create, restore} (grupo noun-verb, #163). Fuente única en service/snapshot.py. La transición la define el verbo.

• snapshot create (= ex snapshot plano, BREAKING sin alias): sella una foto reproducible (parquet + manifest.json, ADR 0017). --out-dir override opcional (default <workspace>/snapshots/). NO transiciona. data = {snapshot_dir, corpus_hash, total_papers, schema_version, maturity}.
• snapshot restore --from-corpus <parquet> (= ex verbo plano restore): rehidrata un corpus ya curado SIN red (lee con CORPUS_SCHEMA, Corpus.from_arrow, merge+dedup+persist; cero llamadas a OpenAlex). Preserva la curación (decision/curation_status/is_seed, D3) y reconstruye la tabla equations (D1, ADR 0050) desde el manifest.json hermano del parquet si existe —graceful: sin manifest hermano (o equations ausente) → 0 ecuaciones, sin error—, cerrando el round-trip de procedencia con snapshot create. Transiciona a FILTERED (reusa la transición permisiva filter; válida desde cualquier estado, incluido store vacío). Parquet inexistente o schema no canónico → DataError exit 2. data = {papers_loaded, total_papers, state, round}. (El verbo suelto b2g restore se retiró en 0.12.0; su capacidad es b2g snapshot restore.)

read {list,stats,show,top} (grupo noun-verb, #156/#157): lectura pura del corpus (no transiciona). Lógica en service/reads.py (§0.1).

• read list — filtros AND combinables: --query TEXT (substring case-insensitive sobre el título), --status {candidate,accepted,rejected}, --seeds/--candidates (por is_seed), --year INT. data = {papers: [{id, title, year, curation_status, is_seed}], count}.
• read stats --group-by {status,year,is_seed} (default status): conteos agrupados. data = {group_by, total, groups: [{key, count}]}. --group-by inválido → exit 1 (UsageError de Choice).
• read show --id <ID>: delega en get_paper (resuelve id | doi | source_id, prioridad id>doi>source_id, ADR 0036, vía el helper compartido service/_identity.py::resolve_idents —misma resolución que curate accept/reject, ADR 0049). data = la fila completa del corpus (~14 campos). --id sin match → DataError exit 2.
• read top — la salida de investigación: dos bloques sobre redes recomputadas en lectura (no requiere build). --top N/-n (default 10), --kind (Choice sobre los 5 NetworkKind, default bibliographic_coupling porque es robusto en el one-shot frío: no necesita chain --forward). data = {kind, top, central: [{id, title, degree_centrality, community?}], cocitation: [{source, source_title, target, target_title, weight}], reason?, fix_command?, maturity}. central = top N nodos de --kind por degree_centrality; cocitation = SIEMPRE la red cocitation, top N aristas por weight. Honest-empty (exit 0, no error): cocitación vacía (sin cited_by_id) → bloque [] + reason/fix_command (de predict_build_preview). --kind inválido → exit 1; n <= 0 o red que falla genuinamente → DataError exit 2.

skill add [--provider claude-code|opencode] [--user|--project] [--force] (comando meta, ADR 0039, enmendado por ADR 0046 #193): instala la skill end-user que enseña al agente a usar bib2graph (los 10 verbos + el one-shot init→seed→chain→build→read). La skill viaja vendoreada en el wheel bajo src/bib2graph/skill/ (SKILL.md + reference/, fuente commiteada vía packages = ["src/bib2graph"]): el version-lock skill==cli garantiza que la skill enseñe los verbos que el CLI expone. skill add copia la skill al directorio del cliente elegido por --provider (default claude-code; el provider es un dato, no una rama de control, ADR 0046) y scope --user (default) o --project:

--provider	--user (default)	--project
claude-code (default)	~/.claude/skills/bib2graph/	.claude/skills/bib2graph/
opencode	~/.config/opencode/skills/bib2graph/	.opencode/skills/bib2graph/

La transformación del contenido es identidad (mismo SKILL.md para todo provider; OpenCode ya lee .claude/skills/ de todos modos — ADR 0046, fase 1). Idempotente; si el destino existe y difiere, falla accionable y --force pisa. Funciona SIN workspace y emite --json schema="1" sin transición de FSM. La skill es markdown sin dependencias Python (la IA está en el Claude Code / OpenCode del usuario, no en el producto; ADR 0022). data = {install_path, scope, provider, installed, already_present, skill_md, reference_dir, how_to}.

skill providers [--json] (comando meta, ADR 0046 #193): enumera los providers soportados por skill add, para que un agente descubra por introspección qué clientes puede targetear sin leer el código ni la doc. Sigue el patrón de skill/schema: no transiciona la FSM, no resuelve workspace, no lee el store ni hace red. data = {providers: [{name, default, description, project_root, user_root}], default_provider} (con default_provider = "claude-code"; las rutas van relativas, tal como se resuelven contra cwd/home).

schema (comando meta, ADR 0045 #260): introspección del contrato por el mismo canal de invocación, para que un agente en frío conozca la forma del envelope y los exit codes sin salir a docs/API.md en prosa. Sigue el patrón de skill: no transiciona la FSM, no resuelve workspace, no lee el store ni hace red — determinista y estático (mismo resultado en cualquier invocación). data = {contract_version, envelope_schema, exit_codes, surface_summary}: contract_version = ENVELOPE_SCHEMA_VERSION (hoy "1"); envelope_schema = JSON-schema Draft-07 simplificado del envelope {schema, ok, command, exit_code, data, warnings, error} (incluye error.subcode como propiedad opcional); exit_codes = los 6 (0–5) con name y meaning (el 4 menciona subcode); surface_summary = descripción textual de la superficie ("10 verbos del ciclo + skill + schema"). Ver cli/commands/schema.py::build_schema_data().

b2g schema --json      # envelope con el contrato legible por máquina
b2g schema             # resumen humano: versión, exit codes y superficie (stderr)

Resolución DOI→source_id (seed --from-bib --resolve, ADR 0035): resuelve los DOIs del corpus a source_id de OpenAlex (cierra el GAP del flujo BibTeX: sin source_id, chain da 0). Filtra doi != NULL AND source_id IS NULL, consulta OpenAlex (OpenAlexSource.fetch_dois_to_openalex_ids vía service/resolve.py::resolve_dois) y puebla source_id; idempotente, persiste con persist_replace. --email (polite pool). Suma data["resolve"] = {resolved, total_with_doi, already_resolved, total_papers}. NO transiciona. Red caída → NetworkError exit 4; store bloqueado → StoreError exit 5. (El ex verbo suelto b2g resolve se retiró en 0.12.0: su ruta única es seed --from-bib --resolve.)

Formas canónicas de los verbos retirados

Los 9 verbos planos que existieron como alias deprecados durante 0.10.x se retiraron en 0.12.0 (#207, ADR 0038 P1, BREAKING). Invocarlos hoy da el error estándar de Click (No such command). Su lógica no se perdió: vive en la superficie del ciclo (fuente única en service/).

Verbo retirado (0.12.0)	Forma canónica
b2g accept	b2g curate accept
b2g reject	b2g curate reject
b2g filter	b2g curate filter
b2g inspect	b2g read show (papers) / b2g status (manifest/FSM)
b2g monitor	b2g chain --since
b2g networks --spec	b2g build --spec (paso BUILD pleno: transiciona y sella .corpus_hash)
b2g enrich	b2g chain (refs→DOI) + b2g build (co-citación)
b2g restore	b2g snapshot restore
b2g resolve	b2g seed --from-bib --resolve

Además se retiraron el entry-point legado bib2graph (queda solo b2g) y el flag build --corpus-scope (queda build --scope). thesaurus nunca fue alias: se retiró por completo en su momento; su capacidad es build --thesaurus (#164).

--workspace global (OPCIONAL). Va en el grupo b2g, antes del subcomando. --store fue ELIMINADA (#75, BREAKING): pasarla da el error estándar de Click (No such option). El modo degenerado (.duckdb suelto) dejó de existir; un .duckdb legacy se adopta con b2g init .. Resolución ambiente (precedencia): (1) --workspace explícito, (2) B2G_WORKSPACE (env), (3) walk-up del cwd buscando workspace.json. Sin ninguno → error accionable que sugiere b2g init.

Transiciones automáticas del ciclo (ADR 0021 §F): seed→SEEDED (con estado previo = reseed, ronda++), chain→FORAGED, chain --since→MONITORED, curate filter→FILTERED, build→BUILT, snapshot restore→FILTERED. El resto (read, export, snapshot create, status, validate, curate {dump,apply,accept,reject}, skill, schema) no transiciona. El estado destino lo dicta bib2graph.cycle.apply_transition (fuente única; los comandos no hardcodean el destino).

Envelope JSON común y versionado (ADR 0021 §C): en modo --json, cada subcomando emite un objeto JSON con schema="1":

{
  "schema": "1",
  "ok": true,
  "command": "seed",
  "exit_code": 0,
  "data": { },
  "warnings": [],
  "error": null
}

En error conocido: ok=false, data={}, error={"code": <CODE>, "message": <accionable>}.

Canal único de warnings (ADR 0021 §C, enmienda QA 0.14.0 #3). Los avisos no fatales van SIEMPRE en el campo warnings top-level del envelope y NUNCA duplicados dentro de data: el consumidor mira un solo lugar. Aunque un servicio interno (run_export/run_build) devuelva un data["warnings"] propio (lo conserva para sus tests), la superficie CLI lo extrae (pop, no get) antes de emitir, así el texto sobrevive en un único lugar. Excepción por diseño: data["empty_networks"] de build no es un warning sino un diagnóstico estructurado por-red ({kind, reason, fix_command}) que vive en data, separado del canal warnings (§build).

Los exit codes se mapean por tipo de error (ADR 0021 §D): DataError→2, ImportError/DependencyError/ NotImplementedError→3, httpx.HTTPError→4, StoreLockedError/OSError→5. AttributeError no se mapea (un bug real no se disfraza de "capacidad faltante"); la capacidad-de-source-faltante se convierte en DependencyError con un pre-check hasattr en el comando (p. ej. chain antes del Forager).

error.subcode — desambiguación de red (ADR 0045 #258). El objeto error puede llevar un campo opcional subcode, poblado solo para code="NETWORK_ERROR" (exit 4). Valores: RATE_LIMITED (HTTP 429, transitorio → reintentar con backoff) y UPSTREAM_TIMEOUT (HTTP 504 o timeout → no reintentable sin cambiar la petición). Cuando no aplica, el campo no aparece (no se emite subcode: null). Es aditivo: code sigue NETWORK_ERROR y exit_code sigue 4, sin cambios en el mapeo. El source lo puebla al agotar reintentos (sources/openalex.py en 429/504); si una httpx.HTTPStatusError/httpx.TimeoutException cruda llega a handle_errors sin traducir, el borde CLI lo deriva del response.status_code (429/504) o asume UPSTREAM_TIMEOUT para timeouts (cli/_errors.py::_subcode_for_http_error; service/errors.py::subcode_for_status).

{ "code": "NETWORK_ERROR", "message": "…", "subcode": "RATE_LIMITED" }

Mensaje accionable del RATE_LIMITED (#306). Un 429 no es un problema de conexión y "reintentá" es el consejo contrario al correcto ante un rate-limit account-wide (recuperación de horas): un agente que lo sigue al pie de la letra reintenta en loop y quema más cuota. Por eso el message de un 429 NO usa el genérico "Error de red… Verificá tu conexión… reintentá"; nombra el error como rate-limit / cuota, incluye el Retry-After si el upstream lo declaró, y sugiere esperar el reset o reducir el alcance del forrajeo (chain --top N/--ids, ver §5 y #309). El subcode RATE_LIMITED sigue siendo la señal para ramificar sin parsear texto; el mensaje solo deja de misdiagnosticar el caso humano. Aplica tanto al 429 traducido por OpenAlexSource (sources/openalex.py::_build_rate_limit_message) como al 429 crudo que llegue al borde CLI (cli/_errors.py::_rate_limit_fallback_message).

data.workspace universal + warning de walk-up (ADR 0045 #259). Todos los comandos del ciclo que resuelven un workspace ecoan data["workspace"] = {"root": <str|null>, "source": <str>} (antes solo lo hacía status). source ∈ {flag, env, cwd, init}, según la precedencia de resolución (ADR 0029; la precedencia no cambió). Cuando source == "cwd" (resolución implícita por walk-up del cwd, sin --workspace/B2G_WORKSPACE) se anexa a warnings el mensaje literal (constante WORKSPACE_WALKUP_WARNING, cli/_store.py):

workspace resuelto por walk-up del cwd; usá --workspace o B2G_WORKSPACE para fijarlo explícitamente

Los comandos meta que corren sin workspace (init, skill, schema) no ecoan data.workspace ni emiten este warning.

Borde: el error de uso de Click se re-canaliza al envelope en modo JSON (enmienda 2026-10-11, #283). Ante una opción requerida faltante, una opción desconocida (p. ej. --store) o un comando inexistente (NoSuchCommand), Click aborta el parseo antes de entrar al cuerpo del subcomando, así que el decorador @handle_errors (que cubre el camino de errores de dominio) nunca los ve:

• Modo JSON (--json flag local o env B2G_JSON truthy): stdout recibe una línea envelope con schema="1", ok=false, error.code='USAGE_ERROR', error.message=<click message>, exit_code=2, y command best-effort (parseado del mensaje para NoSuchCommand, de exc.ctx.command.name para el resto; "" si no se puede determinar). stderr queda vacío.
• Modo humano (sin flag ni env): comportamiento previo intacto — texto a stderr + exit 2.

--json en argv antes del parseo (fix post-0.15.0). Click aborta en el primer token inválido y nunca alcanza el --json del subcomando (p. ej. b2g monitor --json, b2g export --json --format wrongformat). Por eso main() busca --json en el argv crudo (hasta el separador --) además de B2G_JSON; ambos caminos dan el mismo envelope. Hasta 0.15.0 solo funcionaba B2G_JSON=1 (bug B1 reportado por la validación de Atalaya). --json puesto antes del verbo (b2g --json monitor) lo rechaza el grupo raíz: también sale como envelope, con command="b2g".

El interceptor vive en cli/_click_error_handler.py (helper puro + emit_click_usage_error_envelope) y se cablea en main(). El envelope tiene la misma forma que cualquier error:

{
  "schema": "1",
  "ok": false,
  "command": "monitor",
  "exit_code": 2,
  "data": {},
  "warnings": [],
  "error": {"code": "USAGE_ERROR", "message": "No such command 'monitor'."}
}

stdout puro en modo JSON (ENFORCED, #151). En modo JSON (por --json o B2G_JSON) stdout emite exactamente una línea (el envelope), también en el camino de error (ok=false → envelope en stdout). El texto humano va a stderr.

B2G_JSON — modo JSON por entorno (#151). Además de --json (post-verbo: b2g <cmd> --json), el modo JSON se activa con B2G_JSON truthy (1/true/yes, case-insensitive) en todos los comandos. Precedencia: --json explícito gana; no existe --no-json. Recomendación agents-first: export B2G_JSON=1 una vez y correr el ciclo sin repetir el flag. Aditivo: envelope/exit codes/FSM no cambian.

Apéndice — bloque maturity del one-shot (#160, ADR 0037 §f). Los artefactos del camino one-shot llevan un bloque aditivo data["maturity"] que se autodeclara borrador sin pulir (honestidad por construcción), para que ni un agente que optimiza por exit 0 ni un humano apurado confundan un one-shot con un resultado terminado. schema="1" intacto.

"maturity": {"curated": false, "scope": "all", "saturated": false, "empty_networks": []}

Forma estable: SIEMPRE 4 claves (orden y tipos fijos):

clave	tipo	regla de derivación
curated	bool	true si el corpus completo (pre-scope) tiene ≥1 paper con curation_status ∈ {accepted, rejected}. Independiente del scope y del FSM.
scope	str | null	el token CLI (all/accepted/seeds, no el vocab interno seeds_only). En snapshot create y read top es "all".
saturated	bool	false constante en one-shot (no sobre-afirmar; gancho futuro: convergencia de referenced_refs_count()).
empty_networks	list[str]	solo los tokens kind de las redes vacías (reason/fix_command no se duplican: viven en data["empty_networks"]).

Aparece siempre en build (incl. early-return de corpus vacío), snapshot create y read top; ausente en read list/read stats/read show. Lo calcula la función pura service.maturity.compute_maturity(corpus, *, scope, empty_network_kinds) (§0).

Verbos deprecados retirados (histórico, ADR 0038 P1)

Durante 0.10.x, la consolidación del 0037 dejó vivos —con aviso de deprecación a stderr— los 9 verbos planos que solapaban con la superficie del ciclo. Ese periodo terminó: en 0.12.0 (#207, BREAKING) los 9 aliases, el entry-point legado bib2graph, el flag build --corpus-scope y el módulo cli/_deprecation.py se retiraron por completo. Ya no hay aliases vivos ni avisos de deprecación: invocar un verbo retirado da el error estándar de Click (No such command).

El mapeo de cada verbo retirado a su forma canónica vive en §Formas canónicas de los verbos retirados (arriba). thesaurus nunca fue alias: se retiró por completo; su capacidad es b2g build --thesaurus <archivo> (#164, ver §build).

---

0. Capa de servicios service/ — contrato neutral compartido (ADR 0028)

src/bib2graph/service/ es la capa de servicios neutral de la que el CLI es un adaptador delgado (ADR 0028, inversión de dependencia ports & adapters). Aloja el contrato (envelope versionado + jerarquía de errores + mapeo error→código) y las lecturas read-only del corpus (service/reads.py, §0.1, que consume el grupo CLI read). El contrato externo del CLI (envelope schema="1", exit codes 0–5, ADR 0021) no cambia.

Invariante de neutralidad de transporte (estricta). service/ es agnóstica de transporte: sin print, sin sys.exit, sin Click, sin FastAPI. Es el límite que mantiene el contrato reutilizable por cualquier adaptador. El I/O (emit/emit_human en cli/_envelope.py, handle_errors/_emit_error_envelope en cli/_errors.py) se queda en el adaptador CLI.

Contrato público (re-exportado desde bib2graph.service.__init__):

# service/envelope.py — envelope JSON común y versionado
ENVELOPE_SCHEMA_VERSION: str = "1"   # versión del contrato del envelope (ADR 0021)

def build_envelope(
    *,
    command: str,
    ok: bool,
    data: dict[str, Any],
    exit_code: int,
    warnings: list[str] | None = None,
    error: dict[str, str] | None = None,
) -> dict[str, Any]:
    """Construye el envelope JSON estable del contrato (schema="1").
    {schema, ok, command, exit_code, data, warnings, error}. Función pura, sin I/O."""


# service/errors.py — jerarquía de errores tipados (ADR 0021)
class B2GError(Exception):
    """Base de los errores accionables. Atributos de clase: exit_code: int, code: str;
    instancia: .message. Subclases con su (exit_code, code):"""
    exit_code: int = 1
    code: str = "B2G_ERROR"

class UsageError(B2GError):      exit_code = 1; code = "USAGE_ERROR"       # uso (opción faltante/inválida)
class DataError(B2GError):       exit_code = 2; code = "DATA_ERROR"        # schema/ids/filtro inválido
class DependencyError(B2GError): exit_code = 3; code = "DEPENDENCY_ERROR"  # ImportError / capacidad faltante
class NetworkError(B2GError):    exit_code = 4; code = "NETWORK_ERROR"     # httpx.HTTPError / timeout
    # ADR 0045 #258: __init__(message, *, subcode=None) — subcode aditivo (RATE_LIMITED / UPSTREAM_TIMEOUT),
    # propagado a error.subcode del envelope solo para NETWORK_ERROR (ver §Envelope).
class StoreError(B2GError):      exit_code = 5; code = "STORE_ERROR"       # store/snapshot bloqueado o corrupto

# Subcodes de red (ADR 0045 #258) + mapeo de status HTTP → subcode
RATE_LIMITED = "RATE_LIMITED"; UPSTREAM_TIMEOUT = "UPSTREAM_TIMEOUT"
def subcode_for_status(status_code: int) -> str | None:
    """429 → RATE_LIMITED, 504 → UPSTREAM_TIMEOUT, otro → None. Función pura."""


def code_for(exc: BaseException) -> int:
    """Mapeo PURO error→exit code (0–5, ADR 0021), sin I/O ni sys.exit:
    B2GError → su .exit_code; OSError (incl. StoreLockedError) → 5; ImportError → 3;
    httpx.HTTPError → 4. Excepción no mapeada → TypeError (el llamador decide).
    Lo usan la capa de servicio y los adaptadores para derivar exit code / HTTP status
    sin duplicar la política."""


# service/maturity.py — bloque maturity del one-shot (#160, ADR 0037 §f / 0038 P3)
def compute_maturity(
    corpus: Corpus, *, scope: str | None, empty_network_kinds: list[str]
) -> dict[str, Any]:
    """Bloque maturity para el --json de build/snapshot create/read top (ver Apéndice maturity).
    Función PURA, sin I/O. Devuelve EXACTAMENTE 4 claves:
    {curated: bool, scope: str|None, saturated: bool, empty_networks: list[str]}.
    curated = corpus tiene ≥1 paper con curation_status ∈ {accepted, rejected};
    saturated = False constante (one-shot never over-claims; gancho futuro referenced_refs_count);
    empty_networks = solo los kind (reason/fix_command NO se duplican)."""

Adaptadores (el contrato se re-exporta, no se duplica). cli/_envelope.py y cli/_errors.py hacen from bib2graph.service... import ... y re-exportan los mismos objetos, así que los imports existentes del CLI y los tests (from bib2graph.cli._envelope import build_envelope, from bib2graph.cli._errors import B2GError, DataError, …) siguen funcionando sin cambios. El decorador handle_errors (CLI) conserva su propia escalera try/except por tipo de error + el sys.exit y la emisión del envelope de error; code_for es el mapeo puro disponible para cualquier adaptador. El mapeo de code_for y el de handle_errors describen la misma política (ADR 0021 §D).

0.1 Lecturas de servicio service/reads.py — lecturas read-only del corpus

src/bib2graph/service/reads.py expone las lecturas read-only del corpus que consume el grupo CLI read (list_papers, corpus_stats, get_paper, get_top — §Grupo read), re-exportadas desde bib2graph.service.__init__. Cada una recibe un Workspace ya resuelto (la resolución ambiente vive en el adaptador CLI, ADR 0029), abre el store read-only, y devuelve un dict/list[dict] serializable o lanza un B2GError tipado. Sin red, sin mutación, sin transición de ciclo; determinismo R2 (mismo corpus → misma lectura).

El módulo conserva además funciones de lectura más ricas (get_workspace, list_rounds, get_scent, get_network, compare_rounds) que hoy ningún comando consume (su poda opcional es trabajo de limpieza, #191), más la resolución inversa id→DOI/URL (resolve_doi, resolve_url; #212, aditiva, devuelven None sin lanzar). Decisiones de modelado: ronda = snapshot sellado (no el contador loop_round), get_scent = score de acoplamiento real + vecinos, get_network = red de la ronda viva recomputada.

def get_workspace(ws: Workspace) -> dict[str, Any]:
    """Estado del workspace activo. Devuelve:
    {name, root, created_at, bib2graph_version, source, loop_state (str|None),
     round (int), total_papers (int), counts_by_status (dict[str,int]),
     transitions_available (list[str]), curation_available (list[str]),
     networks_cache_stale (bool)}. Raises StoreError."""

def list_rounds(ws: Workspace) -> list[dict[str, Any]]:
    """Snapshots sellados (vía Workspace.list_snapshots()) + una entrada sintética "live".
    Por snapshot: {id, corpus_hash, created_at, total_papers, schema_version}.
    Entrada viva: {id="live", round, loop_state, total_papers}. Raises StoreError.
    Ronda = snapshot (B-G2-1 Opción A); el contador loop_round se ve en la entrada "live"."""

def get_paper(ws: Workspace, ident: str) -> dict[str, Any]:
    """Fila del corpus (CORPUS_SCHEMA) resuelta por identidad source-agnóstica
    (ADR 0036): `ident` matchea contra **id | doi | source_id**, con prioridad
    `id` > `doi` > `source_id` (devuelve el primer match). Devuelve:
    {id, source_id, doi, title, year, abstract, is_seed, curation_status,
     authors_raw, authors_id, keywords_id, references_id, cited_by_id,
     provenance (list, parseada del JSON)}.
    Raises DataError si `ident` no matchea ningún id/doi/source_id;
    StoreError si el store falla. `read show --id` delega en esta lectura
    (§Convenciones CLI · grupo `read`)."""

def get_scent(ws: Workspace, paper_id: str) -> dict[str, Any]:
    """Score de acoplamiento bibliográfico real + vecinos compartidos (B-G2-2). Devuelve:
    {paper_id, score (int = nº de corpus-papers con >=1 referencia compartida),
     coupling (list[{paper_id, title, weight}], ordenada por peso desc),
     references (list[{paper_id, title}] resueltas al corpus),
     cited_by (list[{paper_id, title}] resueltos al corpus)}.
    Raises DataError si el id no existe; StoreError si el store falla."""

def get_network(ws: Workspace, kind: str) -> dict[str, Any]:
    """Red de la ronda VIVA recomputada con Networks.build + decorate (B-G2-3; función pura,
    Louvain seeded por corpus_hash, R2). `kind` en NetworkKind del núcleo
    (bibliographic_coupling, cocitation, author_collab, institution_collab,
     keyword_cooccurrence). Devuelve:
    {nodes (list[{id, label, degree_centrality, community?, year?, is_seed?, curation_status?}]),
     edges (list[{source, target, weight}]),
     metrics ({n_nodes, n_edges, density, num_components, avg_clustering, n_communities})}.
    Raises DataError si kind es inválido o la red no se puede construir; StoreError si el store falla."""

def compare_rounds(ws: Workspace, round_a: str, round_b: str) -> dict[str, Any]:
    """EL DIFERENCIADOR (ADR 0027). Diff entre dos snapshots por Col.ID; "live" usa el corpus vivo.
    Devuelve:
    {round_a, round_b, added_paper_ids (ids en b no en a), removed_paper_ids (ids en a no en b),
     mutated_hubs ([], DIFERIDO — requiere redes por snapshot, B-G2-3),
     metrics_change (list[{metric, before, after}], hoy con n_papers; las métricas por red
       solo aparecen si ambos snapshots tienen networks/<kind>/metrics.json, que hoy no se
       materializa por snapshot)}.
    Raises DataError si un snapshot no existe o no tiene corpus.parquet; StoreError si el store falla."""


# --- Lecturas detrás del grupo CLI `read` (#156/#157; ver §Grupo `read`) ---

def list_papers(ws: Workspace, *, query=None, status=None, is_seed=None, year=None) -> dict[str, Any]:
    """Lista mínima del corpus con filtros AND (todos opcionales). Devuelve:
    {papers: [{id, title, year, curation_status, is_seed}], count: int}.
    query = substring case-insensitive sobre el título; status = curation_status exacto;
    is_seed True/False; year exacto. Raises StoreError. (Detrás de `read list`.)"""

def corpus_stats(ws: Workspace, *, group_by="status") -> dict[str, Any]:
    """Conteos agrupados por status (default) | year | is_seed. Devuelve:
    {group_by, total, groups: [{key, count}]}. Raises DataError si group_by inválido;
    StoreError si el store falla. (Detrás de `read stats`.)"""

def get_top(ws: Workspace, *, n=10, kind="bibliographic_coupling") -> dict[str, Any]:
    """Salida de investigación (#157): nodos centrales + pares de co-citación con título,
    sobre redes recomputadas (NO requiere `build`; mismo camino que get_network). Devuelve:
    {kind, top, central: [{id, title, degree_centrality, community?}],
     cocitation: [{source, source_title, target, target_title, weight}], reason?, fix_command?,
     maturity}.
    `central` = top n nodos de la red `kind` por degree_centrality desc (título completo en redes
    de paper; label de entidad en author/institution/keyword). `cocitation` = SIEMPRE la red
    cocitation, top n aristas por weight desc.
    Honest-empty: co-citación vacía (sin cited_by_id) → bloque [] + reason/fix_command
    (de predict_build_preview), NO error. `maturity` (aditivo, #160, ver Apéndice `maturity`):
    SIEMPRE presente, scope="all", empty_networks=["cocitation"] si la co-citación quedó vacía.
    Raises DataError si kind inválido, n <= 0, o la red
    falla genuinamente; StoreError si el store falla. (Detrás de `read top`.)"""


# --- Resolución inversa id→DOI/URL (#212, opción 1; sin red, sobre el corpus cargado) ---

def resolve_doi(ws: Workspace, paper_id: str) -> str | None:
    """DOI desnudo del paper con `Col.ID == paper_id`, o `None`. Devuelve `None`
    (NO lanza DataError) cuando el id no existe, el paper no tiene DOI, o el DOI es
    cadena vacía `""` (mismo criterio de "vacío = ausente" que networks/decorate.py).
    Sin red: opera sobre el corpus ya cargado. Raises StoreError si el store falla."""

def resolve_url(ws: Workspace, paper_id: str) -> str | None:
    """URL canónica `https://doi.org/<doi>` del paper, o `None` en los mismos casos
    que resolve_doi (id inexistente / sin DOI / DOI vacío). Deriva vía
    `doi_to_url(resolve_doi(...))`. Sin red. Raises StoreError si el store falla.
    `doi_to_url(doi: str|None) -> str|None` (bib2graph.constants) es la FUENTE ÚNICA
    de la derivación DOI→URL, compartida con la decoración del atributo `url` de redes
    (#209, ver §8 nota) — sin drift."""

Nota de fidelidad al núcleo. Las lecturas no inventan campos que el núcleo no sostiene: get_paper expone authors_raw/authors_id (no objetos autor con ORCID), get_network no entrega modularity ni un id de red persistido, y compare_rounds deja mutated_hubs=[] mientras no haya redes por snapshot.

1. Modelo de dominio — Corpus

Wrapper sobre un TabularBackend (Protocol) cuyo contenido es una tabla Arrow (pa.Table) con schema fijo por paper, validada con Pydantic v2 (ADR 0006). El Corpus delega las mutaciones al backend (ADR 0015): los métodos siguen devolviendo un Corpus (semántica de valor a nivel de API), pero accept/reject/ merge/add_paper no reconstruyen la tabla entera en memoria — piden la operación al backend.

• InMemoryBackend — puro, sin I/O: working set efímero y backend de los tests (el núcleo se testea sin DuckDB). Es el comportamiento del Hito 1, movido al backend.
• DuckDBBackend — la biblioteca viva (ADR 0009): archivo .duckdb o :memory:, mutaciones por SQL UPDATE/MERGE por id. Es el backend por defecto con persistencia, y donde vive el LoopState (ADR 0016).

Las reglas de identidad/hash/merge (ADR 0013, D1/D2/D3) son contrato que cada backend cumple (InMemory en Python, DuckDB en SQL). corpus.to_arrow() es el puente estable a los proyectores/analizadores puros (§7–§8): solo cambia el contenedor, no el núcleo de análisis.

Símbolos públicos del Hito 1/1.5 (from bib2graph import ...): Corpus, Manifest, CorpusSnapshot, SchemaError (la excepción de contrato que lanzan Corpus.from_arrow() y add_paper() al violarse el schema canónico), y —del rework del Hito 1.5— TabularBackend (Protocol) e InMemoryBackend (ver §1.4).

1.1 Schema de la tabla (columnas canónicas)

Columna	Tipo Arrow	Nullable	Notas
id	string	no	id interno estable (hash de doi/source_id; ver §1.1 Identidad, ADR 0036)
source_id	string	sí	id del motor de extracción que entregó el paper (p. ej. W... para OpenAlex). Agnóstico al motor (ADR 0036): el nombre del motor vive en provenance.source, no en la columna
doi	string	sí	DOI normalizado
title	string	no	título completo
year	int32	sí	año de publicación
abstract	string	sí
source	string	sí	revista / venue
language	string	sí	código ISO 639-1
publisher	string	sí	atributo, no entidad
research_areas	list[string]	—	atributos, no entidades
is_seed	bool	no	True si entró por la ecuación/semilla; False si lo trajo el chaining
curation_status	string	no	candidate / accepted / rejected (biblioteca viva)
provenance	string	sí	JSON: lista de eventos (log append-only). Cada evento {action, equation_id, chaining_hop, source, fetched_at, decided_by, decided_at, source_kind}. Ver nota abajo (ADR 0013 D4, 0050 D2)
authors_raw / authors_id	list[string]	—	nombres crudos / ids canónicos (ORCID si hay)
authors_affiliations	list[string]	—	per-autor (de OpenAlex authorships); habilita geografía/asortatividad
keywords_raw / keywords_id	list[string]	—	crudos / canónicos (post-thesaurus)
institutions_raw / institutions_id	list[string]	—	crudos / ids canónicos (ROR si hay)
references_id	list[string]	—	obras citadas (ids OpenAlex); vienen de OpenAlex, no de un Enricher
references_doi	list[string]	—	refs resueltas a DOI (las puebla un Enricher opt-in; OpenAlex las da como URLs internas)
cited_by_id	list[string]	—	citantes (ids OpenAlex); habilita forward chaining y co-citación

El schema exacto vive en bib2graph.schemas. La validación se hace en Corpus.from_arrow() y en cada Source.seed()/load().

Tabla lateral external_ids(paper_id, engine, id) (ADR 0036, opción C — infra presente, sin poblar): el backend expone external_ids_for(paper_id)/all_external_ids() para registrar 1↔N los IDs que cada motor asignó al mismo paper (unificados por DOI). Su consumo (cruce cross-motor) está diferido a la llegada del 2º motor (#120); hoy la identidad/dedup se resuelven solo por el id canónico (DOI primero).

provenance es un log append-only (ADR 0013, D4), no un objeto único: la columna string guarda un JSON que es una lista de eventos. Cada evento tiene la forma:

{
  "action": "fetched | accepted | rejected",
  "equation_id": "string | null",
  "chaining_hop": "int | null",
  "source": "string | null",
  "fetched_at": "ISO8601 | null",
  "decided_by": "string | null",
  "decided_at": "ISO8601 | null",
  "source_kind": "seed_equation | chaining_forward | chaining_backward | null"
}

accept()/reject() agregan un evento (action='accepted'/'rejected', con decided_by y decided_at) sin borrar los previos. None/cadena vacía equivalen a "sin eventos".

source_kind (ADR 0050 D2, 0.15.0) desambigua el origen semántico del evento sin sobrecargar equation_id:

• "seed_equation" — el paper entró por una ecuación de búsqueda (equation_id="eq-…" FK a la tabla equations, §1.5; chaining_hop=null).
• "chaining_forward" — citante traído por forward chaining (equation_id=null; chaining_hop=1+).
• "chaining_backward" — referencia forrajeada por backward chaining (equation_id=null; chaining_hop=1+).
• null — eventos que no aplican (load desde BibTeX, fetched_by_id, curación accepted/rejected).

chaining_hop no se renombra (constraint del consumidor programático, §1.7). equation_id deja de contener el prefijo chaining: en escritura nueva: el campo pasa a ser FK pura a equations.equation_id o null. Corpus viejos con equation_id="chaining:…" se migran on-read vía parse_provenance_migrated (bib2graph.schemas, #320): el prefijo se traduce a source_kind y se confirma chaining_hop; el equation_id queda null en la vista migrada. La serialización que sale al parquet/Feather sigue siendo el JSON canónico del evento (Pydantic v2, orden determinista).

id estable y determinista (ADR 0013, D1; precedencia invertida por ADR 0036, D1'): id = f"{prefix}:{sha256(valor)[:16]}" con precedencia doi normalizado (doi:) → source_id (src:) → title+year (tt:). El DOI es el ancla universal e interoperable entre motores (un paper con DOI tiene el mismo id venga de OpenAlex, de Semantic Scholar o de un .bib); source_id es el fallback para papers sin DOI, antes de caer a title+year (frágil). El mismo paper produce el mismo id entre corridas; es la base de la dedup en merge y en la biblioteca viva.

1.2 Corpus (wrapper)

class Corpus:
    """Wrapper sobre un TabularBackend + un Manifest (ADR 0015).

    Lo que circula por el pipeline: Source lo siembra, el Forager lo expande,
    el humano lo cura, el Preprocessor lo normaliza, el backend lo persiste (biblioteca
    viva), los Projectors lo consumen vía to_arrow(). Las mutaciones se DELEGAN al
    backend (InMemoryBackend puro / DuckDBBackend por defecto): la API mantiene
    semántica de valor (devuelve Corpus), pero no copia la tabla entera en memoria.
    """
    manifest: Manifest

    @classmethod
    def from_arrow(cls, table: pa.Table, *, backend: "TabularBackend | None" = None) -> "Corpus":
        """Valida con Pydantic y construye el Corpus sobre `backend` (default InMemoryBackend).
        Falla ruidoso si el schema no coincide."""

    def to_arrow(self) -> pa.Table:
        """Materializa el contenido del backend como pa.Table. Puente a los proyectores puros.
        ADR 0050 D3: puebla la METADATA del schema Arrow con `equation_hash`/`equation_hash_algo`/
        `equation_expression`/`equation_id` cuando hay exactamente 1 ecuación en la tabla `equations`
        (§1.5/§1.6). Con 0 o >1 ecuaciones la metadata se omite (silenciosa acá; el warning lo emite
        el punto de consumo). El schema de columnas + el dominio de `curation_status` son contrato con
        consumidores externos (el consumidor programático, §1.7)."""
    def seeds(self) -> pa.Table:        """Vista is_seed == True."""
    def candidates(self) -> pa.Table:   """Vista curation_status == 'candidate'."""
    def accepted(self) -> pa.Table:     """Vista curation_status == 'accepted' (la biblioteca curada)."""

    def scoped(self, scope: str) -> "Corpus":
        """Vista PURA por estado de curación: devuelve un Corpus NUEVO con el subconjunto de filas
        (no muta el original). Valores: `'all'` = corpus completo; `'accepted'` =
        `(is_seed == True OR curation_status == 'accepted') AND curation_status != 'rejected'`
        (ADR 0051, #307: una semilla RECHAZADA queda EXCLUIDA de `accepted` aunque sea semilla —
        rechazar refleja la curación PRISMA); `'seeds_only'` = `is_seed == True` (**NO** excluye
        rejected: una semilla rechazada SÍ aparece — scope estructural "qué entró", numerador PRISMA;
        decisión explícita del ADR 0051, no omisión). Scope inválido →
        `ValueError` accionable. Determinista: dos llamadas con el mismo scope dan corpora con el
        mismo `corpus_hash` (subset estable). `'all'` reusa el backend; los otros materializan el
        filtro en un `InMemoryBackend`. Lo usa `b2g build --scope` (vocab CLI `seeds`→`seeds_only`
        internamente) para sellar el hash del
        corpus FILTRADO. Issue #56 / #159 / #307. **NO confundir con `NetworkSpec.scope`** (§10): aquel
        es un eje por-red (`full`/`seeds_only`) sobre `is_seed`; `scoped()` filtra el corpus entero por
        curación antes de proyectar."""

    def with_manifest(self, manifest: Manifest) -> "Corpus":
        """Devuelve un Corpus nuevo con el MISMO contenido y otro Manifest (semántica de valor:
        el original no muta). No toca el backend; el `corpus_hash` no cambia (el hash es sobre la
        tabla, no sobre el Manifest). API canónica para que las costuras (Source/Forager/Filter)
        sellen su metadata —p. ej. `OpenAlexSource.seed()` puebla `openalex_version`/`equations`—
        sin reconstruir el corpus. v1 (Hito 4)."""

    def add_paper(self, row: dict) -> "Corpus":
        """Valida la fila (PaperRow) y agrega el paper. Calcula `id` (D1) si no viene."""
    def merge(self, other: "Corpus") -> "Corpus":
        """Combina deduplicando por `id` (idempotente). Combinación por campo: escalar no-nulo
        gana (ambos no-nulos → `other`); columnas de lista = unión deduplicada (preserva `None`);
        `curation_status` por decisión humana más reciente (`provenance.decided_at`), fallback
        `accepted`>`rejected`>`candidate`; `provenance` = unión de eventos únicos (log).
        Orden de filas: **primera aparición** (filas de `self` en orden, luego las nuevas de
        `other`). Ver ADR 0013 (D3)."""
    def accept(self, ids: list[str], *, by: str = "human", decided_at: datetime | None = None) -> "Corpus":
        """Marca papers como 'accepted' y AGREGA un evento al log de provenance. Devuelve Corpus nuevo.
        `decided_at` se inyecta desde la frontera CLI (Hito R2, ADR 0017); `None` → el backend usa
        `datetime.now(UTC)` como fallback de librería. El `decided_at` NO entra al `corpus_hash`."""
    def reject(self, ids: list[str], *, by: str = "human", decided_at: datetime | None = None) -> "Corpus": ...
    def materialize(self, view: Literal["author", "keyword", "institution"]) -> pa.Table: ...
    def snapshot(self, path: Path) -> "CorpusSnapshot":
        """Exporta una FOTO sellada del estado actual (parquet + manifest.json) para reportar/
        reproducir. CALCULA el `corpus_hash` real (D2) y lo escribe en el Manifest del snapshot.
        NO es la persistencia (eso es el Store DuckDB); es un export derivable."""

    def __eq__(self, other: object) -> bool:
        """Igualdad canónica vía `corpus_hash` (D2): mismo contenido semántico, insensible al
        orden de filas y al orden interno de las columnas de lista; no compara el Manifest.
        Robusta ante cualquier `PYTHONHASHSEED`. Ver ADR 0013."""

Notas de contrato (ADR 0013):

• __eq__ es por corpus_hash, no por pa.Table.equals: dos Corpus con el mismo contenido en distinto orden de filas (o de listas) son iguales. El corpus_hash excluye provenance/timestamps (identidad = contenido bibliográfico; la procedencia audita, no identifica) pero incluye curation_status (contenido curado), nunca campos volátiles del Manifest (D2).
• merge emite filas en orden determinista (primera aparición): habilita diffs y snapshots reproducibles. Es idempotente: c.merge(c) == c.

Backend y estado del lazo (ADR 0015 / 0016):

• Las mutaciones se delegan al TabularBackend. D1/D2/D3 son contrato que cada backend cumple (InMemory en Python, DuckDB por SQL). El corpus_hash (D2) se computa siempre sobre to_arrow().
• El CycleState (SEEDED → FORAGED → FILTERED → BUILT → MONITORED, transiciones permisivas) vive en el backend persistente (DuckDBBackend), no en el Corpus efímero (tabla loop_state_log append-only; estado actual = última fila), expuesto vía loop_state()/set_loop_state() (§4) y b2g status.

1.3 Manifest y CorpusSnapshot

class Manifest(BaseModel):
    """Metadatos del Corpus. Se serializa a manifest.json junto al parquet del snapshot."""
    # Obligatorios (sin default) — D5
    schema_version: str
    corpus_hash: str
    lib_version: str
    created_at: datetime
    # Con default — D5
    openalex_version: str | None = None          # versión/fecha del snapshot de OpenAlex usado
    equations: list[EquationRef] = []            # ecuaciones + query OpenAlex ejecutada + reporte de traducción
                                                  # EquationRef vive en `bib2graph.corpus` (NO en `schemas`).
                                                  # ADR 0050 D1: extendida con engine/params/created_at;
                                                  # se PERSISTE en la tabla `equations` del store vivo (§1.5)
                                                  # y `DuckDBStore.load()` la RECONSTRUYE de vuelta (D1
                                                  # completo, QA 0.14.0 #1): el snapshot sella la tabla
                                                  # fielmente, no `[]`.
    chaining: ChainingParams | None = None       # profundidad, topes, dirección
    preprocessors: list[PreprocRef] = []         # normalize + thesaurus aplicados
    filters: list[FilterStep] = []               # criterios incl/excl con conteos (flujo PRISMA)
    enrichers: list[EnricherRef] = []            # opcional (resolución de refs / 2º nivel)

class CorpusSnapshot:
    """Carpeta con corpus.parquet + manifest.json: EXPORT sellado del estado vivo en un instante.
    Reproducible y versionable (git-lfs / DVC). No es la biblioteca viva, es su foto."""
    path: Path
    manifest: Manifest

    @property
    def corpus(self) -> Corpus: ...

Notas de contrato (ADR 0013; D5/D6):

• corpus_hash se calcula al sellar: el Manifest en memoria lleva corpus_hash="" (placeholder); el hash real (D2) se computa en snapshot() y vive en CorpusSnapshot.manifest.
• Obligatorios (D5): schema_version, corpus_hash, lib_version, created_at; el resto con default. Si importlib.metadata no resuelve la versión instalada, lib_version = "unknown" (no "0.0.0" inventado — honesto sobre la reproducibilidad).
• schema_version (D6): se escribe y round-tripea; el rechazo por incompatibilidad + migraciones sobre el store vivo es futuro.

1.4 TabularBackend (Protocol) e InMemoryBackend

El contenedor del Corpus es un TabularBackend (Protocol @runtime_checkable); el Corpus delega en él (ADR 0015). El núcleo depende solo del Protocol (no de duckdb). Las mutaciones tienen semántica de valor: cada operación devuelve una instancia nueva del backend; la original no muta. id ya viene calculado por Corpus.add_paper (D1 se valida antes de delegar). Las reglas D1/D2/D3 (ADR 0013) son contrato de este Protocol: cada implementación las cumple a su manera (InMemory en Python, DuckDB en SQL).

@runtime_checkable
class TabularBackend(Protocol):
    """Respalda el contenido del Corpus. Cumple D1/D2/D3 (ADR 0013).
    Implementaciones: InMemoryBackend (puro, tests) / DuckDBBackend (biblioteca viva, Hito 3)."""

    def to_arrow(self) -> pa.Table: ...
        # Contenido completo como tabla Arrow canónica. Puente a los proyectores puros.
    def add_paper(self, row: dict) -> "TabularBackend": ...
        # `id` ya calculado y fila ya validada por Corpus.add_paper. Devuelve backend nuevo.
    def merge(self, other_table: pa.Table) -> "TabularBackend": ...
        # Fusión D3: orden por primera aparición (filas de self, luego nuevas), dedup por `id`.
    def apply_curation(self, ids: list[str], *, action: str, by: str,
                       decided_at: str | None = None) -> "TabularBackend": ...
        # accept/reject: AGREGA un evento al log `provenance` (action/decided_by/decided_at).
        # `decided_at` (ISO8601 UTC) inyectado desde la frontera (Hito R2, ADR 0017);
        # `None` → fallback `datetime.now(UTC)` (uso como librería). NO entra al corpus_hash.
    def filter_view(self, view: Literal["seeds", "candidates", "accepted"]) -> pa.Table: ...
        # Vista filtrada (is_seed / curation_status == 'candidate' | 'accepted').
    def corpus_hash(self) -> str: ...        # D2, order-independent, sobre el contenido
    def __len__(self) -> int: ...
    def __eq__(self, other: object) -> bool: ...   # igualdad canónica por corpus_hash (D2)

    # AS-BUILT #54 (2026-06-17): tabla hermana `referenced_but_not_fetched` (append-only, par de
    # loop_state_log) — los IDs que el backward chaining OBSERVA sin materializar en el corpus (§5).
    # FUERA de la tabla `corpus` y del corpus_hash (son estado, no contenido; ADR 0017).
    def add_referenced_refs(self, ref_ids: list[str], *, cycle_round: int) -> "TabularBackend": ...
        # Registra IDs observados (idempotente por existencia de `ref_id`; observed_at = now() del backend).
    def referenced_refs_count(self) -> int: ...    # nº de IDs observados distintos
    def referenced_refs(self) -> list[str]: ...    # los ref_id observados, en orden de inserción

    # ADR 0050 D1: tabla hermana `equations` (objeto ecuación de 1ª clase; FUERA del corpus_hash,
    # como referenced_but_not_fetched). Firmas y schema en §1.5.
    def persist_equation(self, equation_id: str, *, engine: str, raw_query: str,
                         params_json: str, label: str | None = None,
                         created_at: str | None = None) -> None: ...   # upsert idempotente por equation_id
    def load_equations(self) -> list[dict[str, object]]: ...           # filas persistidas, orden de inserción

Implementación	Estado	Notas
InMemoryBackend	v1	Núcleo puro, sin I/O. Working set efímero y backend de los tests (el núcleo se testea sin DuckDB). Semántica de valor; hereda la lógica del Hito 1 (mutación en Python sobre listas de dicts, table-rebuild). No persiste.
DuckDBBackend	v1, por defecto	La biblioteca viva (ADR 0009/0015): construido (Hito 3). Mutación por SQL puro (INSERT … ON CONFLICT (id) DO UPDATE + merge D3 en SQL/UDF), persiste entre corridas (.duckdb o :memory:), aloja el LoopState (ADR 0016). Pasa la suite de contrato de backend (D1/D2/D3). Carga perezosa (PEP 562): no se importa con import bib2graph. Ver §4.

TabularBackend e InMemoryBackend son símbolos públicos v1 (from bib2graph import TabularBackend, InMemoryBackend). El contrato D1/D2/D3 se verifica con una suite parametrizada por backend (tests/unit/test_backends.py), ahora parametrizada también con DuckDBBackend (Hito 3, construido): el backend SQL cumple los mismos invariantes que el InMemory.

1.5 Objeto/tabla equations — la ecuación como objeto de 1ª clase (ADR 0050 D1, v1)

La ecuación de búsqueda se persiste como objeto de 1ª clase en el store vivo (ADR 0050 D1, 0.14.0), no solo como el equation_id string suelto dentro del JSON de provenance. Es una tabla hermana del backend (análoga a loop_state_log/referenced_but_not_fetched): SQL en DuckDBBackend, estructura equivalente en InMemoryBackend. Schema de la tabla equations (PK equation_id):

Campo	Tipo	Nullable	Notas
equation_id	string (PK)	no	formato eq-<YYYYMMDDTHHMMSS> (seed); mismo que hoy en provenance. Estable.
engine	string	no	motor que ejecutó la búsqueda (openalex; futuro s2/crossref).
raw_query	string	no	la ecuación cruda tal como la escribió el usuario (EquationSpec.query / --equation), antes de traducir a filtros OpenAlex. Es lo que el consumidor programático confirma y hashea (§1.6).
params_json	string (JSON)	no (default '{}')	superconjunto de EquationRef + los flags de seed: {exclude, max_results, native, min_year, max_year, executed_query, translation_report}.
label	string \| null	sí	etiqueta humana opcional.
created_at	string (ISO8601 UTC)	no	sello de creación de la ecuación.

• provenance.equation_id es una FK / denormalización a equations.equation_id. La tabla equations es la fuente de verdad; el equation_id string en provenance es cache/denormalización. Retrocompat total: los consumidores que solo leen provenance.equation_id no rompen (el string sigue ahí). En escritura nueva ya no contiene el prefijo chaining: — el overload se disuelve vía source_kind (ADR 0050 D2, §1.1 ProvenanceEvent). Corpus viejos con chaining:* se migran on-read (parse_provenance_migrated, §1.1) — la escritura nueva va limpia.
• Se persiste al sembrar. b2g seed --equation/--spec escribe una fila en equations en la biblioteca viva (store.backend.persist_equation(...), idempotente por equation_id PK: INSERT OR REPLACE en DuckDB, upsert por posición en InMemory). El raw_query que se persiste es la ecuación cruda; params_json serializa EquationRef.params.
• El chaining NO crea filas en equations (un citante forrajeado no vino de una ecuación; queda con equation_id=null + source_kind="chaining_forward"/"chaining_backward").
• Round-trip completo (D1, QA 0.14.0 #1). DuckDBStore.load() reconstruye manifest.equations desde esta tabla al rehidratar (mismo patrón que filters/enrichers, ver §4 "Procedencia del Manifest persistida entre cargas"). Por eso el manifest.json que sella snapshot create refleja fielmente la tabla equations, no un [] vacío: la persistencia y la carga cierran el ciclo, la procedencia sobrevive entre sesiones. (b2g status la expone directo de load_equations(), sin pasar por el manifest reconstruido; ver §Convenciones CLI · status.)

EquationRef (bib2graph.corpus, NO schemas) es la vista Python de esta fila, reusada en el Manifest del snapshot (§1.3). ADR 0050 D1 la extiende (aditivo, retrocompat):

class EquationRef(BaseModel):
    """Referencia a una ecuación ejecutada. Vive en bib2graph.corpus (ADR 0030 + 0050 D1).
    Se sella en Manifest.equations (snapshot) Y se persiste en la tabla `equations` (store vivo)."""
    equation_id: str                                    # PK, `eq-<YYYYMMDDTHHMMSS>` (seed)
    query: str                                          # query EJECUTADA (traducida) — campo histórico
    translation_report: list[str] = Field(default_factory=list)
    engine: str | None = None                           # ADR 0050: motor (`openalex`; futuro s2/crossref)
    params: dict[str, object] = Field(default_factory=dict)  # ADR 0050: raw_query, exclude, max_results,
                                                        # native, min_year, max_year, executed_query
    created_at: str | None = None                       # ADR 0050: sello ISO8601 UTC

query = query traducida (histórico); la ecuación CRUDA vive en params["raw_query"] (= la columna raw_query de la tabla y lo que se hashea, §1.6). No se confunden: query mantiene el uso histórico del campo; raw_query es lo que el usuario escribió.

Métodos del backend (aditivos al Protocol TabularBackend, §1.4):

def persist_equation(self, equation_id: str, *, engine: str, raw_query: str,
                     params_json: str, label: str | None = None,
                     created_at: str | None = None) -> None: ...
    # Upsert idempotente por equation_id (PK). created_at=None → datetime.now(UTC).
def load_equations(self) -> list[dict[str, object]]: ...
    # Filas persistidas (equation_id, engine, raw_query, params_json, label, created_at),
    # en orden de inserción. Copia defensiva.

D2 (source_kind) implementado en 0.15.0 (#320). El ProvenanceEvent ya lleva source_kind (§1.1) aditivo al lado de chaining_hop, que no se toca (constraint del consumidor programático, §1.7). Escritura nueva: equation_id=null + source_kind="chaining_forward"/"chaining_backward" para citantes; equation_id="eq-…" + source_kind="seed_equation" para semillas. Corpus pre-D2 con equation_id="chaining:…" se migran on-read vía parse_provenance_migrated (sin reescribir stores; el parser se mantiene en runtime, no es breaking). corpus_hash intacto (R2 excluye provenance).

1.6 Metadata del schema Arrow — equation_hash (ADR 0050 D3, v1) — contrato con el consumidor programático

to_arrow() (§1.2) puebla la metadata del schema Arrow (pa.schema(...).with_metadata({...}), bytes→bytes) con la ligadura ecuación↔corpus, cuando hay exactamente una ecuación en la tabla equations (§1.5). Claves (bytes UTF-8):

Clave	Valor
equation_hash	SHA-256 (hex, minúsculas) de la ecuación cruda normalizada (ver abajo).
equation_hash_algo	"sha256" (constante; explícito para versionar el algoritmo del digest).
equation_expression	la ecuación cruda (raw_query), para trazabilidad.
equation_id	la FK (eq-…), para cruzar con la tabla equations (§1.5).

Normalización canónica del hash — strip() puro, CONGELADO (contrato de verificación del consumidor). Se hashea la ecuación cruda (raw_query = lo que el usuario escribió, antes de traducir a filtros OpenAlex):

equation_hash = hashlib.sha256(raw_query.strip().encode("utf-8")).hexdigest()

Es decir: solo str.strip() (elimina espacios al inicio/final) → codificar en UTF-8 → SHA-256 → hexdigest en minúsculas. NO colapsa espacios internos, NO cambia mayúsculas, NO normaliza comillas ni Unicode (NFC/NFKC). Esta definición es exactamente la del contrato de verificación del consumidor y se congela: una vez que el consumidor programático empiece a verificar, cambiar la normalización rompería la verificación (por eso equation_hash_algo deja versionar el algoritmo para evoluciones controladas).

• Regla 1-ecuación → presente / 0-o-N → omitida (congelada, ADR 0050 D3). Exactamente una ecuación en equations → la metadata (equation_hash/equation_hash_algo/equation_expression/ equation_id) se puebla. Cero o múltiples ecuaciones → la metadata se omite por completo y build_equation_metadata devuelve un warning accionable. Nunca se inventa un hash para 0 o

  1 ecuaciones (fallar suave y honesto, no mentir un hash que el consumidor programático no podría verificar). El helper puro build_equation_metadata(equations) -> tuple[dict[bytes, bytes], str | None] (bib2graph.backends.memory) implementa la regla; to_arrow() lo aplica silenciosamente (el warning lo emite el punto de consumo, p. ej. b2g export --format arrow).

• Contrato a FUTURO, no bloqueante. La verificación por hash aún no está implementada del lado del consumidor (su contrato de verificación en estado Propuesta). bib2graph emite el hash bien (strip exacto) para dejar la ligadura lista para cuando el consumidor programático la active; su ausencia no frena nada.

El schema de columnas de to_arrow() (los 19 nombres+tipos que el consumidor programático lee) y el dominio de curation_status (candidate | accepted | rejected) son CONTRATO con consumidores externos — ver §1.7. La metadata de ecuación (D1/D3) es aditiva: no toca esas columnas.

1.7 Contrato con consumidores externos — schema del Arrow congelado

Un consumidor programático carga corpus reales subiendo el Arrow que produce to_arrow() (Feather de b2g export --format arrow, §CLI). Un usuario programático que integra el Arrow de bib2graph reportó que su ingest impone un constraint DURO sobre el schema (ADR 0050 §Constraints del consumidor programático): estos dos elementos son contrato con consumidores externos y no se cambian sin coordinar cross-repo:

1. El schema de columnas del Arrow — los 19 nombres+tipos load-bearing que el consumidor programático lee (INGESTED_COLUMNS): id, doi, source_id, references_id, references_doi, title, year, abstract, source, curation_status, is_seed, provenance, authors_raw, authors_id, authors_affiliations, keywords_raw, keywords_id, institutions_raw, institutions_id. source_id/references_id deben seguir siendo ids OpenAlex del mismo namespace (W…): el consumidor programático joinea references_id de un paper contra source_id de otro para armar el grafo de citas. Un rename/retipo los vuelve invisibles sin error (rompe en silencio).
2. El dominio de curation_status — exactamente candidate | accepted | rejected. El ingest del consumidor programático hace .exclude(rejected); renombrar un estado filtra mal los papers rechazados.

Regla: aditivo es seguro; renombrar/retipar/estrechar NO. Agregar columnas nuevas a CORPUS_SCHEMA o metadata nueva al schema (como equation_hash, D3) es 100% seguro — el consumidor programático ignora todo lo que no está en INGESTED_COLUMNS y toda metadata que no consume. Renombrar, retipar o estrechar el dominio sobre lo que el consumidor programático lee rompe la carga (varios rompen en silencio).

Esto lo blinda el test guardarraíl tests/unit/test_arrow_schema_contract.py (#296, ya en dev): una copia congelada de los 19 nombres+tipos + el dominio de curation_status, que falla si alguien renombra/retipa una columna load-bearing o cambia el dominio. Agregar columnas nuevas lo deja pasar (verificado). Referencia normativa: ADR 0050 §Constraints del consumidor programático.

1.8 Red tipada en el Arrow del corpus (ADR 0052, v1, #321)

b2g export --format arrow extiende el contrato del Feather con la red tipada del último b2g build sobre el corpus scopeado, en el mismo archivo autoverificable (sin multi-tabla ni hacks de Arrow IPC estándar). El cierre asociativo papers.id ↔ network_edges[].neighbor_id es exacto por construcción. Es aditivo sobre §1.6/§1.7: no toca los 19 nombres+tipos load-bearing del consumidor programático, ni el dominio de curation_status, ni el corpus_hash: compute_corpus_hash excluye las 5 columnas de red (constants.ARROW_NETWORK_COLUMNS), así que el mismo corpus exportado con y sin red da el mismo corpus_hash (ADR 0052 §Constraints; corregido post-0.15.0 — en 0.15.0 el hash de la tabla con red difería).

5 columnas nuevas en la tabla papers

Pobladas si y solo si hay NetworkArtifact disponible del b2g build para el --network-type pedido. Ausentes (no null/no vacías — el Arrow no las trae; el schema no las declara) si el corpus no tiene red computada (modo degradado, abajo).

Columna	Tipo Arrow	Nullable	Semántica
community_id	int64	no	id de la comunidad del paper en la red. Negativo (-1) = outlier/no asignado (paper sin aristas o sin match en el grafo).
degree_weighted	int64	no	suma de los pesos de las aristas del paper. Aislados = 0.
intra_community_pagerank	float64	no	PageRank del paper dentro del subgrafo de su comunidad, ponderado por weight (ADR 0052 D3). Robusto al tamaño: una comunidad de 5 nodos y una de 500 dan PageRanks comparables. 0.0 para papers sin match en el grafo.
network_edges	list<struct<neighbor_id: string, weight: int64>>	no	aristas salientes del paper. neighbor_id = Col.ID canónico del vecino (doi:… / src:… / tt:… — la misma regla de identidad del corpus, NO source_id crudo). weight = peso de la arista. Lista vacía si el nodo está aislado.
network_communities	list<struct<community_id: int64, size: int64, modularity: float64>>	no	partición global de la red, idéntica para todos los papers del Arrow (no es por-nodo). Lista de un solo elemento si la partición tiene 1 comunidad; vacía si detect_communities no corrió. modularity es la de Newman de la partición entera (misma por entrada, por consistencia de tipo).

Cruce estable: el neighbor_id de network_edges es el Col.ID (doi:… cuando hay DOI, source_id:… cuando no, tt:… cuando tampoco — la misma regla que el resto del corpus). El consumidor joinea con papers.id por igualdad exacta de string. No se exportan aristas con source_id crudo: el source_id ya está como columna de papers (§1.7, constraint duro del consumidor programático). Esta es la decisión más contraintuitiva del ADR 0052 pero la única que mantiene la coherencia con la identidad DOI-ancla del corpus (ADR 0036).

4 claves nuevas en la metadata del schema Arrow (aditivas sobre §1.6)

arrow_with_network extiende la metadata con (solo si hay NetworkArtifact):

Clave	Valor	Cuándo
network_type	"bibliographic_coupling" | "cocitation"	Una red por Arrow. Ausente en modo degradado.
network_type_algo	"louvain" | "label_prop" | "greedy_modularity"	Solo presente si network_type está presente. Refleja el clustering del NetworkSpec del b2g build que produjo la red.
network_resolution	float como string	Solo presente si network_type está presente. Refleja la resolution del NetworkSpec.
network_scope	"full" | "seeds_only"	Solo presente si network_type está presente. Refleja el scope del NetworkSpec.

Conviven con equation_hash / equation_hash_algo / equation_expression / equation_id de §1.6. La metadata es inmutable una vez escrita; el consumidor la lee y, si network_type está ausente, sabe que está en modo degradado (abajo).

Una red por Arrow, configurable (b2g export --network-type, ADR 0052 D2)

• Default: bibliographic_coupling (la más robusta en one-shot, la primera del Networks.quick).
• Override: nuevo flag --network-type que reusa el NetworkKind StrEnum existente en bib2graph.constants (fuente única, ADR 0023) — no se introduce literal nuevo.
• Kinds no-papers (author_collab / institution_collab / keyword_cooccurrence): los nodos de esas redes no son papers; el struct anidado network_edges/network_communities no aplica. arrow_with_network rechaza esos kinds con ValueError y la CLI los cubre con un warning accionable y exporta igual la tabla pelada ("network_type=<kind> not supported in Arrow export; use --format graphml for this kind"). Para esos kinds, usar --format graphml.
• PAPER_NETWORK_KINDS (bib2graph.constants, ADR 0023) es la fuente única que decide qué kinds se pueden embeber: frozenset({NetworkKind.BIBLIOGRAPHIC_COUPLING, NetworkKind.COCITATION}).
• cocitation requiere cited_by_id poblado (ADR 0052 D2). Si se pide --network-type cocitation pero ningún paper del corpus tiene cited_by_id no-vacío, b2g export emite DataError (exit 2) accionable ("run 'b2g chain forward' / 'b2g enrich' first") — no exporta un Arrow con red vacía.
• Multi-red en un mismo Arrow queda diferida a 0.16.0+ (el struct puede explotar de tamaño si hay 5 redes con miles de aristas cada una; se decide bajo demanda).

Modo degradado honesto (ADR 0052 D4)

b2g export --format arrow sobre un corpus sin b2g build previo (o build que falló, o restaurado de un snapshot anterior al build): el Arrow se exporta igual, pero las columnas de red están ausentes (no null/no vacías — el Arrow no las trae, el schema no las declara), network_type ausente en metadata. El envelope --json lleva un warning top-level:

{
  "warnings": [
    "no network computed; run 'b2g build' first to attach a typed network to the export"
  ]
}

Exit code = 0 (export exitoso, modo degradado documentado). El consumidor lee la ausencia de network_type en la metadata del schema como "esto es un corpus pelado" y obra en consecuencia.

Por qué no exportamos structs vacíos con null/[]: ocuparía espacio y mentiría sobre la presencia de una red que no existe. La forma del Arrow cambia con y sin red; el consumidor debe validar la presencia/ausencia de las columnas de red (es la disciplina que el constraint "rompen-en-silencio" del §1.7 ya impone).

Envelope --json aditivo para export --format arrow (ADR 0052 D5)

schema="1" intacto. Se agregan al dict data los siguientes 7 campos siempre presentes en --format arrow (los otros formatos de export no los llevan), todos null/0 cuando no hay red embebida:

Campo	Tipo	Semántica
network_type	string | null	Refleja la metadata del Arrow. null en modo degradado o kind no-paper.
network_nodes	int	Nº de nodos en la red (papers con al menos una arista). 0 en modo degradado.
network_edges	int	Nº de aristas en la red. 0 en modo degradado.
network_communities	int	Nº de comunidades detectadas. 0 en modo degradado.
network_modularity	float | null	Modularidad de Newman de la partición (nx.community.modularity). null en modo degradado.
network_type_algo	string | null	"louvain" | "label_prop" | "greedy_modularity". null en modo degradado.
network_resolution	float | null	Resolución del NetworkSpec. null en modo degradado.

Son informativos (el consumidor puede sacarlos del Arrow leyendo la metadata y las columnas, pero tenerlos en el envelope le evita parsear el schema). El bloque maturity existente se mantiene intacto (§Envelope, #160).

Función núcleo y dependencias

• networks/intra_community_pagerank.py::intra_community_pagerank(graph, communities, *, weight="weight") -> dict[node, float] — función pura (núcleo; sin I/O, sin red, sin duckdb). Computa PageRank restringido al subgrafo de cada comunidad. Costo total O(|V| + |E|) en subgrafos disjuntos. Para comunidades de 1 nodo aislado, PageRank = 1.0 por convención de nx.pagerank.
• exporters/arrow.py::arrow_with_network(table, artifact) -> pa.Table — función pura: si artifact is None, devuelve table intacta (modo degradado); si no, exige kind ∈ PAPER_NETWORK_KINDS, adhiere las 5 columnas (con nullable=False enforced vía cast del schema) y extiende la metadata con las 4 claves de red. No toca I/O, no muta table, no afecta corpus_hash.
• Dependencia nueva: scipy>=1.17.1 al núcleo ([project.dependencies], pyproject.toml). nx.pagerank lo requiere. No es opt-in ni [extra]: vive en el núcleo porque la red tipada es núcleo puro.

---

2. Costura Source — sembrar un corpus

El contrato Source es agnóstico de la forma de OpenAlex (ADR 0018): separa lo que todo corpus necesita para existir de lo que algunas fuentes pueden o no entregar.

• Mínimo universal (obligatorio para toda Source): id, title, year, authors_raw, keywords_raw. Habilita ya las redes de co-autoría y co-ocurrencia de keywords.
• Enriquecimiento opcional (la Source puede omitirlo; el schema admite nulos): references_id / references_doi, cited_by_id, authors_affiliations (per-autor), institutions_id. Habilita acoplamiento, co-citación, redes de instituciones y asortatividad geográfica.

Una Source que solo provee el mínimo es ciudadana legítima (habilita fuentes latinoamericanas — SciELO, Redalyc, La Referencia — sin obligarlas a entregar lo que no tienen); los proyectores de enriquecimiento producen redes parciales sobre esos papers y lo reportan (no fallan). (El contrato se declara en v0.1; las fuentes nuevas e impl son posteriores.)

class Source(Protocol):
    """Convierte una entrada externa en un Corpus. Acceso a campos DEFENSIVO (sin KeyError).
    Debe entregar el MÍNIMO UNIVERSAL (id, title, year, authors_raw, keywords_raw); el
    enriquecimiento (refs/citantes/afiliaciones/instituciones) es OPCIONAL (ADR 0018)."""

    def seed(self, query: str, *, exclude: list[str] | None = None) -> "SeedResult":
        """Siembra desde una ecuación de búsqueda. Devuelve el Corpus + la query ejecutada
        y el reporte de traducción (qué mapeó, qué se aproximó, qué se descartó).
        `exclude` (negaciones quirúrgicas, opcional): cada término se inyecta DENTRO de la
        única expresión `title_and_abstract.search:((query) AND NOT "<término>")` (el campo
        NO se repite) y se REPORTA en el
        translation_report (query visible, ejercicio consciente). Las comillas internas del
        término se sanean. Ignorado con `native=True` (query cruda). Una Source que no siembra
        por ecuación (p. ej. BibtexSource) lanza NotImplementedError."""
    def load(self, path: str) -> Corpus:
        """Siembra desde un archivo (export/pearls). is_seed=True."""

class SeedResult(BaseModel):
    corpus: Corpus
    executed_query: str        # la query OpenAlex EXACTA ejecutada (consciencia, ADR 0007)
    translation_report: list[str]   # mapeos limpios / aproximados / descartados (p. ej. NEAR no soportado) + negaciones aplicadas (exclude, #30)

Capa declarativa de la ecuación — EquationSpec + load_equation_spec (Ciclo 9a, ADR 0030; src/bib2graph/sources/equation.py). Empaqueta los parámetros de b2g seed en un YAML versionable (el artefacto "qué se busca"), análogo a NetworkSpec/load_specs del Hito 9. Clave raíz equation: (objeto, no lista — una ecuación por archivo). El modo b2g seed --spec equation.yaml (§convenciones CLI) carga la spec y la mapea a run_seed; equivale a --equation + flags.

class EquationSpec(BaseModel):
    """Configuración declarativa de una ecuación de búsqueda (ADR 0030).
    model_config = ConfigDict(extra="forbid"): campo desconocido en el YAML → error accionable."""
    query: str                          # requerido (no vacío) — la ecuación de búsqueda
    exclude: list[str] = []             # #30 — AND NOT "…" DENTRO de la search:((query) AND NOT "…")
    max_results: int | None = None      # #14 — tope (None → default del source, 200)
    native: bool = False                # passthrough crudo a OpenAlex (sin traducción)
    min_year: int | None = None         # filtra: from_publication_date contra OpenAlex
    max_year: int | None = None         # filtra: to_publication_date contra OpenAlex

def load_equation_spec(path: str | Path) -> EquationSpec:
    """Carga/valida la EquationSpec desde un YAML (clave raíz `equation:`).
    Errores accionables (mismo patrón que `load_specs`): YAML malformado → ValueError;
    clave raíz ausente → ValueError; campo desconocido/tipo incorrecto → ValueError
    citando archivo + campo. Importación perezosa de PyYAML."""

Implementación	Estado	Notas
OpenAlexSource	v1	Referencia/backbone, sobre httpx. Entrega mínimo + enriquecimiento (refs inline + afiliaciones per-autor + instituciones; cited_by_id lo puebla el chaining/Enricher, no el seed). Traducción passthrough: envuelve la ecuación en title_and_abstract.search:(...) y reporta los límites WoS (NEAR/comodín/tags) sin traducirlos. Flag native=True (query cruda). Negaciones (exclude): cada AND NOT "<término>" se inyecta dentro de la única expresión search:((query) AND NOT "<término>") (campo no repetido; el filtro de año queda como predicado separado por coma, fuera del search) y se reporta en el translation_report; ignorado con native. Credenciales inyectadas: la api_key se resuelve arg → env OPENALEX_API_KEY → ausencia ⇒ polite pool (ADR 0012); con key viaja en el header Authorization: Bearer <key>. El email (arg email=/--email) viaja como mailto en la query (polite pool). Sin key el source no rompe: corre en polite pool, solo con menor límite. Cursor paging con tope max_results (default 200). Puebla Manifest.openalex_version (ADR 0017). transport inyectable (tests sin red). Un 429 (rate limit del pool anónimo) en seed() → NetworkError (exit 4) con mensaje accionable: declarar --email mueve la petición al polite pool (remedio primario); api_key opcional (ADR 0012, #210).
BibtexSource	v1, secundaria	Sembrar desde pearls vía load(). Extra [bibtex] (import perezoso de bibtexparser); acceso defensivo (campos faltantes sin KeyError). Mínimo universal. seed() lanza NotImplementedError. .bib con error grave → ValueError; sin entradas válidas → UserWarning (no no-op silencioso). Carga bulk con from_arrow.
ScieloSource / RedalycSource / LaReferenciaSource	futuro	Fuentes regionales, mínimo universal. Declaradas, no implementadas (ADR 0018).
RisSource / CsvSource	futuro	No implementados.

Capacidades de OpenAlexSource fuera del Protocol Source (específicas del backbone; las consumen el Forager y el Enricher):

• fetch_citing(openalex_id) -> list[dict] (singular, forward chaining): GET works?filter=cites:, con retry/backoff ante 429/5xx. Al agotar los reintentos con 429 → NetworkError (exit 4) accionable (polite pool/--email; ADR 0012, #210); los 5xx agotados conservan httpx.HTTPStatusError. Asimetría deliberada: solo el 429 tiene remedio del lado del usuario.
• fetch_citing_batch(ids, *, max_per_paper, since=None) -> dict[seed_id, list[citer_id]]: trae los citantes batcheando por OR (cites:W1|W2|..., lotes ≤50), pagina por cursor y atribuye página a página con presupuesto por semilla (corta cuando todas alcanzan max_per_paper; sin starvation). since filtra a los publicados desde esa fecha (from_publication_date; lo usa chain --since). Lo consume el Enricher para poblar cited_by_id.
• fetch_citing_batch_with_works(ids, *, max_per_paper, since=None) -> tuple[dict[...], dict[citer_id, work]]: variante que conserva la metadata (works_map) que la misma request ya trae (cero red extra). La consume el Forager para materializar filas reales en el forward (no placeholders).
• fetch_dois_for(ids) -> dict: resuelve references_id→DOI batcheando por OR (≤100, select=id,doi).
• fetch_works_by_ids(ids) -> Corpus: materializa works desde sus IDs OpenAlex (batcheo OR ≤100). Devuelve un Corpus con is_seed=False, candidate, provenance[action="fetched_by_id"]; IDs inexistentes se omiten sin error; orden determinista; lista vacía → Corpus vacío sin tocar la red. Es el primitivo que materializaría lo observado por el backward chaining. Centraliza el mapeo JSON→Arrow vía _work_to_row (parametrizado por is_seed/action/chaining_hop/source_tag).

Reporte de cobertura/calidad (concepto declarado, concreto futuro; ADR 0018): por seed/source, mide % de refs resueltas, % con DOI, distribución idioma/región y completitud del enriquecimiento; alimenta el juicio de cuándo cambiar de Source. Se declara como contrato (función pura sobre pa.Table), sin cablearse vacío.

2.1 Convención examples/ — corpus de ejemplo commiteado

examples/ es la única excepción al .gitignore de datos de usuario (ADR 0030): un corpus real, curado y reducido (CC0/OpenAlex) commiteado al árbol como caso real reproducible sin red. Reglas:

• Un ejemplo = una carpeta de propósito único (examples/<nombre>/), autocontenida, con: corpus.parquet (curado y congelado, schema CORPUS_SCHEMA; parquet/CSV, NUNCA .duckdb), equation.yaml (ecuación de procedencia, EquationSpec), curacion.csv (decisiones de curación congeladas que b2g curate apply consume — receta determinista) y README.md (la procedencia: la receta CLI, no un script).
• Cómo se restaura: b2g snapshot restore --from-corpus examples/<nombre>/corpus.parquet rehidrata el corpus sin red, preserva la curación y transiciona a FILTERED; luego build corre localmente.
• .gitignore: !examples/ trackea el ejemplo; examples/**/*.duckdb protege de que un store vivo se cuele.
• Ejemplos existentes:
• examples/valoraciones/: ~80 filas (70 candidate + 10 accepted), armado 100% por CLI (seed --spec equation.yaml → curate apply curacion.csv → build --max-citing 25 → snapshot create). Co-citación presente (rala) + las otras 4 redes sustanciales. Verificado por el gate R2 (tests/unit/test_example_r2_gate.py: corpus_hash + comunidades Louvain estables).
• examples/bibtex/: un sample.bib chico (10 entradas, con variedad deliberada de campos faltantes para ejercitar el parser defensivo) + README.md con la receta 100% CLI (b2g init → b2g seed --from-bib examples/bibtex/sample.bib → b2g build). Demuestra el segundo camino de seed (BibTeX local, sin red). El .bib queda trackeado por la excepción !examples/ ya existente.

---

3. Costura Enricher — señal extra (opt-in, ya NO estructural)

Con OpenAlex como backbone, refs y citantes ya vienen en el corpus (ADR 0007). El Enricher queda opt-in para resolver references a DOI y el segundo nivel de fetch (poblar cited_by_id ≡ citantes compartidos) que habilita la co-citación end-to-end. Vive en el núcleo sobre OpenAlex (ADR 0025), no en [s2] (reservado para un futuro SemanticScholarEnricher). No se invoca por verbo propio (#162): la pasada refs→DOI corre automática en chain y la de co-citación en build (helper único cli/_enrich.py::enrich_corpus). El ex verbo suelto b2g enrich se retiró en 0.12.0.

@runtime_checkable
class Enricher(Protocol):
    """Config (API keys) INYECTADA, nunca embebida. Sin ramas muertas. Rate limit/reintentos
    sin perder papers. Idempotente. NO transiciona el CycleState (ortogonal al lazo, ADR 0025)."""
    def enrich(self, corpus: Corpus) -> Corpus: ...

Implementación	Estado	Aporta
OpenAlexEnricher	v1, opt-in	enrich(corpus) hace 2 pasadas. refs→DOI: resuelve los references_id únicos batcheando por OR (≤100, select=id,doi), rellena references_doi y registra un EnricherRef idempotente en el Manifest. co-citación: para las semillas aceptadas trae sus citantes vía OpenAlexSource.fetch_citing_batch (§2) y mergea sus openalex_id en cited_by_id (unión idempotente); no materializa citantes como filas (no crece el corpus). Constructor con max_citing_per_paper (tope por semilla). Frontera: el Source hace I/O + atribución; el Enricher solo une.
SemanticScholarEnricher	futuro	señal de citas adicional (reserva del [s2], no estructural)
CrossRefEnricher / ScopusEnricher	futuro	No implementados.

---

4. Costura Store / backend de persistencia (biblioteca viva)

La persistencia por defecto es el DuckDBBackend del Corpus (ADR 0015): no un Store que persiste un Corpus Arrow aparte, sino el backend por defecto del Corpus (mutaciones por SQL). El Store sigue siendo la costura/punto de extensión para destinos externos opt-in (Zotero, Neo4j). El CycleState (ADR 0016) vive en el backend persistente.

El contrato TabularBackend (Protocol) y su firma completa viven en §1.4 (to_arrow, add_paper, merge, apply_curation, filter_view, corpus_hash, __len__, __eq__, y la tabla hermana append-only referenced_but_not_fetched vía add_referenced_refs/referenced_refs_count/ referenced_refs, fuera del corpus_hash; §1.4 + §5). El Store de abajo es la costura de persistencia/intercambio externa, distinta del backend del Corpus.

class Store(Protocol):
    """Costura de persistencia/intercambio externa. El respaldo por defecto del Corpus es el
    DuckDBBackend; esta costura cubre destinos opt-in (Zotero, Neo4j) y export (Parquet)."""
    def persist(self, corpus: Corpus) -> None:
        """Funde el corpus en la biblioteca viva (merge idempotente + log de procedencia)."""
    def load(self) -> Corpus:
        """Devuelve el corpus ACUMULADO (estado entre corridas)."""

Implementación	Estado	Notas
DuckDBBackend	v1, por defecto	Biblioteca viva (ADR 0009/0015): backend del Corpus, stateful, acumula entre corridas, mutación por SQL puro (INSERT … ON CONFLICT (id) DO UPDATE + merge D3 en SQL/UDF), log de procedencia/curación + LoopState, query SQL. Es núcleo, no extra. :memory: o archivo. (El DuckDBStore es su fachada de costura.)
InMemoryBackend	v1	Backend puro (tests + working set efímero). Sin I/O. No persiste.
ParquetStore	futuro (no implementado)	Formato de export/intercambio del snapshot. Hoy lo cubre Corpus.snapshot() (parquet + manifest.json); un Store de export dedicado solo se construye si hace falta (lección 5: no se publica vacío).
ZoteroStore	futuro (V1.1, [zotero])	Sincroniza la biblioteca con una colección Zotero. Costura, no el corazón.
Neo4jStore	futuro (post-V1, [neo4j])	Adaptador tabla→grafo para Cypher. Ya no es sustrato (ADR 0002).

Concurrencia (ADR 0019): DuckDB es single-writer. V1 asume 1 archivo .duckdb = 1 escritor (lecturas concurrentes OK). Si el archivo está bloqueado por otro escritor, DuckDBBackend/DuckDBStore lanzan StoreLockedError (subclase de OSError); el CLI (Hito 6) lo mapea al exit code 5. Multi-escritor concurrente es post-v1.0.

4.1 DuckDBStore — fachada de costura + extensiones del backend

DuckDBStore(path) (en bib2graph.stores.duckdb, re-exportado perezosamente como bib2graph.DuckDBStore) implementa el Protocol Store (persist/load) delegando en un DuckDBBackend sobre el archivo. load() devuelve un Corpus respaldado por ese backend (las mutaciones subsiguientes tocan el archivo en disco).

class DuckDBStore:
    def __init__(self, path: str | Path) -> None: ...   # abre/crea el .duckdb; StoreLockedError si bloqueado
    def persist(self, corpus: Corpus) -> None: ...       # merge idempotente por id (upsert-concat D3) en la biblioteca viva
    def persist_replace(self, corpus: Corpus) -> None: ...# DELETE+INSERT de la tabla `corpus`: el estado en disco
                                                          # queda EXACTAMENTE el corpus dado; preserva las tablas
                                                          # hermanas (loop_state_log, referenced_but_not_fetched)
    def load(self) -> Corpus: ...                         # corpus acumulado, respaldado por el DuckDBBackend
    @property
    def backend(self) -> "DuckDBBackend": ...            # acceso al backend para las extensiones de abajo

persist_replace vs persist (#88, ADR 0031). La ingesta automática (seed/seed_from_bib/chain/restore) y la pasada build --thesaurus (#164) persisten con persist_replace (→ DuckDBBackend.overwrite_corpus, DELETE+INSERT reasignando _seq desde 0, ADR 0024), porque ya tienen el corpus completo, normalizado y deduplicado en memoria y el upsert-concat D3 (persist) reintroduciría las variantes que el dedup cross-biblioteca acaba de colapsar. persist/upsert queda intacto para el resto de los llamadores (caso "mismo paper desde dos fuentes", D3). Ambos preservan las tablas hermanas.

Procedencia del Manifest persistida entre cargas. Los bloques de procedencia del Manifest (§1.3) que no son contenido del corpus se guardan en tablas hermanas del .duckdb y DuckDBStore.load() los reconstruye al rehidratar, para que sobrevivan a un ciclo persist/load:

• manifest.filters ⇄ tabla filter_log — vía DuckDBBackend.persist_filter_steps() / load_filter_steps() (#126).
• manifest.enrichers ⇄ tabla enricher_log — vía DuckDBBackend.persist_enricher_refs() / load_enricher_refs() (#141), mismo patrón que filters: la pasada de enriquecimiento (chain refs→DOI, build co-citación) sella sus EnricherRef y load() los recompone, así el snapshot reporta qué enriquecimiento se aplicó sin re-correrlo.
• manifest.equations ⇄ tabla equations (§1.5) — vía DuckDBBackend.persist_equation() / load_equations() (QA 0.14.0 #1, ADR 0050 D1), mismo patrón: seed --equation/--spec sella la fila y load() reconstruye manifest.equations al rehidratar. Así el manifest.json del snapshot refleja fielmente la tabla lateral equations (D1 completo): antes era un bug —la tabla se poblaba pero load() no la leía de vuelta, y un snapshot create posterior sellaba equations: [] pese a haber ecuaciones registradas, perdiendo la procedencia—. load_equations() nunca lanza por tabla ausente (stores pre-D1 devuelven [], retrocompat sin excepciones).

Extensiones del DuckDBBackend, FUERA del Protocol Store/TabularBackend (se acceden vía store.backend.…): son específicas de DuckDB y no parte del contrato genérico:

class DuckDBBackend:
    # ... cumple TabularBackend (§1.4) ...
    def loop_state(self) -> "CycleState | None": ...     # estado actual del ciclo (None si no hubo transiciones)
    def loop_round(self) -> int: ...                     # contador de ronda (0 sin estado; 1 primera; 2+ re-sembrados)
    def set_loop_state(self, state: "CycleState", *, cycle_round: int | None = None) -> None: ...
                                                         # registra una transición + ronda (log append-only, permisiva)
    def query(self, sql: str) -> pa.Table: ...           # consulta SQL de SOLO lectura sobre el corpus

El ciclo es un concepto de dominio puro (bib2graph.cycle); el backend solo lo persiste:

# bib2graph/cycle.py — dominio puro, sin DuckDB (ADR 0016 enmendado, R3)
class CycleState(StrEnum):
    SEEDED = "SEEDED"; FORAGED = "FORAGED"; FILTERED = "FILTERED"; BUILT = "BUILT"; MONITORED = "MONITORED"

def apply_transition(state: CycleState | None, action: str, round: int) -> tuple[CycleState, int]: ...
    # reseed → (SEEDED, round+1); seed/chain/filter/build/monitor → estado de cadena, misma ronda
def available_transitions(state: CycleState | None) -> list[str]: ...   # transiciones de ciclo desde el estado
CURATION_ACTIONS: list[str] = ["accept", "reject"]                      # transversal: siempre disponible, no transiciona

El estado + la ronda se persisten en loop_state_log (append-only; estado actual = última fila; columna round); las transiciones son permisivas (ADR 0016: no se bloquea ningún salto). reseed es de primera clase (loop-back a SEEDED + ronda++, acumula sobre lo curado); seed.py lo cablea cuando hay estado previo. Fuente única de verdad: chain/filter/build derivan su destino de apply_transition, no de un literal. MONITORED es alcanzable vía b2g chain --since (#158, forrajeo incremental; el ex verbo b2g monitor se retiró en 0.12.0), que dispara apply_transition(state, "monitor", round) (paso 8 del ciclo). El comando b2g status consume loop_state()/loop_round()/available_transitions() y expone curation_available/round (ver §convenciones CLI).

Carga perezosa (PEP 562): DuckDBBackend y DuckDBStore se exponen vía __getattr__ en bib2graph/__init__.py, de modo que import bib2graph NO importa duckdb (el núcleo permanece puro y testeable sin DuckDB). Solo bib2graph.DuckDBBackend / bib2graph.DuckDBStore cargan el módulo bajo demanda. CycleState y StoreLockedError se importan desde bib2graph.backends.duckdb (o bib2graph.stores.duckdb); bib2graph.cycle (CycleState/apply_transition/available_transitions/CURATION_ACTIONS) es núcleo puro, sin DuckDB.

---

5. Núcleo — Forrajeo / chaining (asistencia algorítmica, SIN IA)

El information scent es estructura bibliométrica de cita con el corpus (ADR 0020). Es una función pura sobre el primitivo collect_item_to_papers (índice {ref → corpus-papers que lo citan}):

• Backward (puro, local): scent = fuerza de co-citación con el corpus = nº de corpus-papers que listan al candidato en references_id. No toca la red (las refs ya vienen en el corpus).
• Forward (requiere red): scent = fuerza de citación directa al corpus (forward_score(Y) = |{ref ∈ Y.references_id : ref ∈ corpus_ids}|, emite con direct > 0) — señal primaria robusta. Exige traer los citantes vía source.fetch_citing(...).
• Centralidad del candidato: diferida (viz).

El ranking es descendente por scent con desempate por id ascendente (estable ante cualquier PYTHONHASHSEED).

Direction = Literal["backward", "forward", "both"]   # bib2graph.foraging.Direction

class Forager:
    """Orquesta el chaining sobre un Source, rankeando candidatos por *information scent*
    bibliométrico (co-citación backward / citación directa forward, ADR 0008/0020/0022).
    El scent consume el primitivo de proyectores. Solo el Forager toca la red; el núcleo
    de scent es puro."""
    def __init__(self, source: Source, *, depth: int = 1, max_candidates: int | None = None,
                 max_citing_per_paper: int = 50, origin_ids: set[str] | None = None,
                 call_budget: "CallBudget | None" = None) -> None:
        """depth=1 por defecto; depth>1 lanza NotImplementedError (futuro v0.3+).
        max_candidates = tope configurable del ranking (None = sin límite).
        max_citing_per_paper = tope de citantes POR SEMILLA en el forward batcheado (default 50;
        acota el fetch vía fetch_citing_batch; CLI `--max-citing`). AS-BUILT #21 (2026-06-16).
        origin_ids (#309, CLI `chain --ids`/`--top`/`--scope`): si NO es None, acota los papers-origen
        del forrajeo a las filas cuyo `id` o `source_id` está en el set (matchea ambos). None (default)
        = todas las semillas (comportamiento previo, sin cambios).
        call_budget (#309, CLI `chain --budget N`): `CallBudget` compartido por referencia con el
        `source` para topar las llamadas HTTP del forward; al agotarse, el chaining PARA limpio (sin
        reintentar) y `RankedCandidates.budget_stopped` queda True con lo materializado hasta ese punto.
        None = sin tope."""

    def preview(self, corpus: Corpus, *, direction: Direction = "both") -> "GrowthPreview":
        """'Esta expansión sumaría ~N papers' SIN traerlos. Opera SOLO localmente, SIN red.
        Backward: estimación EXACTA local desde references_id. Forward: NO estimable sin red
        (cited_by_id está vacío tras el seed) → estima el nº de SEMILLAS a forrajear (is_seed,
        SIN filtrar curation_status) con by_direction['forward']=0 y forward_requires_fetch=True;
        el conteo de citantes reales solo llega con chain(). NO muta el corpus."""

    def chain(self, corpus: Corpus, *, direction: Direction = "both",
              since: date | None = None) -> "RankedCandidates":
        """Computa candidatos (curation_status='candidate', is_seed=False) rankeados por scent.
        Devuelve SOLO los candidatos nuevos (no mergeados): el humano hace
        corpus.merge(ranked.corpus). NO muta el corpus de entrada. Sella Manifest.chaining.
        `since` (#158, forrajeo incremental): propaga a fetch_citing_batch(since=) →
        from_publication_date en OpenAlex; solo afecta el tramo forward. Lo usa `b2g chain --since`
        (transición a MONITORED)."""

class GrowthPreview(BaseModel):
    estimated_new: int             # total estimable localmente (forward=0 si requiere fetch)
    by_direction: dict[str, int]   # {'backward': N, 'forward': 0 si requiere fetch}
    direction: Direction
    forward_requires_fetch: bool = False   # True si se pidió forward/both → forward desconocido sin red

class RankedCandidates(BaseModel):
    corpus: Corpus                     # SOLO los candidatos nuevos (no mergeado con el corpus semilla).
                                       # Forward (#78): materializa filas con metadata REAL (título/año/
                                       # autores), NO placeholders — vía fetch_citing_batch_with_works.
                                       # Backward (#54): NO materializa filas — observa, ver observed_refs.
    ranking: list[tuple[str, float]]   # (id, information_scent), desc scent / asc id
    observed_refs: list[str] = []      # AS-BUILT #54 (2026-06-17): IDs observados por el backward SIN
                                       # materializarlos en .corpus (orden de ranking, respeta
                                       # max_candidates). El backward observa; el forward materializa.
                                       # b2g chain los persiste en `referenced_but_not_fetched` (§4),
                                       # fuera del corpus_hash. Materializar = diferido a #71.
    budget_used: int = 0               # #309: llamadas HTTP realizadas cuando `chain --budget N` está
                                       # activo. 0 si no se pasó call_budget al Forager.
    budget_stopped: bool = False       # #309: True si el chaining se detuvo temprano por agotar el
                                       # call_budget (parada limpia, sin reintentar) → resultado PARCIAL
                                       # pero consistente. b2g chain avisa y sugiere re-correr acotado.

class CallBudget:                      # bib2graph.foraging.CallBudget (#309, CLI `chain --budget N`)
    """Tope mutable de llamadas HTTP a OpenAlex, COMPARTIDO POR REFERENCIA entre Forager y
    OpenAlexSource (mismo objeto, sin acoplarlos por herencia). Guardarraíl anti-footgun: al llegar al
    tope, quien consulta `exhausted` DEBE parar limpio, SIN reintentar —ni el retry/backoff ante 429/5xx
    ni una página más de paginación por cursor. `limit=None` → sin tope (default)."""
    limit: int | None                  # tope de llamadas (None = sin tope)
    used: int                          # llamadas realizadas hasta el momento
    @property
    def exhausted(self) -> bool: ...    # True si used >= limit (limit no-None)
    def record_call(self) -> None: ...  # incrementa `used`

# RETIRADO (ADR 0022): `explain_candidate` y el extra `[llm]` se ELIMINAN del producto.
# El producto no usa IA generativa. El "porqué" de un candidato lo explica la ESTRUCTURA
# VISIBLE (con qué del corpus se acopla/co-cita), no un LLM. Ver ROADMAP Hito R4.
# (En el AS-BUILT v0.2 existía como stub gateado en [llm]; la remediación lo borra.)

Notas de contrato (ADR 0020):

• Forward chaining requiere source.fetch_citing_batch(ids, *, max_per_paper) (§2, capacidad de OpenAlexSource, no del Protocol Source — una source de solo-mínimo no habilita forward). El comando chain hace un pre-check hasattr y lanza DependencyError (exit 3) si el source no lo soporta (un AttributeError genuino no se disfraza de "source sin forward").
• Forward batcheado + cap por semilla: fetch_citing_batch batchea por OR (≤50) con presupuesto por semilla (max_citing_per_paper, default 50 — CLI --max-citing), sin N+1. El alcance del forward es is_seed=True (todas las semillas, sin filtrar curation_status): el chaining precede a la curación. La restricción a accepted es del Enricher (co-citación, §3), no del Forager.
• Backward observa sin contaminar: no crea filas-fantasma en el corpus; los IDs observados salen por RankedCandidates.observed_refs y b2g chain los persiste en la tabla hermana referenced_but_not_fetched (§4), fuera del corpus_hash. Forward sí materializa filas con metadata real (vía fetch_citing_batch_with_works, §2; cero red extra). Asimetría deliberada.
• preview y chain no mutan el corpus de entrada (semántica de valor). fetch_citing (singular, con retry/backoff ante 429/5xx) sigue disponible; el forward lo consume vía la variante batcheada.
• Forrajeo acotado y presupuestado (#309): origin_ids (unidad escopada, CLI chain --ids/--top/--scope) y call_budget (CallBudget, CLI chain --budget N) son aditivos: sin ellos, el Forager se comporta como antes (todas las semillas, sin tope). Al agotar el call_budget el chaining para limpio sin reintentar y expone lo parcial vía RankedCandidates.budget_used/budget_stopped. Ver §CLI chain para los defaults y la Discussion #310 (flip a default acotado).

---

6. Núcleo — Preprocessor + filtros PRISMA

class Preprocessor:
    """Determinístico e idempotente. La parte fuzzy vive en §11 (ahora núcleo, no extra). Registra un
    PreprocRef en el Manifest por cada operación aplicada. `applied_at` se inyecta desde la frontera
    (R2): un único datetime.now(UTC) por invocación, igual que `decided_at` en curación."""
    def normalize(self, corpus: Corpus, *, applied_at: datetime | None = None) -> Corpus:
        """Normalización CONSERVADORA (decisión b=A): authors_id (lowercase + quitar acentos +
        colapso de espacios) y language (subtag ISO 639-1 primario). SIN fuzzy (eso es el dedup,
        §11), SIN columna de periodización. Idempotente. NO muta el corpus de entrada. Corre
        AUTOMÁTICAMENTE en la ingesta (helper `normalize_and_dedup`, ADR 0031)."""
    def apply_thesaurus(self, corpus: Corpus, thesaurus: dict | Path, *,
                        applied_at: datetime | None = None) -> Corpus:
        """Lee keywords_raw y SOBRESCRIBE keywords_id con los conceptos canónicos del thesaurus
        multilingüe CURADO (en/es/pt), dict canónico→aliases en JSON o Path a ese JSON.
        Determinista e idempotente (ADR 0011). SIN fallback semántico/LLM (ADR 0011 enmendado /
        0022): lo que no matchea queda fuera, sin inventar conceptos con un modelo. Paso EXPLÍCITO
        (flag `b2g build --thesaurus`, #164), NO automático: requiere el mapeo del usuario (ADR 0031)."""

Filtros de inclusión/exclusión (funciones puras, flujo PRISMA; ADR 0020):

class FilterCriterion(BaseModel):
    field: Literal["year", "type", "language", "min_citations"]
    op: Literal["gte", "lte", "in", "not_in", "eq"]
    value: int | str | list[str]
    # year: gte/lte · type: in/not_in (sobre research_areas) · language: eq/in/not_in
    # min_citations: gte (sobre len(cited_by_id))

def apply_filter(corpus: Corpus, criterion: FilterCriterion) -> tuple[Corpus, FilterStep]: ...
def apply_filters(corpus: Corpus, criteria: list[FilterCriterion]) -> tuple[Corpus, list[FilterStep]]:
    """Encadena los criterios en orden y SELLA Manifest.filters con todos los pasos
    (reemplaza: una corrida = una secuencia PRISMA). Devuelve (corpus_final, [FilterStep, ...])."""

Notas de contrato (ADR 0020):

• Los filtros MARCAN rejected, NO borran: un paper excluido queda en la tabla con curation_status='rejected' vía corpus.reject(...) (con el criterio en provenance), nunca se borra. La exclusión es curación reversible y auditable (biblioteca viva, ADR 0009/0013).
• La inclusión manual gana — el filtro OMITE accepted (ADR 0044): un paper accepted a mano queda intacto aunque no cumpla el criterio; el filtro nunca lo mueve accepted→rejected (lo excluye del conjunto a rechazar, igual que ya excluye a los rejected). Solo actúa sobre no-aceptados (candidate y demás). Precisa el scope de 0020 §C, sin revertirlo. Un accepted sale del corpus solo por decisión humana explícita (curate reject --ids ...).
• Conteo PRISMA por paso: cada FilterStep lleva count_before/count_after sobre los papers no-rejected (candidate + accepted). Los accepted nunca abandonan ese conjunto por efecto de un filtro (ADR 0044).
• keywords_id es post-thesaurus: los proyectores de co-ocurrencia de keywords (§7) deben correr después de apply_thesaurus.
• Campo/operador desconocido LANZA ValueError accionable (lista los válidos); no es no-op silencioso (endurece el flujo PRISMA, sin exclusiones perdidas).
• Símbolos públicos (from bib2graph import ...): Forager, GrowthPreview, RankedCandidates, Preprocessor, FilterCriterion, apply_filters. apply_filter (singular) desde bib2graph.filters. CallBudget (#309) se exporta desde bib2graph.foraging (junto a Forager/RankedCandidates/GrowthPreview), no del top-level.

---

7. Núcleo — Projector (funciones puras)

class Projector(Protocol):
    def project(self, table: pa.Table, *, min_weight: int = 1,
                scope: Literal["full", "seeds_only"] = "full") -> nx.Graph: ...

Proyector	Estado	Insumo	Scope por defecto	Requiere Enricher
BibliographicCouplingProjector	v1	references_id	full (corpus completo)	No (refs ya en corpus)
AuthorCollaborationProjector	v1	authors_id	full	No
InstitutionCollaborationProjector	v1	institutions_id	full	No
KeywordCoOccurrenceProjector	v1	keywords_id (post-thesaurus)	full	No
CoCitationProjector	v1	cited_by_id + citas de citantes	seeds_only	Sí (2º nivel de fetch)

El acoplamiento (barato, mira adelante) es ciudadano de primera y opera sobre el corpus completo (crítica #2). La co-citación es la más cara (segundo nivel de fetch).

Notas de contrato (Hito 2, ADR 0014):

• Peso = conteo crudo de ítems compartidos (D1); min_weight (default 1) descarta aristas con weight < min_weight. Sin normalización (Salton/Jaccard) en v1.
• Tipo de nodo (D2): co-autoría / instituciones / co-word → la entidad es el nodo (authors_id / institutions_id / keywords_id); acoplamiento / co-citación → el paper (id) es el nodo.
• Co-citación: el CoCitationProjector cuenta cited_by_id compartido = los citantes compartidos de la metodología (la frase "citantes con sus citas" ≡ cited_by_id compartido). Proyecta con scope seeds_only. La co-citación es end-to-end: cited_by_id se puebla con el 2º nivel de fetch — desde chain forward/both (ADR 0048/#270, al traer los citantes de las semillas alcanzadas) y/o desde la pasada cited_by de build (cuando hay aceptadas; ADR 0007/0025), unión idempotente entre ambas —, y Networks.quick la incluye cuando esa columna está poblada (§10).
• Los proyectores siguen PUROS — NO setean atributos de nodo (ADR 0014): producen un nx.Graph con ids crudos como nodos (doi:…, I185261750, un ORCID), sin label. La legibilidad (label + atributos) la inyecta la capa decorate (§7.1), que es la frontera entre la proyección pura y el export. Esta separación es deliberada (ADR 0014).

---

7.1 Frontera — decorate (label legible + atributos de nodo)

bib2graph.networks.decorate es la capa de frontera entre los proyectores puros (§7) y los exportadores (§9). Los proyectores devuelven grafos con ids crudos como nodos y sin atributos; decorate transforma esos ids en labels legibles e inyecta atributos de curación/comunidad/centralidad, para que las redes no salgan ilegibles en Gephi/VOSviewer/Cytoscape.

LABEL_MAX_CHARS: int = 60   # tope del label de paper; título largo → truncado + "..."

def decorate_graph(graph: nx.Graph, table: pa.Table, kind: str, *,
                   communities: dict[Any, int] | None = None) -> None:
    """Inyecta label + atributos en los nodos del grafo IN-PLACE (no copia; el llamador/
    exporter copia si necesita preservar el original). No muta el corpus ni la tabla.
    Determinista; no importa duckdb (núcleo puro)."""

def decorate(artifact: NetworkArtifact, table: pa.Table) -> None:
    """Atajo sobre decorate_graph: extrae kind y communities del NetworkArtifact.
    Es el punto de integración en facade.py (_build_artifact)."""

networks/__init__.py re-exporta decorate/decorate_graph.

Atributos de nodo inyectados:

Atributo	Kinds	Origen
label	todos	string legible (mapeo por kind, abajo)
degree_centrality	todos	float, vía nx.degree_centrality
year	paper (coupling/cocitation)	int (ausente si None en el corpus)
doi	paper (coupling/cocitation)	string desde Col.DOI (DOI desnudo/normalizado, p. ej. 10.1234/abc); ausente si el paper no tiene DOI (mismo criterio que year)
url	paper (coupling/cocitation)	string derivada DOI-first: https://doi.org/<doi> si hay DOI; fallback https://openalex.org/<source_id> si no hay DOI pero sí source_id de OpenAlex (#203); ausente si no hay ninguno de los dos (no es columna del corpus, ver nota abajo)
venue	paper (coupling/cocitation)	string desde Col.SOURCE (revista / fuente); ausente si el paper no tiene fuente (#203)
authors	paper (coupling/cocitation)	string: nombres de Col.AUTHORS_RAW unidos con "\|"; ausente si no hay autores (#203)
keywords	paper (coupling/cocitation)	string: keywords de Col.KEYWORDS_ID unidas con "\|"; ausente si no hay keywords (#203)
cited_by_count	paper (coupling/cocitation)	int derivado len(Col.CITED_BY_ID) (nº de citantes conocidos en el corpus); ausente si la lista es vacía/None. Puede subestimar el conteo real si el corpus no pasó por la pasada cited_by de build (#203)
is_seed	paper	bool
curation_status	paper	string
community	todos	int, solo si se provee artifact.communities

doi/url/venue/authors/keywords/cited_by_count aplican solo a paper-kinds (bibliographic_coupling y cocitation); los nodos de autor/institución/keyword no los reciben. url es derivada (no es columna del corpus) y DOI-first con fallback a OpenAlex: el DOI es la única identidad de primera clase (ADR 0036), pero cuando el paper no tiene DOI la URL cae al recurso de OpenAlex (https://openalex.org/<source_id>) para no perder el enlace navegable (#203). La derivación vive en resolve_paper_url(doi: str|None, source_id: str|None) -> str|None (bib2graph.constants), que compone doi_to_url y openalex_id_to_url (fuente única de cada regla, compartida con resolve_url §0.1, #212 — sin drift). Ausencia condicional como year: sin DOI ni source_id, el nodo no recibe url; venue/authors/keywords/cited_by_count se omiten cuando su valor es vacío/ None. Los exporters CSV/GraphML (§9) propagan todos estos atributos automáticamente cuando están presentes (son genéricos y omiten None) — sin cambios en exporters.

Mapeo de label por NetworkKind:

Kind	Nodo	label
bibliographic_coupling / cocitation	paper (id)	"título (año)", truncado a LABEL_MAX_CHARS (60) + "..."; fallback al id crudo si no hay título
author_collab	authors_id	authors_raw correlativo al authors_id (fallback al id)
institution_collab	institutions_id	institutions_raw correlativo (fallback al id)
keyword_cooccurrence	keywords_id	la keyword (ya legible)
(kind desconocido)	—	fallback al id crudo (extensible, no falla)

Cableado: decorate se aplica en facade.py:_build_artifact, de modo que Networks.quick / Networks.build (§10) ya devuelven artefactos decorados y b2g build/export salen con label legible sin pasos extra. Los proyectores (§7) NO se tocan (siguen puros, ADR 0014): la decoración es la única capa que sabe de labels.

---

7.2 Núcleo — cluster_table (resumen de comunidades)

bib2graph.networks.cluster_table es una función pura que cruza los nodos de una red con el corpus para producir una fila de resumen por comunidad (quién/qué/cuándo cae en cada comunidad), base del clusters.csv que escribe b2g build. Con --scope, build le pasa el corpus filtrado, así que sus conteos cuadran con los nodos del grafo (sin drift).

def cluster_table(table: pa.Table, artifact: NetworkArtifact) -> list[dict[str, Any]]:
    """Una fila por comunidad de `artifact.communities`. Función pura (sin red, sin duckdb).
    Cruza nodo→fila por Col.ID (id canónico), NUNCA por source_id. Devuelve [] si el kind
    no es de paper o si no hay comunidades. Orden determinista por `cluster` ascendente."""

networks/__init__.py re-exporta cluster_table. Solo aplica a redes de paper (bibliographic_coupling/cocitation); para autor/institución/keyword devuelve [] (no crash), por eso clusters.csv se emite únicamente para esas dos redes.

Columnas de cada fila (orden estable):

Columna	Tipo	Origen
cluster	int	id de comunidad
size	int	nº de nodos en la comunidad (incluye nodos sin match en el corpus)
seed_count	int	nodos con is_seed=True
candidate_count	int	nodos con curation_status='candidate'
accepted_count	int	nodos con curation_status='accepted'
year_min / year_max	int \| None	rango de año (None si ningún nodo tiene año)
year_mean	float \| None	media de año redondeada a 1 decimal (None si no hay años)
top_authors	list[str]	hasta 5 autores más frecuentes, de authors_raw
top_keywords	list[str]	hasta 5 keywords más frecuentes, de keywords_id (post-thesaurus)

Notas de contrato:

• Cruce por Col.ID, no source_id: el nodo del grafo es un Col.ID (doi:…/src:…); indexar por source_id daría 0 cruces. Un nodo sin match en el corpus suma al size pero no aporta año/autores/keywords.
• Determinista (ADR 0017): el top de autores/keywords se ordena por (-frecuencia, nombre asc), reproducible independiente del método de clustering y de PYTHONHASHSEED.
• Pura: sin red ni duckdb. Combina con community_composition (§8, % por categoría del atributo).

---

8. Núcleo — Analyzer (funciones puras)

def network_metrics(g: nx.Graph) -> dict:
    """Densidad, nº de componentes, clustering promedio."""

def centrality(g: nx.Graph) -> dict:
    """Centralidad de grado e intermediación por nodo."""

def detect_communities(g: nx.Graph, method: str = "louvain", *,
                       random_state: int | None = None) -> dict:
    """method ∈ {'louvain', 'label_prop', 'greedy_modularity'}. Louvain requiere
    `python-louvain` (DECLARADO); si falta, FALLA explícito (lección 7).
    `random_state` (Hito R2, ADR 0017): semilla determinista de Louvain. `facade.py` la
    deriva del `corpus_hash` de contenido (`_louvain_seed_from_hash`) → comunidades
    reproducibles entre corridas. `None` = Louvain sin semilla. (`resolution`: Hito 9.)"""

def assortativity(g: nx.Graph, *, attribute: str | None = None,
                  by_degree: bool = True, proxy: str | None = None) -> dict:
    """Asortatividad por un ATRIBUTO categórico configurable (p. ej. 'region') y/o por grado.
    `attribute` y sus categorías son config del USUARIO (no hardcodear; crítica #5).
    `proxy` documenta si el atributo es un proxy (p. ej. 'affiliation_per_paper'): se reporta
    en el output como disclaimer ('fácil pero consciente'). Validado en el sandbox IED."""

def community_composition(g: nx.Graph, communities: dict, attribute: str) -> dict:
    """% de cada categoría del atributo dentro de cada comunidad.
    (Composición bibliográfica de las comunidades de una red de paper → `cluster_table`, §7.2.)"""

def cocitation_quality_report(corpus: Corpus, g: nx.Graph, *,
                              thresholds: "QualityThresholds | None" = None) -> dict:
    """Informe de calidad (metodología §4). Umbrales CONFIGURABLES (no fijos del estudio de
    semiconductores; crítica #5). Defaults sensatos si thresholds is None."""

class QualityThresholds(BaseModel):
    min_volume: int = 200
    min_doi_refs_pct: float = 0.90
    min_countries: int = 5
    min_recurrent_authors: int = 10

Notas de contrato (Hito 2, ADR 0014):

• assortativity con proxy añade una clave proxy_disclaimer al dict de salida (D4): el atributo es un proxy del campo real, no el campo real ("fácil pero consciente").
• cocitation_quality_report devuelve {criterio: {valor, umbral, pasa, ...}} + overall_pass (sin score ponderado; D6). El criterio min_countries usa institutions_id como proxy de países (cuenta ids de institución únicos) y lo marca con un disclaimer en su entrada; el lookup ROR→país real llega en el Hito 8.

---

9. Núcleo — Exporter

Dos familias de exportador: de red (serializan un nx.Graph de build) y de corpus (serializan la tabla Arrow del corpus). Los consume b2g export --format … (§CLI, ADR 0050 D4).

# --- Exportadores de RED (build → networks/) ---
class Exporter(Protocol):
    def export(self, g: nx.Graph, results: dict, out_dir: str) -> None: ...

class GraphMLExporter: ...   # v1 — para Gephi / VOSviewer / Cytoscape
class CsvExporter: ...       # v1 — nodos.csv + aristas.csv para pandas

# --- Exportadores de CORPUS (ADR 0050 D4, v1) — serializan Corpus.scoped(scope).to_arrow() ---
class ArrowExporter:         # v1 — `corpus.arrow` (Feather / Arrow IPC)
    def export(self, table: pa.Table, out_path: str | Path) -> Path: ...
        # Serializa la tabla TAL CUAL con pyarrow.feather.write_feather: NO toca schema ni metadata.
        # La metadata de ecuación + equation_hash (§1.6) ya viene en el schema de to_arrow() y viaja
        # dentro del Feather (archivo autoverificable para el consumidor programático).

class BibtexExporter:        # v1 — `corpus.bib` (BibTeX). Extra [bibtex] (bibtexparser, import perezoso).
    def export(self, table: pa.Table, out_path: str | Path) -> Path: ...
        # entry-type inferido (@article default); citekey = id interno; DOI como campo; campos mínimos
        # universales title/author/year/doi/journal/url (ADR 0050 D4; ver §CLI export). ImportError si
        # falta bibtexparser → exit 3.

Notas de contrato (Hito 2, ADR 0014, D5):

• CsvExporter escribe aristas.csv (source,target,weight) y nodos.csv (id,label + atributos de nodo + métricas de results —degree/betweenness/community— unidas por id). Orden de filas determinista. Ambos CSV se escriben con BOM UTF-8 (encoding="utf-8-sig") para que Excel-Windows autodetecte UTF-8 y no rompa tildes (#214). El label (y year/doi/url/venue/ authors/keywords/cited_by_count/is_seed/curation_status/community) lo inyecta la capa decorate (§7.1) antes del export, no el exporter; doi/url/venue/authors/keywords/ cited_by_count salen solo en paper-kinds y solo cuando su valor está presente. url es DOI-first con fallback a OpenAlex (#203, §7.1); authors/keywords van con separador "|".
• GraphMLExporter escribe esos atributos como node attributes, omite los atributos con valor None (Gephi / nx.write_graphml no los admiten) y no muta el grafo original (opera sobre una copia).
• clusters.csv (AS-BUILT #31): además de network.graphml + metrics.json, b2g build escribe <networks_dir>/<kind>/clusters.csv cuando la red es de paper y tiene comunidades (cluster_table no vacío, §7.2). Una fila por comunidad; las columnas de lista (top_authors/ top_keywords) se serializan con separador |. No lo emite un Exporter —lo arma el comando build a partir de cluster_table—; las redes sin comunidades o no-paper no generan el archivo. Solo lo generan bibliographic_coupling y cocitation: author_collab, institution_collab y keyword_cooccurrence emiten network.graphml + metrics.json pero no clusters.csv, por diseño (sus nodos no son papers; ver §7.2).

---

10. Capa declarativa — NetworkSpec

class NetworkSpec(BaseModel):
    model_config = ConfigDict(extra="forbid")   # Hito 9: campo desconocido en el YAML → error
                                                 # accionable (no se ignora en silencio)
    kind: NetworkKind        # R5: enum de constants.py (fuente única, ADR 0023);
                             # antes era un Literal[...] duplicado (eliminado)
    min_weight: int = 1
    min_year: int | None = None
    max_year: int | None = None
    scope: Literal["full", "seeds_only"] = "full"
    clustering: Literal["louvain", "label_prop", "greedy_modularity"] | None = "louvain"
    resolution: float = 1.0  # Hito 9: resolución de Louvain (python-louvain best_partition).
                             # Default 1.0 = comportamiento anterior. Ignorado en label_prop/
                             # greedy_modularity (sin error). FUERA del corpus_hash (param de spec,
                             # no de contenido — como min_weight/scope; el seed de Louvain sigue
                             # siendo función pura del corpus_hash, R2).
    assortativity_attribute: str | None = None     # p. ej. "region"
    layout: Literal["spring", "kamada_kawai", "circular"] | None = None
    keyword_filter: list[str] | None = None  # Issue #113: sub-red temática. Filtra el corpus ANTES
                                             # de proyectar a los papers cuyo keywords_raw matchee
                                             # (ANY, substring, case-insensitive) algún término.
                                             # None/[] = sin filtro. Param de spec, FUERA del
                                             # corpus_hash (como min_weight/scope).


def load_specs(path: str | Path) -> list[NetworkSpec]:
    """Carga y valida una lista de NetworkSpec desde YAML (Hito 9). Re-exportada desde
    bib2graph.networks. Clave raíz `networks:` = lista; cada entrada se valida con
    NetworkSpec(**entry) (no se redefine el schema). Errores accionables (ValueError):
    YAML malformado, falta de raíz `networks:`, entrada no-dict, y ValidationError citando
    archivo + `red #<idx>` (0-based) + campo."""

class NetworkArtifact:
    graph: nx.Graph
    metrics: dict
    communities: dict | None
    assortativity: dict | None
    layout: dict | None
    spec: NetworkSpec

class Networks:
    @staticmethod
    def build(corpus: Corpus, spec: NetworkSpec) -> NetworkArtifact: ...
    @staticmethod
    def quick(corpus: Corpus) -> list[NetworkArtifact]:
        """Arma las specs razonables y devuelve sus artefactos (caso 'investigador, baja
        fricción'). Devuelve **4 o 5 redes**: coupling (full), co-autoría, institución, co-word
        siempre; la **co-citación** se incluye (→5) cuando el corpus tiene `cited_by_id` poblado
        (tras la pasada `cited_by` de `build`) y se **omite graceful** (log) si está vacío (→4).
        Los artefactos vienen **decorados** (label legible + atributos de nodo, §7.1)."""

Modo quick cubre baja fricción; modo spec (YAML) cubre el pipeline declarativo versionable, vía load_specs(redes.yaml) + Networks.build por red (subcomando build --spec, §convenciones CLI).

Notas de contrato (ADR 0014):

• Networks.quick arma 4 o 5 redes: coupling full, co-autoría, institución y co-word siempre (4); suma la co-citación (→5) cuando el corpus tiene cited_by_id poblado (2º nivel de fetch del Enricher, ADR 0025), y la omite avisando por log (→4) si esa columna está vacía.
• Artefactos decorados: Networks.build/quick devuelven artefactos con label legible + atributos de nodo (vía decorate, §7.1); los proyectores (§7) siguen puros (ADR 0014). El símbolo público re-exportado desde bib2graph es NetworkArtifact (NetworkSpec se importa desde bib2graph.networks).
• resolution (Louvain) e keyword_filter (issue #113, sub-red temática: filtra el corpus a los papers cuyo keywords_raw matchee ANY substring case-insensitive antes de proyectar) son params de spec, fuera del corpus_hash (como min_weight/scope): el seed de Louvain sigue siendo función pura del corpus_hash (R2).
• load_specs (clave raíz networks: = lista; cada entrada se valida con NetworkSpec(**entry)) da errores accionables (ValueError): YAML malformado, falta de raíz, entrada no-dict, o ValidationError citando archivo + red #<idx> + campo.

Campos válidos de cada entrada del YAML (kind obligatorio, resto con default; extra="forbid" → campo desconocido se rechaza con ValueError; name: NO es un campo — anotá con comentario #):

Campo	Valores / tipo	Default
kind	bibliographic_coupling · cocitation · author_collab · institution_collab · keyword_cooccurrence	(obligatorio)
min_weight	int	1
min_year / max_year	int	null
scope	full · seeds_only	full
clustering	louvain · label_prop · greedy_modularity · null	louvain
resolution	float (solo Louvain)	1.0
assortativity_attribute	str (p. ej. region)	null
layout	spring · kamada_kawai · circular · null	null
keyword_filter	list[str] (ANY substring sobre keywords_raw)	null

networks:
  - kind: bibliographic_coupling
    min_weight: 2
    resolution: 1.5
  - kind: keyword_cooccurrence
    keyword_filter: ["complex", "ecolog"]

---

11. Deduplicación fuzzy — AUTOMÁTICA en la ingesta (rapidfuzz núcleo)

Dedup fuzzy determinista con rapidfuzz (núcleo desde #88): el complemento aproximado de la normalización conservadora del Preprocessor (§6). Las funciones siguen exportadas desde bib2graph.preprocessors, pero se invocan automáticamente desde el helper canónico preprocessors.pipeline::normalize_and_dedup, no a mano. Operan sobre la columna _id (authors_id/keywords_id), nunca sobre _raw.

# Helper canónico — punto único de la ingesta (preprocessors/pipeline.py;
# re-exportado por compat desde cli/_ingest.py → el import viejo
# `from bib2graph.cli._ingest import normalize_and_dedup` sigue vivo, no es breaking)
def normalize_and_dedup(corpus: Corpus, *, applied_at: datetime | None = None) -> Corpus:
    """normalize → deduplicate_authors(0.92) → deduplicate_keywords(0.90), en ese orden, sobre el
    corpus COMPLETO YA MERGEADO (existing + incoming) ⇒ dedup CROSS-BIBLIOTECA. NO aplica thesaurus
    (eso es el flag explícito `b2g build --thesaurus`, #164). `applied_at` se inyecta desde la frontera (R2)."""

# Funciones de librería (ADR 0026, intactas; ahora invocadas por el helper, no a mano)
def deduplicate_authors(corpus: Corpus, *, threshold: float = 0.92) -> Corpus:
    """Colapsa variantes de `authors_id` por similitud de nombres (fuzzy DETERMINISTA). Lo trivial
    ya lo hizo el Preprocessor (§6); esto es el complemento aproximado."""

def deduplicate_keywords(corpus: Corpus, *, threshold: float = 0.90) -> Corpus:
    """Colapsa variantes de `keywords_id` fuera del thesaurus por similitud de cadenas."""

Notas de contrato (ADR 0026 / 0031):

• Automático en la ingesta, cross-biblioteca: las cuatro rutas (seed/seed_from_bib/chain/restore) hacen existing.merge(incoming) → normalize_and_dedup(corpus_completo) → store.persist_replace(...). Corre sobre el corpus completo (no el lote) para deduplicar contra toda la biblioteca acumulada; se persiste con persist_replace (§4.1) porque el upsert-concat D3 reintroduciría las variantes colapsadas. build sigue puro (el corpus ya entra deduplicado).
• threshold por-campo (autores 0.92 / keywords 0.90): rapidfuzz.fuzz.token_sort_ratio (0–100) contra threshold * 100. Umbrales fijos como constantes públicas THRESHOLD_AUTHORS / THRESHOLD_KEYWORDS de bib2graph.preprocessors (fuente única en preprocessors.pipeline, issue #175): el umbral compartido por la ingesta y el restore es uno solo, sin copias que diverjan.
• Determinista e idempotente: los pares ≥ umbral forman componentes conexas vía Union-Find; el canónico del cluster es la variante más frecuente (desempate por id ascendente); se preserva el orden de primera aparición y nunca se toca _raw. Mismo corpus + threshold + versión de rapidfuzz → mismo resultado (verificado cross-PYTHONHASHSEED); converge en una pasada. NO usa IA (similitud de cadenas, no semántica/LLM; ADR 0022). Registra un PreprocRef en el Manifest ({library, rapidfuzz_version, scorer, threshold, n_clusters_collapsed}).
• rapidfuzz en el núcleo: rapidfuzz>=3,<4 en [project.dependencies] (ya no hay extra [dedup]).
• Campos en V1: autores + keywords. Instituciones diferidas; splink (record-linkage probabilístico) diferido a post-V1 (ADR 0026). Deuda conocida: el dedup por ingesta es O(n²) sobre el corpus completo (optimización futura). La revisión asistida de clusters ambiguos (sugerir N canónicos determinista vía scores, sin IA → el humano elige) requiere superficie interactiva y no está; hoy el dedup aplica el canónico determinista sin confirmar.

---

12. Ejemplo de uso (ecuación → biblioteca viva → redes)

12.1 Por CLI agente-native (el camino canónico)

Se inicia el workspace una vez y, trabajando dentro de su carpeta, los comandos se resuelven por ambiente. Con B2G_JSON=1, una línea JSON por comando (un agente corre el ciclo sin repetir --json):

b2g init ied                                     # crea ./ied/ (workspace.json + library.duckdb + …)
cd ied                                            # a partir de acá el workspace se resuelve por cwd
export B2G_JSON=1
b2g seed --equation '"unequal ecological exchange"' --max-results 50 \
         --exclude "blockchain" --email tu@correo.org  # --exclude (repetible): negaciones en el translation_report
b2g chain --direction both --max-candidates 300   # → FORAGED (+ pasada refs→DOI automática)
b2g curate dump                                   # vuelca candidatos a exports/curacion.csv (revisar offline)
b2g curate apply curacion.csv                     # aplica accepted/rejected en lote
b2g build --max-citing 50 --email tu@correo.org   # → BUILT; co-citación (cited_by) sobre las aceptadas
b2g read top --kind bibliographic_coupling        # salida de investigación (nodos centrales + co-citación)
b2g export --format graphml                        # serializa networks/ a exports/
b2g export --format arrow --scope accepted         # corpus.arrow (Feather autoverificable, p/ consumidor programático)
b2g export --format bibtex                          # corpus.bib (BibTeX, entry-type inferido)
b2g snapshot create                                # foto reproducible (parquet + manifest.json)
b2g status                                         # CycleState + round + curation_available + workspace

Migración de un .duckdb legacy: corré b2g init . en su carpeta para adoptarlo como workspace. El modo declarativo se invoca con b2g build --spec redes.yaml (carga load_specs → Networks.build por red, escribe networks/<kind>/, transiciona a BUILT y sella .corpus_hash).

12.2 Como librería Python

El mismo dominio sin CLI (el núcleo es puro y testeable; el forrajeo y el store hacen I/O):

from pathlib import Path
from bib2graph import (
    OpenAlexSource, Forager, Preprocessor, DuckDBStore, Networks, GraphMLExporter,
    FilterCriterion, apply_filters,
)

# 1) Sembrar (query ejecutada + reporte de traducción visibles)
seed = OpenAlexSource(email="tu@correo.org").seed(
    '"unequal ecological exchange" OR "intercambio ecológico desigual"')
print(seed.executed_query, "\n".join(seed.translation_report))

# 2) Forrajear (depth=1; backward observa sin materializar, forward materializa filas reales)
forager = Forager(OpenAlexSource(email="tu@correo.org"), depth=1, max_candidates=300)
ranked = forager.chain(seed.corpus)

# 3) Curar + normalizar + thesaurus determinista
corpus = seed.corpus.merge(ranked.corpus).accept(ids=[...]).reject(ids=[...])
corpus = Preprocessor().normalize(corpus)
corpus = Preprocessor().apply_thesaurus(corpus, Path("thesaurus_ied.json"))

# 4) Filtrar (PRISMA: marca rejected, no borra) + persistir + snapshot + redes
corpus, steps = apply_filters(corpus, [
    FilterCriterion(field="year", op="gte", value=2010),
    FilterCriterion(field="language", op="in", value=["en", "es", "pt"]),
])
store = DuckDBStore(Path("ied/library.duckdb")); store.persist(corpus)
snap = store.load().snapshot(Path("ied/snapshots/ied"))
for art in Networks.quick(snap.corpus):
    GraphMLExporter().export(art.graph, art.metrics, out_dir=Path(f"ied/networks/{art.spec.kind}"))

DuckDBStore se importa desde bib2graph (re-export perezoso vía PEP 562, §4.1): import bib2graph no arrastra duckdb.