feat(prompt_library): v3.2 custom_indicators_spec — fix LLM parse rate on Pythagoras indicators

src/multi_swarm_core/multi_swarm_core/agents/hypothesis.py

@@ -181,6 +181,12 @@ def _build_system_prompt(lib: PromptLibrary, genome: HypothesisAgentGenome) -> s
     parts.append("")
     # 3. Grammar spec (core scaffold)
     parts.append(_SYSTEM_GRAMMAR_SPEC)
+    # 3b. Custom indicators spec (da prompts.json, opzionale) - estende la lista
+    # "Leaf - indicatori" con firme strategy-specific non note al core.
+    if lib.custom_indicators_spec:
+        parts.append("\nINDICATORI CUSTOM (firme aggiuntive, applica le stesse regole grammaticali):\n")
+        parts.append(lib.custom_indicators_spec)
+        parts.append("")
     # 4. Pattern guidance (da prompts.json, opzionale)
     if lib.pattern_guidance:
         parts.append(

src/multi_swarm_core/multi_swarm_core/genome/prompt_library.py

@@ -101,6 +101,10 @@ class PromptLibrary:
     domain_warnings: str = field(default="")  # opzionale: warning di dominio (es. crypto 24/7)
     anti_patterns: str = field(default="")       # NEW v3.1: lista esplicita di pattern da evitare
     output_priorities: str = field(default="")   # NEW v3.1: trade-off espliciti di output
+    # NEW v3.2: firme formali (arity + range) di indicatori strategy-specific
+    # non noti al core. Iniettato in _SYSTEM_GRAMMAR_SPEC come estensione della
+    # lista "Leaf - indicatori" per consentire alla LLM di chiamarli correttamente.
+    custom_indicators_spec: str = field(default="")
 
     def __post_init__(self) -> None:
         if not self.styles:
@@ -120,6 +124,7 @@ class PromptLibrary:
             ("domain_warnings", self.domain_warnings),
             ("anti_patterns", self.anti_patterns),
             ("output_priorities", self.output_priorities),
+            ("custom_indicators_spec", self.custom_indicators_spec),
         ):
             if not isinstance(value, str):
                 raise PromptLibraryError(
@@ -142,6 +147,7 @@ class PromptLibrary:
             domain_warnings="",
             anti_patterns="",
             output_priorities="",
+            custom_indicators_spec="",
         )
 
     @classmethod
@@ -204,6 +210,12 @@ class PromptLibrary:
             raise PromptLibraryError(f"anti_patterns deve essere stringa, non {type(anti_patterns_raw)}")
         if not isinstance(output_priorities_raw, str):
             raise PromptLibraryError(f"output_priorities deve essere stringa, non {type(output_priorities_raw)}")
+        # Parse new optional top-level field (v3.2)
+        custom_indicators_spec_raw = data.get("custom_indicators_spec", "")
+        if not isinstance(custom_indicators_spec_raw, str):
+            raise PromptLibraryError(
+                f"custom_indicators_spec deve essere stringa, non {type(custom_indicators_spec_raw)}"
+            )
 
         return cls(
             styles=styles,
@@ -214,6 +226,7 @@ class PromptLibrary:
             domain_warnings=domain_warnings,
             anti_patterns=anti_patterns_raw,
             output_priorities=output_priorities_raw,
+            custom_indicators_spec=custom_indicators_spec_raw,
         )
 
     @property

src/multi_swarm_core/tests/unit/test_hypothesis_agent.py

@@ -420,3 +420,48 @@ def test_build_system_prompt_skips_anti_patterns_and_priorities_when_empty(mocke
     system_msg = call_kwargs["system"]
     assert "ANTI-PATTERN" not in system_msg
     assert "PRIORITA' DI OUTPUT" not in system_msg
+
+
+def test_build_system_prompt_includes_custom_indicators_spec(mocker):  # type: ignore[no-untyped-def]
+    """custom_indicators_spec da PromptLibrary appare nel SYSTEM prompt con header."""
+    fake_llm = mocker.MagicMock()
+    fake_llm.complete.return_value = CompletionResult(
+        text=VALID_STRATEGY_JSON,
+        input_tokens=200,
+        output_tokens=80,
+        tier=ModelTier.C,
+        model="qwen",
+    )
+    lib = PromptLibrary(
+        styles={"physicist": "Pensa come un fisico."},
+        focus={},
+        custom_indicators_spec="CUSTOM_IND_X",
+    )
+    agent = HypothesisAgent(llm=fake_llm, prompt_library=lib)
+    agent.propose(make_genome(), make_summary())
+    call_kwargs = fake_llm.complete.call_args.kwargs
+    system_msg = call_kwargs["system"]
+    assert "INDICATORI CUSTOM" in system_msg
+    assert "CUSTOM_IND_X" in system_msg
+
+
+def test_build_system_prompt_skips_custom_indicators_spec_when_empty(mocker):  # type: ignore[no-untyped-def]
+    """custom_indicators_spec='' -> sezione assente nel SYSTEM prompt."""
+    fake_llm = mocker.MagicMock()
+    fake_llm.complete.return_value = CompletionResult(
+        text=VALID_STRATEGY_JSON,
+        input_tokens=200,
+        output_tokens=80,
+        tier=ModelTier.C,
+        model="qwen",
+    )
+    lib = PromptLibrary(
+        styles={"physicist": "Pensa come un fisico."},
+        focus={},
+        custom_indicators_spec="",
+    )
+    agent = HypothesisAgent(llm=fake_llm, prompt_library=lib)
+    agent.propose(make_genome(), make_summary())
+    call_kwargs = fake_llm.complete.call_args.kwargs
+    system_msg = call_kwargs["system"]
+    assert "INDICATORI CUSTOM" not in system_msg

src/multi_swarm_core/tests/unit/test_prompt_library.py

@@ -90,6 +90,28 @@ def test_from_json_loads_anti_patterns_and_output_priorities(tmp_path: Path) ->
     assert lib.output_priorities == "Robustezza > ottimalita."
 
 
+def test_from_json_loads_custom_indicators_spec(tmp_path: Path) -> None:
+    """from_json() legge custom_indicators_spec (v3.2): firme di indicatori strategy-specific."""
+    data = {
+        "styles": {"physicist": {"directive": "Cerca leggi conservative."}},
+        "custom_indicators_spec": (
+            "candle_pattern: params=[length, sym0, sym1, ...], length in [3,12], "
+            "sym in {0=U,1=D,2=doji}\n"
+            "pythagorean_ratio: params=[lookback], lookback in [12,200]"
+        ),
+    }
+    lib = PromptLibrary.from_json(_write_json(data, tmp_path))
+    assert "candle_pattern" in lib.custom_indicators_spec
+    assert "lookback in [12,200]" in lib.custom_indicators_spec
+
+
+def test_from_json_defaults_custom_indicators_spec_when_absent(tmp_path: Path) -> None:
+    """custom_indicators_spec assente -> default stringa vuota."""
+    data = {"styles": {"physicist": {"directive": "Cerca leggi conservative."}}}
+    lib = PromptLibrary.from_json(_write_json(data, tmp_path))
+    assert lib.custom_indicators_spec == ""
+
+
 def test_strategy_crypto_directives_ascii_safe() -> None:
     """REGRESSION GUARD: nessuna directive contiene caratteri > U+007F.
 

src/strategy_pythagoras/strategy_pythagoras/prompts.json

@@ -4,7 +4,9 @@
   "_changelog": "v1.0 - Initial release. Schema clonato da strategy_crypto v3.2 con contenuto Pythagoras-aligned.",
   "_focus_metrics_design": "Le focus_metrics sono ENFASI per la lente, non filtri. 4 per stile. Devono includere almeno 1 dei 3 indicatori Pythagoras (candle_pattern, pythagorean_ratio, fractal_mirror).",
   "_design_invariants": "(1) ASCII-safe; (2) Archetipo dominante: <metafora> come ancora; (3) Lookback range esplicito; (4) Prima frase 'Il mercato e ...'; (5) Lunghezza directive 800-950 char.",
-  "_param_encoding_note": "Vincolo grammar: tutti i params sono float. candle_pattern: [length, sym0, sym1, ...] (sym: 0=U up close>open, 1=D down close<open, 2=doji). pythagorean_ratio: [lookback]. fractal_mirror: [k, axis_int] (0=h temporale, 1=v prezzo).",
+  "_param_encoding_note": "Promosso a campo top-level 'custom_indicators_spec' (v3.2). Vedi sotto.",
+
+  "custom_indicators_spec": "Indicatori Pythagoras (oltre a sma/sma_pct/rsi/atr/atr_pct/realized_vol/macd/macd_pct gia documentati sopra). REGOLA CRITICA: params accetta SOLO numeri float, MAI stringhe e MAI altri nodi.\n\n  {\"kind\": \"indicator\", \"name\": \"candle_pattern\", \"params\": [length, sym0, sym1, ..., sym_{length-1}]}\n    length: int in [3,12]  (numero di candele consecutive che devono matchare)\n    sym_i:  int in {0, 1, 2}  (0=U up close>open, 1=D down close<open, 2=doji)\n    Esempio: pattern U-D-U di 3 candele = params=[3, 0, 1, 0]\n    Esempio: pattern D-D-D-U (reversal classico) = params=[4, 1, 1, 1, 0]\n    Output: 1.0 se le ultime length candele matchano, 0.0 altrimenti. Confronta solo con literal 0.0 o 1.0.\n\n  {\"kind\": \"indicator\", \"name\": \"pythagorean_ratio\", \"params\": [lookback]}\n    lookback: int in [12,200]  (finestra rolling per max/min close)\n    Esempio: ratio su finestra 89 (Fibonacci) = params=[89]\n    Output: max(close[-lookback:]) / min(close[-lookback:]), adimensionale >= 1.0.\n    Confronta con literal vicini a phi=1.618, 1/phi=0.618 (in realta usa 1.618 perche ratio >= 1), sqrt2=1.414, pi/2=1.571, e=2.718.\n\n  {\"kind\": \"indicator\", \"name\": \"fractal_mirror\", \"params\": [k, axis_int]}\n    k: int in [3,12]  (lunghezza finestra di confronto)\n    axis_int: int in {0, 1}  (0=h mirror temporale, 1=v mirror prezzo)\n    Esempio: mirror temporale su 8 candele = params=[8, 0]\n    Esempio: mirror prezzo su 6 candele = params=[6, 1]\n    Output: correlation di Pearson in [-1.0, 1.0] tra finestra e suo mirror. Confronta con literal in (-1, 1), tipicamente |0.5|-|0.8|.\n\nESEMPI di confronti CORRETTI:\n  candle_pattern di 3 candele U-D-U attiva: {\"op\": \"eq\", \"args\": [{\"kind\":\"indicator\",\"name\":\"candle_pattern\",\"params\":[3,0,1,0]}, {\"kind\":\"literal\",\"value\":1.0}]}\n  ratio phi entro 0.5%: {\"op\": \"and\", \"args\": [{\"op\":\"gt\",\"args\":[{\"kind\":\"indicator\",\"name\":\"pythagorean_ratio\",\"params\":[89]},{\"kind\":\"literal\",\"value\":1.610}]}, {\"op\":\"lt\",\"args\":[{\"kind\":\"indicator\",\"name\":\"pythagorean_ratio\",\"params\":[89]},{\"kind\":\"literal\",\"value\":1.626}]}]}\n  mirror temporale forte: {\"op\": \"gt\", \"args\": [{\"kind\":\"indicator\",\"name\":\"fractal_mirror\",\"params\":[8,0]}, {\"kind\":\"literal\",\"value\":0.7}]}\n\nESEMPI ERRATI (dead branch o validation error):\n  candle_pattern con stringa: params=[\"UDU\"]                  (errato: params devono essere numeri)\n  candle_pattern: params=[3, \"U\", \"D\", \"U\"]                    (errato: usa codici 0/1/2)\n  pythagorean_ratio: params=[\"close\"]                          (errato: params devono essere numeri, non nomi feature)\n  pythagorean_ratio: params=[5]                                (errato: lookback < 12)\n  pythagorean_ratio: params=[89, 1.618]                        (errato: arity 1, non 2)\n  fractal_mirror: params=[0, 1]                                (errato: k < 3)\n  fractal_mirror: params=[100, 0]                              (errato: k > 12)\n  fractal_mirror: params=[8]                                   (errato: arity 2, manca axis_int)",
 
   "agent_role": "Sei un agente generatore di ipotesi di trading quantitativo per un sistema swarm coevolutivo che cerca pattern frattali ricorrenti sui mercati crypto secondo il framework Pythagoras-Malanga (frattali H-C, trasformata di Fourier, geometria Evideon). Sei parte di una popolazione che esplora collettivamente lo spazio dei pattern: la diversita delle ipotesi e un asset critico. Preferisci esplorare territori meno ovvi rispetto a quelli che la tua lente cognitiva renderebbe predicibili. La strategia che produci deve essere riconoscibile come emanata dal tuo stile.",