scripts/35_gate5_penpot_design.py

@@ -83,7 +83,21 @@ MCP_RETRY_BACKOFF = float(os.environ.get("PENPOT_MCP_RETRY_BACKOFF", "3"))
 MAX_TURNS = int(os.environ.get("GATE5_MAX_TURNS", "14"))
 MAX_TOKENS = int(os.environ.get("GATE5_MAX_TOKENS", "4096"))
 HTTP_TIMEOUT = int(os.environ.get("GATE5_HTTP_TIMEOUT", "600"))
-MCP_TIMEOUT = int(os.environ.get("GATE5_MCP_TIMEOUT", "180"))
+MCP_TIMEOUT = int(os.environ.get("GATE5_MCP_TIMEOUT", "240"))
+
+# Fallos que vuelven como respuesta HTTP EXITOSA con texto de error adentro. El limite de 30
+# segundos NO es del cliente: es el del servidor MCP para una tarea del plugin, asi que no se
+# puede subir desde aca -- solo reintentar. Y hay que reintentarlos explicitamente porque, al no
+# ser errores de transporte, el reintento de `_request` no los ve: la request fue un exito.
+# La auditoria es la llamada mas pesada de la puerta y es la que se cayo asi en el prompt
+# critico de la fase.
+REINTENTABLES_EN_RESULTADO = re.compile(
+    r"timed out after \d+ seconds|Tool execution failed: Error: Task ", re.I)
+AUDIT_MAX_RETRIES = int(os.environ.get("GATE5_AUDIT_RETRIES", "5"))
+
+# Vaciar la pagina de la puerta despues de medirla y exportar su PNG. Se puede apagar para
+# inspeccion manual con GATE5_KEEP_PAGES=1.
+LIMPIAR_PAGINAS = os.environ.get("GATE5_KEEP_PAGES", "").lower() not in ("1", "true", "yes")
 
 # El prompt que reproduce el fallo exacto de produccion. Tiene su propia condicion de
 # aprobacion: si este no llega a 60, la puerta no aprueba aunque el promedio alcance.
@@ -98,6 +112,9 @@ HEX_EN_TEXTO = re.compile(r"#[0-9a-fA-F]{6}\b")
 
 PLUGIN_NOT_CONNECTED = "No Penpot plugin instances are currently connected"
 EXIT_PLUGIN_NOT_CONNECTED = 2
+# El plugin respondio pero se degrado a mitad de corrida (timeouts en createPage). No es lo mismo
+# que "no esta conectado": hay que pedirle al usuario que lo RECARGUE y retomar los que faltan.
+EXIT_PLUGIN_DEGRADADO = 3
 
 
 class Gate5Error(RuntimeError):
@@ -399,7 +416,17 @@ class PenpotMCP:
         `execute_code` (el metodo de abajo) NO desenvuelve: lo que ve el modelo como tool result
         tiene que ser byte a byte lo que le llegaria en produccion, envoltorio incluido.
         """
-        texto, es_error = self.execute_code(code)
+        texto = es_error = None
+        for intento in range(1, AUDIT_MAX_RETRIES + 1):
+            texto, es_error = self.execute_code(code)
+            if not REINTENTABLES_EN_RESULTADO.search(texto or ""):
+                break
+            if intento == AUDIT_MAX_RETRIES:
+                break
+            espera = MCP_RETRY_BACKOFF * intento
+            print(f"[MCP] '{que}' fallo con timeout de tarea del servidor "
+                  f"(intento {intento}/{AUDIT_MAX_RETRIES}). Reintento en {espera:.0f}s")
+            time.sleep(espera)
         try:
             parsed = json.loads(texto)
         except json.JSONDecodeError:
@@ -458,10 +485,35 @@ return {
 # Payload de auditoria. Lo inyecta la puerta, asi que tiene que respetar la misma API verificada
 # que se le exige al modelo: findShapeById de 1 argumento, board.flex/board.grid (nunca .layout),
 # includeChildren (nunca withChildren), sin asignaciones a propiedades read-only.
+DELETE_PAGE_JS = """
+// Borra la pagina que creo LA PUERTA, nunca una del usuario: se exige que el nombre empiece con
+// el prefijo gate5/ y se compara el id, asi que no hay forma de que apunte a otra cosa.
+const PAGE_ID = %PAGE_ID%;
+const page = penpotUtils.getPageById(PAGE_ID);
+if (!page) { return { borrada: false, motivo: "no existe" }; }
+if (String(page.name).indexOf("gate5/") !== 0) {
+  return { borrada: false, motivo: "no es una pagina de la puerta: " + page.name };
+}
+const nombre = page.name;
+const shapes = penpotUtils.findShapes(function () { return true; }, page.root);
+for (let i = shapes.length - 1; i >= 0; i--) { shapes[i].remove(); }
+return { borrada: true, nombre: nombre, shapesBorrados: shapes.length };
+"""
+
+
 AUDIT_JS = """
-const ROOT_ID = %ROOT_ID%;
+// El root se resuelve por PAGE_ID, nunca por rootId.
-const root = penpotUtils.findShapeById(ROOT_ID);
+// Por que: en Penpot TODAS las paginas nuevas comparten el mismo id de root frame,
-if (!root) { return { auditError: "root no encontrado" }; }
+// "00000000-0000-0000-0000-000000000000". Y `penpotUtils.findShapeById` busca GLOBALMENTE, asi
+// que buscar por ese id devuelve el root de la PRIMERA pagina del archivo -- la del usuario,
+// vacia -- y no la que la puerta acaba de crear. Esa fue la causa de que el primer baseline
+// midiera shapeCount=0 en los 10 prompts mientras el archivo real tenia 28 shapes y 20 textos.
+// El pageId si es unico.
+const PAGE_ID = %PAGE_ID%;
+const page = penpotUtils.getPageById(PAGE_ID);
+if (!page) { return { auditError: "pagina no encontrada: " + PAGE_ID }; }
+const root = page.root;
+if (!root) { return { auditError: "la pagina no tiene root" }; }
 
 const nodes = [];
 const collect = (shape, depth) => {
@@ -618,6 +670,23 @@ function aHsl(hex) {
   }
   return { h: h, s: sat * 100, l: l * 100 };
 }
+// FILL EXPLICITO. Los tres defaults de Penpot: board blanco, rectangulo #B1B2B5, texto negro.
+// Un diseno cuyos UNICOS colores son esos tres no es un diseno: son shapes que nunca recibieron
+// fill. Esta metrica sola habria diagnosticado el bug de produccion, que las de "colores
+// distintos" y "cero grises" no ven -- #FFFFFF y #000000 no son gris medio, asi que pasan.
+const DEFAULTS = ["#FFFFFF", "#B1B2B5", "#000000"];
+let conFill = 0, conFillExplicito = 0;
+for (const n of nodes) {
+  const fs = Array.isArray(n.shape.fills) ? n.shape.fills : [];
+  const hexes = fs.filter(function (f) { return f && typeof f.fillColor === "string"; })
+                  .map(function (f) { return f.fillColor.toUpperCase(); });
+  if (!hexes.length) { continue; }
+  conFill++;
+  if (hexes.some(function (h) { return DEFAULTS.indexOf(h) === -1; })) { conFillExplicito++; }
+}
+const soloDefaults = distintos.length > 0
+  && distintos.every(function (h) { return DEFAULTS.indexOf(h) !== -1; });
+
 const cromaticos = [];
 const neutrales = [];
 for (const hex of distintos) {
@@ -639,7 +708,11 @@ for (let i = 0; i < cromaticos.length; i++) {
 const saturacionMedia = cromaticos.length
   ? cromaticos.reduce(function (a, c) { return a + c.s; }, 0) / cromaticos.length : 0;
 
-return {
+const resultado = {
+  explicitFillShare: conFill > 0 ? conFillExplicito / conFill : 0,
+  shapesWithFill: conFill,
+  shapesWithExplicitFill: conFillExplicito,
+  onlyDefaultColors: soloDefaults,
   chromaticFills: cromaticos.length,
   chromaticSamples: cromaticos.slice(0, 8).map(function (c) {
     return { hex: c.hex, s: Math.round(c.s), l: Math.round(c.l) }; }),
@@ -678,6 +751,13 @@ return {
   markupLength: markupLen,
   renderError: renderError
 };
+
+// El servidor MCP valida el resultado contra un schema y rechaza la llamada ENTERA si algun
+// campo no es serializable ("Invalid input: expected string, received function"). Un solo objeto
+// de Penpot que se cuele en el return -- todos traen metodos -- tira abajo la auditoria completa
+// y con ella la medicion de ese prompt. Forzar datos planos es mas barato y mas robusto que
+// cazar el campo culpable cada vez que se agrega una metrica.
+return JSON.parse(JSON.stringify(resultado));
 """
 
 
@@ -687,8 +767,12 @@ def build_setup_js(page_name, seed_board):
             .replace("%SEED%", js_string(seed_board) if seed_board else "null"))
 
 
-def build_audit_js(root_id):
+def build_audit_js(page_id):
-    return AUDIT_JS.replace("%ROOT_ID%", js_string(root_id))
+    return AUDIT_JS.replace("%PAGE_ID%", js_string(page_id))
+
+
+def build_delete_page_js(page_id):
+    return DELETE_PAGE_JS.replace("%PAGE_ID%", js_string(page_id))
 
 
 def self_check_gate_payloads():
@@ -776,6 +860,8 @@ def check_disjunto(prompts):
 METRICS = [
     ("shapeCount", "conteo de shapes", "min"),
     ("distinctFillColors", "fillColor distintos (sin blanco/negro puros)", "min"),
+    ("explicitFillShare", "share de shapes con fill NO-default", "min"),
+    ("onlyDefaultColors", "la paleta son SOLO los 3 defaults de Penpot [VETO]", "max"),
     ("chromaticFills", "fills cromaticos (sat HSL >= 45, L 15-85)", "min"),
     ("meanChromaticSaturation", "saturacion media de los fills cromaticos", "min"),
     ("paletteStructured", "paleta estructurada (marca + acento + neutrales)", "bool"),
@@ -797,7 +883,7 @@ METRICS = [
     ("rendersOk", "el arbol renderiza (generateStyle/generateMarkup)", "bool"),
 ]
 
-VETO_METRICS = ("placeholderGreys", "forbiddenBehavior")
+VETO_METRICS = ("placeholderGreys", "forbiddenBehavior", "onlyDefaultColors")
 
 # Umbrales por prompt. `None` = la metrica NO aplica a ese prompt y no entra en el denominador
 # del score. Estan aca y no en el .jsonl a proposito: el .jsonl describe la TAREA, el umbral es
@@ -823,6 +909,22 @@ UMBRALES_VIBRACION = {
 }
 UMBRALES_VIBRACION_NO_APLICA = {k: None for k in UMBRALES_VIBRACION}
 
+# Fill explicito. `onlyDefaultColors` es VETO y aplica a TODOS los prompts: un diseno cuyos unicos
+# colores son los tres defaults de Penpot es el bug de produccion, no un diseno sobrio.
+#
+# La distincion que pedia el usuario -- blanco y negro son legitimos cuando el modelo los ELIGE --
+# se resuelve por CO-PRESENCIA, no penalizando el hex: #FFFFFF y #000000 solo son sospechosos si
+# son lo UNICO que hay. Si conviven con colores de marca elegidos, `onlyDefaultColors` es false y
+# ademas cuentan como neutrales legitimos en `paletteStructured`. Por eso son dos metricas y no
+# una: `explicitFillShare` mide cuanto del diseno recibio color deliberado, y `onlyDefaultColors`
+# atrapa el caso degenerado donde no recibio ninguno.
+#
+# El umbral de share se grada por dificultad: un boton primario (baja) tiene pocos shapes y algun
+# neutral estructural pesa mucho en la proporcion; una landing (alta) no tiene excusa.
+UMBRALES_FILL_EXPLICITO_BAJA = {"explicitFillShare": 0.50, "onlyDefaultColors": False}
+UMBRALES_FILL_EXPLICITO_MEDIA = {"explicitFillShare": 0.65, "onlyDefaultColors": False}
+UMBRALES_FILL_EXPLICITO = {"explicitFillShare": 0.80, "onlyDefaultColors": False}
+
 THRESHOLDS = {
     "g5-01-boton-primario": {
         "shapeCount": 2, "distinctFillColors": 2, "placeholderGreys": 0,
@@ -832,6 +934,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO_BAJA,
     },
     "g5-02-navbar-flex": {
         "shapeCount": 6, "distinctFillColors": 3, "placeholderGreys": 0,
@@ -841,6 +944,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO_BAJA,
     },
     "g5-03-card-producto": {
         "shapeCount": 6, "distinctFillColors": 3, "placeholderGreys": 0,
@@ -850,6 +954,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO_MEDIA,
     },
     "g5-04-tokens-biblioteca": {
         "shapeCount": 8, "distinctFillColors": 6, "placeholderGreys": 0,
@@ -859,6 +964,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO_MEDIA,
     },
     "g5-05-grid-tres-diferenciales": {
         "shapeCount": 12, "distinctFillColors": 3, "placeholderGreys": 0,
@@ -868,6 +974,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO_MEDIA,
     },
     "g5-09-brief-ambiguo-escuela": {
         "shapeCount": 30, "distinctFillColors": 6, "placeholderGreys": 0,
@@ -877,6 +984,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION,
+        **UMBRALES_FILL_EXPLICITO,
     },
     "g5-10-brief-ambiguo-notaria": {
         "shapeCount": 30, "distinctFillColors": 5, "placeholderGreys": 0,
@@ -889,6 +997,7 @@ THRESHOLDS = {
         # pero la paleta tiene que estar estructurada y declarada igual.
         "chromaticFills": 1, "meanChromaticSaturation": 30,
         "paletteStructured": True, "finalMessageListsHex": True,
+        **UMBRALES_FILL_EXPLICITO,
     },
     "g5-06-landing-pizzeria": {
         "shapeCount": 25, "distinctFillColors": 5, "placeholderGreys": 0,
@@ -898,6 +1007,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION,
+        **UMBRALES_FILL_EXPLICITO,
     },
     "g5-07-onboarding-mobile": {
         "shapeCount": 10, "distinctFillColors": 4, "placeholderGreys": 0,
@@ -907,6 +1017,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO,
     },
     "g5-08-reparacion-grises": {
         "shapeCount": 8, "distinctFillColors": 4, "placeholderGreys": 0,
@@ -916,6 +1027,7 @@ THRESHOLDS = {
         "exportBeforeFinal": True, "forbiddenBehavior": 0, "exceptionRate": 0.34,
         "fontIdBoundShare": 1.0, "rendersOk": True,
         **UMBRALES_VIBRACION_NO_APLICA,
+        **UMBRALES_FILL_EXPLICITO,
     },
 }
 
@@ -941,6 +1053,10 @@ def build_raw_metrics(audit, runtime):
         "exportBeforeFinal": runtime["exportBeforeFinal"],
         "forbiddenBehavior": runtime["forbiddenBehavior"],
         "exceptionRate": runtime["exceptionRate"],
+        "explicitFillShare": audit.get("explicitFillShare", 0.0),
+        # Sin shapes no hay paleta que juzgar, pero "no hice nada" no puede pasar el veto: se
+        # trata como el caso malo, igual que rootHeightMismatch.
+        "onlyDefaultColors": bool(audit.get("onlyDefaultColors", True)),
         "chromaticFills": audit.get("chromaticFills", 0),
         "meanChromaticSaturation": audit.get("meanChromaticSaturation", 0),
         "paletteStructured": bool(audit.get("paletteStructured", False)),
@@ -1214,7 +1330,7 @@ def run_prompt(cfg, mcp, tools, system_prompt, fila, png_dir):
 
     # --- auditoria inyectada por la puerta ------------------------------------------------
     try:
-        audit = mcp.execute_json(build_audit_js(root_id), f"{prompt_id}: auditoria")
+        audit = mcp.execute_json(build_audit_js(setup["pageId"]), f"{prompt_id}: auditoria")
     except Gate5Error as e:
         print(f"[WARN] {prompt_id}: la auditoria fallo ({e})")
         audit = {"auditError": str(e)}
@@ -1235,6 +1351,28 @@ def run_prompt(cfg, mcp, tools, system_prompt, fila, png_dir):
     except Gate5Error as e:
         print(f"[WARN] {prompt_id}: no se pudo exportar el PNG ({e})")
 
+    # --- vaciar la pagina de la puerta ---------------------------------------------------------
+    # La evidencia que queda es el PNG + las metricas del JSON, no la pagina viva. Dejarlas
+    # acumular tiene un costo medible: el plugin de Penpot se degrada de forma progresiva a
+    # medida que crece el archivo -- en tres corridas seguidas aguanto 5 o 6 prompts pesados y
+    # despues empezo a dar timeouts de 30 s en `createPage`. Con 26 paginas acumuladas eso deja
+    # de ser flakiness del MCP y pasa a ser un problema que la propia puerta se fabrica.
+    # Ademas le deja el archivo limpio al usuario.
+    if LIMPIAR_PAGINAS and png_path is not None:
+        try:
+            info = mcp.execute_json(build_delete_page_js(setup["pageId"]),
+                                    f"{prompt_id}: limpieza de la pagina")
+            if info.get("borrada"):
+                print(f"[CLEAN] {info['nombre']}: {info['shapesBorrados']} shape(s) borrados "
+                      f"(la evidencia queda en el PNG y en el JSON)")
+            else:
+                print(f"[WARN] {prompt_id}: no se limpio la pagina ({info.get('motivo')})")
+        except Gate5Error as e:
+            print(f"[WARN] {prompt_id}: no se pudo limpiar la pagina ({e})")
+    elif png_path is None:
+        print(f"[CLEAN] {prompt_id}: la pagina se CONSERVA porque no hubo PNG, para poder "
+              f"inspeccionar que paso")
+
     # Ante un brief ambiguo el modelo tiene que ELEGIR una paleta y DECIRSELA al usuario, para
     # que la pueda ajustar. Una paleta elegida en silencio no es colaborable.
     hex_en_final = set(HEX_EN_TEXTO.findall(final_content or ""))
@@ -1409,29 +1547,48 @@ def load_prompts():
     return filas
 
 
-def resumen(resultados, tag):
+def resumen(resultados, tag, esperados=None):
-    scores = [r["score"] for r in resultados]
+    """Resume la corrida.
+
+    Un prompt SIN medicion no cuenta como 0 en la media. "No pude medir" y "el modelo lo hizo
+    mal" son dos cosas distintas y promediarlas juntas produce un numero que no significa nada:
+    un corte del plugin en el prompt 6 abarataria artificialmente el promedio y despues se
+    compararia contra el modelo nuevo como si fuera calidad. Los no medidos se reportan aparte y
+    **invalidan el veredicto**: un baseline con 5 de 10 medidos no es un baseline.
+    """
+    medidos = [r for r in resultados if r.get("score") is not None]
+    no_medidos = [r for r in resultados if r.get("score") is None]
+    scores = [r["score"] for r in medidos]
     media = sum(scores) / len(scores) if scores else 0.0
-    veto_limpio = sum(1 for r in resultados if not r["veto_violado"])
+    veto_limpio = sum(1 for r in medidos if not r["veto_violado"])
-    sobre_minimo = sum(1 for r in resultados if r["score"] >= PROMPT_SCORE_MIN)
+    sobre_minimo = sum(1 for r in medidos if r["score"] >= PROMPT_SCORE_MIN)
-    flagship = next((r for r in resultados if r["id"] == FLAGSHIP_PROMPT_ID), None)
+    flagship = next((r for r in medidos if r["id"] == FLAGSHIP_PROMPT_ID), None)
     flagship_score = flagship["score"] if flagship else 0.0
+    total_esperado = esperados if esperados is not None else len(resultados)
 
     print(f"\n=== Puerta 5 -- calidad de diseno en Penpot (tag={tag}) ===\n")
     print(f"  {'prompt':32s} {'dif':6s} {'score':>6s} {'pasa':>7s} {'grises':>7s} "
           f"{'prohib':>7s} {'shapes':>7s} {'colores':>8s} {'textos':>7s}")
-    for r in resultados:
+    for r in medidos:
         crudas = r["metricas_crudas"]
         print(f"  {r['id']:32s} {str(r['dificultad'])[:6]:6s} {r['score']:6.1f} "
               f"{r['pasadas']:3d}/{r['aplicables']:<3d} {crudas['placeholderGreys']:7d} "
               f"{crudas['forbiddenBehavior']:7d} {crudas['shapeCount']:7d} "
               f"{crudas['distinctFillColors']:8d} {crudas['textsWithCharacters']:7d}")
 
+    if no_medidos:
+        print(f"\n  NO MEDIDOS ({len(no_medidos)}), no cuentan como 0 en la media:")
+        for r in no_medidos:
+            print(f"    {r['id']:32s} {str(r.get('error'))[:110]}")
+
     condiciones = [
+        ("todos los prompts medidos", len(medidos) == total_esperado,
+         f"{len(medidos)}/{total_esperado}"),
         (f"score medio >= {MEAN_SCORE_MIN:.0f}", media >= MEAN_SCORE_MIN, f"{media:.1f}"),
-        ("veto limpio en 8/8", veto_limpio == len(resultados), f"{veto_limpio}/{len(resultados)}"),
+        (f"veto limpio en {total_esperado}/{total_esperado}", veto_limpio == total_esperado,
-        (f">= {MIN_PROMPTS_OVER_MIN}/8 prompts >= {PROMPT_SCORE_MIN:.0f}",
+         f"{veto_limpio}/{total_esperado}"),
-         sobre_minimo >= MIN_PROMPTS_OVER_MIN, f"{sobre_minimo}/{len(resultados)}"),
+        (f">= {MIN_PROMPTS_OVER_MIN}/{total_esperado} prompts >= {PROMPT_SCORE_MIN:.0f}",
+         sobre_minimo >= MIN_PROMPTS_OVER_MIN, f"{sobre_minimo}/{total_esperado}"),
         (f"landing de pizzeria >= {PROMPT_SCORE_MIN:.0f}",
          flagship_score >= PROMPT_SCORE_MIN, f"{flagship_score:.1f}"),
     ]
@@ -1440,8 +1597,14 @@ def resumen(resultados, tag):
         print(f"    [{'ok ' if ok else 'NO '}] {etiqueta:40s} -> {valor}")
 
     aprueba = all(ok for _e, ok, _v in condiciones)
-    print(f"\n  VEREDICTO GLOBAL: {'APRUEBA' if aprueba else 'NO APRUEBA'}")
+    if no_medidos:
+        print(f"\n  VEREDICTO GLOBAL: INVALIDO -- faltan {len(no_medidos)} prompt(s) por medir. "
+              f"Re-medilos con GATE5_ONLY={','.join(r['id'] for r in no_medidos)}")
+    else:
+        print(f"\n  VEREDICTO GLOBAL: {'APRUEBA' if aprueba else 'NO APRUEBA'}")
     return aprueba, {
+        "valido": not no_medidos,
+        "no_medidos": [r["id"] for r in no_medidos],
         "score_medio": round(media, 2),
         "veto_limpio": veto_limpio,
         "prompts_sobre_minimo": sobre_minimo,
@@ -1453,7 +1616,31 @@ def resumen(resultados, tag):
 
 def run_full(cfg, tools, system_prompt):
     prompts = load_prompts()
+    todos_los_prompts = list(prompts)
     check_disjunto(prompts)
+
+    # Re-medir un subconjunto sin quemar los 10. Existe porque el MCP de Penpot se cae: cuando
+    # una corrida pierde 5 prompts por un corte de transporte, repetir los 10 desperdicia media
+    # hora de produccion arriba Y descarta mediciones que eran validas.
+    solo = [x.strip() for x in os.environ.get("GATE5_ONLY", "").split(",") if x.strip()]
+    previos = []
+    if solo:
+        conocidos = {f["id"] for f in prompts}
+        desconocidos = [x for x in solo if x not in conocidos]
+        if desconocidos:
+            raise Gate5Error(f"GATE5_ONLY nombra prompts que no existen: {desconocidos}")
+        # Los resultados ya medidos que NO se vuelven a correr se conservan y se fusionan.
+        anterior = REPO_ROOT / "data" / f"gate5_results_{cfg['GATE5_TAG']}.json"
+        if anterior.exists():
+            try:
+                previos = [r for r in json.loads(anterior.read_text(encoding="utf-8")).get("prompts", [])
+                           if r.get("id") not in solo and r.get("score") is not None]
+                print(f"[INFO] se conservan {len(previos)} prompt(s) ya medidos de "
+                      f"{anterior.name}: {[r['id'] for r in previos]}")
+            except (json.JSONDecodeError, OSError) as e:
+                print(f"[WARN] no se pudo leer el resultado anterior ({e}); se re-mide todo lo pedido")
+        prompts = [f for f in prompts if f["id"] in solo]
+        print(f"[INFO] GATE5_ONLY: se miden {len(prompts)} prompt(s): {[f['id'] for f in prompts]}")
     self_check_gate_payloads()
 
     mcp = PenpotMCP(cfg["PENPOT_MCP_URL"], cfg["PENPOT_MCP_TOKEN"])
@@ -1467,6 +1654,13 @@ def run_full(cfg, tools, system_prompt):
     png_dir = REPO_ROOT / "data" / f"gate5_png_{cfg['GATE5_TAG']}"
     salida = REPO_ROOT / "data" / f"gate5_results_{cfg['GATE5_TAG']}.json"
 
+    def fusionar(resultados_parciales):
+        """Los recien medidos + los conservados, en el orden canonico del .jsonl."""
+        por_id = {r["id"]: r for r in previos}
+        por_id.update({r["id"]: r for r in resultados_parciales})
+        orden = [f["id"] for f in todos_los_prompts]
+        return [por_id[i] for i in orden if i in por_id]
+
     def volcar(resultados_parciales, dt_parcial, veredicto_parcial=None, completo=False):
         """Escribe el JSON de resultados. Se llama DESPUES DE CADA PROMPT.
 
@@ -1483,14 +1677,14 @@ def run_full(cfg, tools, system_prompt):
             "max_tokens": MAX_TOKENS,
             "timestamp": datetime.now(timezone.utc).isoformat(),
             "duracion_s": round(dt_parcial, 1),
-            "prompts_completados": len(resultados_parciales),
+            "prompts_completados": len(fusionar(resultados_parciales)),
-            "prompts_totales": len(prompts),
+            "prompts_totales": len(todos_los_prompts),
             "metricas": [{"clave": k, "etiqueta": e, "comparador": c} for k, e, c in METRICS],
             "veto": list(VETO_METRICS),
             "umbrales": {pid: {k: (list(v) if isinstance(v, tuple) else v) for k, v in u.items()}
                          for pid, u in THRESHOLDS.items()},
             "veredicto": veredicto_parcial,
-            "prompts": resultados_parciales,
+            "prompts": fusionar(resultados_parciales),
         }, ensure_ascii=False, indent=2), encoding="utf-8")
 
     t0 = time.time()
@@ -1509,10 +1703,18 @@ def run_full(cfg, tools, system_prompt):
         volcar(resultados, time.time() - t0)
     dt = time.time() - t0
 
-    aprueba, veredicto = resumen(resultados, cfg["GATE5_TAG"])
+    aprueba, veredicto = resumen(fusionar(resultados), cfg["GATE5_TAG"],
+                                 esperados=len(todos_los_prompts))
     print(f"\n  tiempo total: {dt / 60:.1f} min")
 
     volcar(resultados, dt, veredicto_parcial=veredicto, completo=True)
+    sin_medir = [r["id"] for r in fusionar(resultados) if r.get("score") is None]
+    if sin_medir:
+        print(f"\n[PLUGIN DEGRADADO] {len(sin_medir)} prompt(s) no se pudieron medir. El plugin "
+              f"de Penpot responde pero se degrada tras 5 o 6 prompts pesados.")
+        print(f"  Pedile al usuario que RECARGUE el plugin en el navegador y retoma con:")
+        print(f"    GATE5_ONLY={','.join(sin_medir)}")
+        return EXIT_PLUGIN_DEGRADADO
     print(f"  resultados en {salida.relative_to(REPO_ROOT)}")
     print(f"  PNGs en {png_dir.relative_to(REPO_ROOT)}/ (la puerta no borra nada: las paginas "
           f"quedan para inspeccion humana)")