feat(0035e): manifest auto_group_threshold override + propagacion a Python

Manifest YAML puede declarar 'auto_group_threshold: <int>' a nivel
top-level. enrichers.cpp lo parsea y lo guarda en EnricherSpec.
jobs.cpp lo inyecta como campo opcional 'auto_group_threshold' en el
JSON stdin del subprocess. Los enrichers Python que crean Groups
(web_search, split_words, split_sentences, extract_iocs_text) leen el
campo y, si viene > 0, lo usan en lugar de su DEFAULT_GROUP_THRESHOLD.
Helper _coerce_threshold tolera int / str / None / 0 cayendo al default.

enrichers.cpp

@@ -180,6 +180,15 @@ bool parse_manifest(const std::string& path, EnricherSpec* out) {
             // Si fuese inline (`params: [{...}]`) — formato no usado en
             // los manifests actuales, lo ignoramos.
         }
+        else if (key == "auto_group_threshold") {
+            // Issue 0035e: override del threshold de auto-grouping. Si el
+            // valor no es un entero parseable, se ignora (queda en 0 =
+            // usar default interno del enricher).
+            try {
+                int v = std::stoi(strip_quotes(val));
+                if (v > 0) out->auto_group_threshold = v;
+            } catch (...) { /* ignore */ }
+        }
         else if (key == "emits" && val.empty())    in_skip_block = true;
         else if (key == "relations" && val.empty()) in_skip_block = true;
         else if (key == "uses_functions" && val.empty()) in_skip_block = true;

enrichers.h

@@ -48,6 +48,14 @@ struct EnricherSpec {
     // Parametros editables por el usuario antes de lanzar el job.
     std::vector<EnricherParam> params;
 
+    // Threshold opcional de auto-grouping (issue 0035e). Si > 0, el
+    // enricher debe respetarlo al decidir cuando crear un Group con sus
+    // resultados (vs dejarlos sueltos). Cuando es 0 / no declarado, el
+    // enricher usa su default interno (DEFAULT_GROUP_THRESHOLD = 50).
+    // Se propaga al runtime Python via campo `auto_group_threshold` del
+    // JSON de stdin que jobs.cpp construye.
+    int auto_group_threshold = 0;
+
     // True si lang != "" y no se pudo resolver el ejecutable
     // correspondiente (ej: enricher Go sin compilar). El loader deja
     // el spec en el registro pero marcado como deshabilitado para

enrichers/extract_iocs_text/run.py

@@ -48,6 +48,17 @@ DEFAULT_GROUP_THRESHOLD = 50
 GROUP_PREVIEW_K         = 10
 
 
+def _coerce_threshold(raw, default: int) -> int:
+    """Acepta int / str numerico / None, devuelve >0 o el default (issue 0035e)."""
+    if raw is None or raw == "":
+        return default
+    try:
+        v = int(raw)
+    except (TypeError, ValueError):
+        return default
+    return v if v > 0 else default
+
+
 def progress(p: float, stage: str = "") -> None:
     sys.stderr.write(f"PROGRESS:{p:.2f} {stage}\n")
     sys.stderr.flush()
@@ -206,7 +217,9 @@ def main() -> int:
     try:
         has_group_col = has_group_id_column(conn)
         n_total = len(unique)
-        threshold = DEFAULT_GROUP_THRESHOLD
+        # Issue 0035e: respeta override del manifest si viene en ctx.
+        threshold = _coerce_threshold(ctx.get("auto_group_threshold"),
+                                       DEFAULT_GROUP_THRESHOLD)
 
         if n_total >= threshold and has_group_col:
             # Group heterogeneo (provisional, ver docstring).

enrichers/split_sentences/run.py

@@ -38,6 +38,17 @@ from datetime import datetime, timezone
 DEFAULT_GROUP_THRESHOLD = 50
 GROUP_PREVIEW_K         = 10
 
+
+def _coerce_threshold(raw, default: int) -> int:
+    """Acepta int / str numerico / None, devuelve >0 o el default (issue 0035e)."""
+    if raw is None or raw == "":
+        return default
+    try:
+        v = int(raw)
+    except (TypeError, ValueError):
+        return default
+    return v if v > 0 else default
+
 # Split por delimitador de oracion (.!?) seguido de whitespace seguido de
 # inicial de oracion en mayusculas (incluye acentos espanoles). Robusto
 # para texto en espanol e ingles. Casos limite (abreviaturas como "Sr.",
@@ -273,7 +284,9 @@ def main() -> int:
     try:
         has_group_col = has_group_id_column(conn)
         n_total = len(sentences)
-        threshold = DEFAULT_GROUP_THRESHOLD
+        # Issue 0035e: respeta override del manifest si viene en ctx.
+        threshold = _coerce_threshold(ctx.get("auto_group_threshold"),
+                                       DEFAULT_GROUP_THRESHOLD)
 
         if n_total >= threshold and has_group_col:
             group_id = insert_group_entity(

enrichers/split_words/run.py

@@ -39,6 +39,17 @@ from datetime import datetime, timezone
 DEFAULT_GROUP_THRESHOLD = 50
 GROUP_PREVIEW_K         = 10
 
+
+def _coerce_threshold(raw, default: int) -> int:
+    """Acepta int / str numerico / None, devuelve >0 o el default (issue 0035e)."""
+    if raw is None or raw == "":
+        return default
+    try:
+        v = int(raw)
+    except (TypeError, ValueError):
+        return default
+    return v if v > 0 else default
+
 # Tokenizer: secuencias de letras (incluye acentos espanyoles + apostrofo
 # interno tipo "don't"). Mas robusto que split por espacios para texto
 # real con puntuacion adyacente. Numeros se ignoran — pensado para
@@ -264,7 +275,9 @@ def main() -> int:
     try:
         has_group_col = has_group_id_column(conn)
         n_total = len(words)
-        threshold = DEFAULT_GROUP_THRESHOLD
+        # Issue 0035e: respeta override del manifest si viene en ctx.
+        threshold = _coerce_threshold(ctx.get("auto_group_threshold"),
+                                       DEFAULT_GROUP_THRESHOLD)
 
         if n_total >= threshold and has_group_col:
             group_id = insert_group_entity(

enrichers/web_search/run.py

@@ -50,6 +50,22 @@ DEFAULT_GROUP_THRESHOLD = 50
 GROUP_PREVIEW_K         = 10
 
 
+def _coerce_threshold(raw, default: int) -> int:
+    """Acepta int / str numerico / None, devuelve >0 o el default.
+
+    Issue 0035e: el manifest puede declarar `auto_group_threshold: <int>`
+    y jobs.cpp lo propaga al subprocess. Cualquier otro valor (None,
+    "", 0, no parseable) cae al default global.
+    """
+    if raw is None or raw == "":
+        return default
+    try:
+        v = int(raw)
+    except (TypeError, ValueError):
+        return default
+    return v if v > 0 else default
+
+
 def progress(p: float, stage: str = "") -> None:
     sys.stderr.write(f"PROGRESS:{p:.2f} {stage}\n")
     sys.stderr.flush()
@@ -619,9 +635,11 @@ def main() -> int:
     try:
         has_group_col = has_group_id_column(conn)
         n_total = len(results)
-        # Threshold: por ahora hardcoded; la lectura del manifest
+        # Threshold: el manifest puede declarar `auto_group_threshold` y
-        # vendra en 0035e (settings UI / overrides por enricher).
+        # jobs.cpp lo propaga via stdin (issue 0035e). Si no viene, se
-        threshold = DEFAULT_GROUP_THRESHOLD
+        # usa el default interno del enricher.
+        threshold = _coerce_threshold(ctx.get("auto_group_threshold"),
+                                       DEFAULT_GROUP_THRESHOLD)
 
         if n_total >= threshold and has_group_col:
             # Modo Twitter/Reddit: K sueltos + Group con N-K hijos.

jobs.cpp

@@ -391,7 +391,8 @@ std::string build_stdin_json(const std::string& job_id,
                              const std::string& ops_db,
                              const std::string& app_dir,
                              const std::string& registry_root,
-                             const std::string& lang)
+                             const std::string& lang,
+                             int auto_group_threshold = 0)
 {
     std::string node_type, node_name, node_metadata = "{}";
     if (!node_id.empty()) {
@@ -457,8 +458,14 @@ std::string build_stdin_json(const std::string& job_id,
       << "\"ops_db_path\":\"" << json_escape(ops_db_out)    << "\","
       << "\"app_dir\":\""     << json_escape(app_dir_out)   << "\","
       << "\"cache_dir\":\""   << json_escape(cache_dir)     << "\","
-      << "\"registry_root\":\"" << json_escape(root_out)    << "\""
+      << "\"registry_root\":\"" << json_escape(root_out)    << "\"";
-      << '}';
+    // Issue 0035e: solo emitimos el campo si el manifest declara override.
+    // Asi las pruebas que NO setean el campo siguen viendo defaults estables
+    // y los enrichers Python solo lo leen cuando viene declarado.
+    if (auto_group_threshold > 0) {
+        o << ",\"auto_group_threshold\":" << auto_group_threshold;
+    }
+    o << '}';
     return o.str();
 }
 
@@ -1050,7 +1057,8 @@ void worker_loop() {
         }
         std::string stdin_payload = build_stdin_json(
             ctx.id, ctx.enricher_id, ctx.node_id, ctx.params_json,
-            ops_db, g_state->app_dir, g_state->registry_root, lang);
+            ops_db, g_state->app_dir, g_state->registry_root, lang,
+            spec->auto_group_threshold);
 
         ProcResult res = run_subprocess(job_id, run_path, lang,
                                          stdin_payload, ctrl);