From c9e1f74e23bd3fc9ae34d49c2c8c02e40467c6b0 Mon Sep 17 00:00:00 2001
From: CyberSecurityUP <joasantonio108@gmail.com>
Date: Sun, 20 Sep 2026 12:34:34 -0300
Subject: [PATCH] feat(cvss,typesafe): data-type-aware impact + evidence
 back-fill; LinkedIn article
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Addresses the benchmark's honest edge (a genuine BOLA credential dump graded
Low because evidence_data was null). Two fixes so criticals like it are not
recalibrated away:

- attack_graph::backfill_evidence — when evidence_data is null but the agent
  recorded a proof in prose, copy that text into the structured slot the grader
  reads (no fabrication, just relocation). Called first in enrich().
- attack_graph::data_class — classifies the demonstrated data (none/data/
  sensitive) by scanning every evidence slot for credential/key/PII/payment
  signatures. cvss_graded now grants the confidentiality receipt when sensitive
  data was shown, even on a thin structured receipt — the KIND of data is itself
  the impact.
- TypeSafe adjudication adds a `data_sensitivity` Score (public → PII → secrets),
  carried on Adjudication. The pipeline regrade only strips impact when the
  model was unconvinced AND no sensitive data was shown AND data_sensitivity is
  low; a demonstrated credential/PII exposure keeps its severity.

articles/ — LinkedIn article (PT, no em-dashes) in Markdown + DOCX: explains
TypeSafe/System One/Jev, NeuroSploit, how to configure TypeSafe, the step-by-step
benchmark, results, the refinements this forced, and offensive-security use cases.

383 tests.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
---
 articles/neurosploit-typesafe-linkedin.docx   | Bin 0 -> 20798 bytes
 articles/neurosploit-typesafe-linkedin.md     | 224 ++++++++++++++++++
 .../crates/harness/src/attack_graph.rs        |  99 +++++++-
 neurosploit-rs/crates/harness/src/pipeline.rs |  21 +-
 neurosploit-rs/crates/harness/src/typesafe.rs |  32 ++-
 5 files changed, 368 insertions(+), 8 deletions(-)
 create mode 100644 articles/neurosploit-typesafe-linkedin.docx
 create mode 100644 articles/neurosploit-typesafe-linkedin.md

diff --git a/articles/neurosploit-typesafe-linkedin.docx b/articles/neurosploit-typesafe-linkedin.docx
new file mode 100644
index 0000000000000000000000000000000000000000..1713b1d89b0dcb7d342ef76dea630c4d160987b5
GIT binary patch
literal 20798
zcmY(rV~}RivaVaUZQEv7b=kK4m2KO$ZFJeTZQEv-aeJ?G_ldK9%rPV8uZ$;iL?qsv
z3euopXh0xPP(b3|Y`Re99Wz0|KtM5&KtQNKKtS5UcDBv{TW5V04|{-<E`z&`b#uz3
z+#nN@s2}+R2Dz;!QSiG4kggE<1Z3NDaZEU0D&P6xZ3Y>e5L9AnOP0jURJNCoF>TTL
z4B9+|_t<>wp&?H=X&sD<t@`1s53}^m;kilE8ZQ)b>jqQos>qFCc>aokiNt)su~g`e
z#6gKZH05%bPCy$z+)c2Mv;lQNB(l7ieEfJr{+Y*UEv_a(T+wK0Z6eO-LOY3iVjJB>
z<*Un_FftDXr`k_lnzyF3N5c*D<yJ@*0`!u|x&=-;pdBQplI>UG0ShgtTTm`@@ruXs
zkWUS9rnEfc0+X`!yj6Y3F)otBJMpz#iGC{xPaKSpK`!-z-JR>GA5VRWX5i`0<cInE
z7sJ5v0F*eTp!ZCH2g2;LqVYRBtD43b061;eJ?h4}|IsOq0ZNT`6I5kYGDvPM98{j$
zd2}a|_UT7r&wjM(e35)oz<g%MF^F5OoBOhfaSw;G`{enuH8_gboL20lWj9<%*+ri?
z67(${Hrynk=AKW>`BG@<XLX!X;lF&=>Q;Pv`p;JjAV5H{|K9qJ0Ba{khW|OM6J_N<
znc>80Q9O3<(O`tiEjY`S+@MlGH6qL?3f~kDgxdLliSx_hbe*wJA0LyB-yCmSFEX4Q
zn9b8U=&2AWv@kv4<Fb~IAX1~=K<y+g3*i{hRkelYnZk>;hm0VeRWj4Lmhu=(<(2Z<
zM@3E|JV&Bhx<@{ffWu^(TW}sW<OFT>Q1b?2bx+}TMH?USj>f|EBcw{V8qM7!)(gMr
zIMHEY;x4CVDh9pw4c6t9YQ8k_((KAAo%AQcsY?_~CKpq_clbRq8pwhvObIYO<)d+Q
zbDShi)ydxdqWM|$<=pMFqd5PYhpAC{U;-5o5Zx3I5b{4BZg!3)j3#!*E;j!H`F|q#
z+D9`EcRb~$(@#_Ylc@u^A=2c!X<5ugvf+5%G^Jx3R3{&K3a&vZCqwX5D21)fU;kFW
zE#2cRBP;;!O!8T}_aW~!ZR;@yH33$%B9c6T++xYRyp4?2n0wMKmFu*%msj41omG=y
z{plp;TkSTK#lm2aDrc+femjYGdl0wx<3zpJhXc+=fr5e_?TctSY}R&%i#GDy-isG;
zMyBwQo|m24hqFbq5Y{tGwk2<!F58rY$wTf%`rulywzW6sjH-LzHc97%!}V7zh|?r|
z-)=G2Bj<RHXVTPAM}EYq**x2eTO+4kvL=sn>ji~k{Q6dGl&wKh!PfBCeQ$dAC1xYp
z^D5uv3xk6lUFJ_n&(zd_%x|yB2f3m>7`J?Vbby-d?fMhUi@Dtw{o4bC^1@i?Z0}o2
z;m>Q#7xnzQd|Aj0%wKD)5KcQd1lzeP70Q#77(#@PFi2BMC<He|gpdAx^D;Lkt_|LN
zKhL1S9KBnEUrf9oVVp~@F0<#HucwM5esWQ#^#z;L&fbqBgwYUy7l*%gtyNL4gr!%8
z{L8?6u9+EICag|}S=tog4{v^&=x1Cw0G_1@G8)b#mc{eW-sT45q?36W#1vIO>X?N9
zSy<Hc#GP}tCQF<&RMh!a`CR$w3Ibf0_g{=>6o|@2LL?(o3xui^7cyql^jJIdAea=4
z$qZ3%yUJM_aIJfSW-L$AGB0w;$HSyK=aQvmX0$Tz&mJPAL-FQ_;>_3W6GiD@!XihJ
zZ;MNgMKIEf+AL>7GbHa~RbDSQb`@by{A~5Ak7*OxkQ5`TmQsUCs7dEC=qFuu_+$9^
zIG%YHo^ninDPm7_fCnO0vVt?rS>vj~SP~eO#W(4~KSL8fb>XH$zv(TC3wD{WLRI%_
z&3ITNpULAWGJjGflPj1eWDHxE@=Ws1^yZg_6eA-{l33`St>$;TO)NvKe%@C7;vTXw
zgHzq{N{FPQt?-bA4XH|`EFgY9Fa7@5ug<)SNpIpWx}L0sQ5EYdWfaH@O&t_rlOYp3
z>;_jvjpgYD5j9U(OC$r=fR!9^PZt%#6U^#^Cull6Im>&pHhUB-PmO@Xf*vI3*i{_9
z(W*9reua-IRE38o&EqE8J=phTmg}wwV)E=Gm;L&rj!}Z*T=oEZz`snV3dzMnpO0=E
zs!WR3OJpn5jx$z(WiVFd@XHa+y$a$={0Ky4t5?86_q?Q0I?_&Dl@AwHk0(Tg8-kR4
zG8Y=8l>|B>JLVbsL*zy8$7_e0{<H%&tSwsFauGny>ctadqvFhfl1(R27&yFg$impN
z^fIJ(;*GONlBhCXI3$wc5>y~tkr#=~v%c)kul5pWx>8UkYm?0Bw}z9Zj5@@~Rx||T
zCv0Ofv7m6jSVm@Y<^ofh{u8YWZYX0TCPdsnBu0idn@<?Bf5!jhBj;9wF*45%zjXA3
zgdZefkAK7aL(VK>i{F)T_B7SKByWK)GjoW+Q!-3&iAiPxA2r7%6|Qyi1HZvtv<=h_
zt2xi5FE0pa@`sRy^ekC@>^;RqPK(DdjI#6P#a&Q_O$nN^-EqeV8D6h@$zny7oryH`
zv$B&KG7U4suGoU^UjXvT92fTxgzER1X2er`@JajSiQUI#xd&_W{5-<jKa;zI=!Ssc
z7UvndH>~mUB&h%5`qWQ!1s<RWtq-SWfUYz<MDw-J@~%AUwksKkI}C=HH5j--AKix`
z3zIE^X>n*FBLa|MK>kXBmK0H1PM9WH7#DG2fj3oBYDh{HVW<9$I}h0|IqUyNBO}Ql
zZW1$L5S)f1>8&awB7=VB%%Nhsb*W<YqGIt0J$i2y9fGQmdK-(V_#~Yb{+F^P$(zYH
z&B&dMlk;C8R#a^${e5sTI2@Gn2t^}9kaR`T0r7M<G@K54o6=`1m6&iWA1RgsVP!-t
z*+hSuhD4;+kuu`A_QZq7Rbmq=CfIS5g-)J`5xO>W6T#q!ItU{`Qgf4RWQ3i>-fu8&
zn0p>ea$-Sy2bknO%h_6&u#oVic6uV2p`a4jqWW<-VXHg7aiEoCvcOQGzYWL!vA&aU
zpkb)pCa3UD`XQmte`W6el>Vh$AYA0wh7ilg7ViM@ZYNFOnpAy<CYaW0alp-V$DSNr
zKH+Yc&MzM;RD@1^3q#HkA<~K~)W}x`NE|7M_J7(D^l%V7qla&2;~G)J&KW`}%>IbM
zUYv~wjnwA!Js*a>6KOG#p2!MPIX5eV1#V?Ivo{wY4;MGe&QH|y_&TS#jQk!89y{@y
z%pmf&bB={((l$_oYhFN-K(Gta03{7!=YJVeO5az7@H0Zi$&SuJ6UrD9Rs0q8Mc(~B
z*;(*Yw|l8dQT(wyu*B-Ymq-{V=jhh_@kvkX<Y-#d_s3s6EZ-A1Z~T3&B1uU$E0H5j
z5u%$slep1ZdfU-i=SS#fKq<mE@vOo($l58jcNx({INiRlQrq&|F9#xvSu(9%;_+|)
z*M`o8ia{29QpT7jh)0HpCCS~QCDo5q^j-b@f`vijvP6U^v7)GqBk}Mvis~6w)C7=L
zl)H36bbu!-39HsdS1Bb4eh0WBG%GzB$)ZeDG|`kqQC2ehZi$3MLK}i~+16O_s11J<
zy{EyXdkOwPY4`vN1DQ20uI!3%iBhUH1TE%r(ejPkuc0Ma8fs^4WS(qcd9ciWH$_+c
zsp*@9IWjP>{1DO|u1PTkNQp;Ff<#)y=@j5cw_tFn@L{viwAd2^RwYeIXyc{!Y6_qp
zu=p@bj-QP06L>O^?QE)nei0|jZ)qHG4WJHm%~r71^%^rHART5n8)s{OOvkd*jEF_2
zt$8*+%ptE9y1II|`k9dF@KCX*#{nMJIs)*o5is)4Bi61WYSGg=16n9x1KfcuiWR2y
zyQf+|6$GtytcHAaOh}md#`J2T9oSMU0Q8*>5ba)8{G`mdG3Qzl8t23~2!0C~I#GwY
zB^_jdhJ=<_aD*{wf3+O;B?ieKChCuGiI(}wvXDNW4tdif^$N*fHPYdjcgV`oxgzVS
zg&sn#d)gV+wT)#=3LNkl?peNJ_>OW)rUdnwTLO3Kp(d*1p8zami|mUx+V_+_Lr%G=
zIN50C>aLIO=fr^`O?<&NuM{{K_zVMs6LMt|_b62-Qy~~b<poISO(pG%7qW8;eKcvH
z=PV?)8FwFR$#RMmWSOmZ-z~YYO$&`qyq4Ybq_Y>xGBDiLZNXL72(r${v?r1fGitNh
zg-l)KpndIMTDZ>~Y`Ir>$G6W92?jAy<+RSrnosZ0?g7{~%si|lRMHsUmB#g;IrAd&
z$cQ)*g5IXe5{qkhB{S_)pmQOm>=$*-7OVqeLZ@tS95PmJSAmkStm+yW1fs7rvhd!E
z5$V2<d4jvH$+)ABAbF;^jfZi@C?D-uw~y+JW06VmHjr&XOqpe+<wGSzHknA1QtS-e
zd&fd75LEG}L?CU6o#9Uc4;XMpG7T1oHgy<%^a=hM7+;rgPu1vq<1|?3YZ0Oc(REW$
zzl+H<un8L!j|_E4W+I7j`nUBKDCPG_%e$ek)Lix0o@1g}b8ySkA@p7clPKf-2h6nS
zMBrCN6effPsxy8dB-jYf_b3gi(zEggcYJ53@Dp<(A2AgsOdyfFp#H24Q~LFE*W~aI
zlOQ5w`zJ7S?WcO3kH9@QMN{%v@J4NwGLzeHv6{{jEk-K$YhUz?C!N&tFr*52;wzE@
zC$kZSH++^+#on)d6!!{!(2-l&mhMN+U(jXF=nrDT5$dyV4TD!5Wao>cAZc=UWV(N>
zg&!S#EG|x<pswrIo_CZV8Xj*>x`5S5LIfWAN*gc*{w!DWx)J8_2UrT0BKB;qU#RDD
zfOvz+gNADC%srgRg36Ohov@{bqkx3@b%--vQSVbLMWYNyf#w@;C~w{g8UG;HU?N^~
z7aWwEj5c|*kX|a`+u(cR|B7&gHa(86pao?LrW?c(8i`fbCc+GGemNE3Y_(`m9+<ys
zLBOu(+O+f$F+R%JK}nE^YWqyI5WI_Y#tcPCB}yosSt}3VrNx3DM7$SbF<zGiI%b+d
znj2mr(FLM_)-B|7JaC(dC65p?myWR+QB%z?vu;J39jEvjFUG=A#LI{uqe#HjK%DeH
zb*xu(r!#5sC73vo#ON=Ajn@?VB=J3QG&WEthADky)%1V!D;=U{nwpI`R?4Z3GRa-5
zLmnJhJ6Pj4_7ix|mX)TL6OLwGKw!rpBZ4{ski+kWL;^mL*c`BiPtkQ{p>?+V?hMKS
zhvj8p{lI%)So+Yy1EK?qHK_(7OylH1?8RLjMUsOvI$c7Pnd;LOrh5Kbf=pBtsJTHn
z?f3vO6cL;YTuWXlGm7d1kBiutObgN>AiKg#lE&jQBdixMOs$bGv9_Mx#@$<dd;<8`
zf$eX_HclQWH;AI09U?5kShwf%pWKyw_i2s?g!Qp->1L92CTu4y+~OX3*-NL4z%1Eg
z-kKxZ6yJq}r}7D*Mh1|$c=PjYp>~@@v=2iaOZ4rFo$e2OC=%E7VN+(J$sO8=hNSH*
z<`R+y%*}{J+!UATG!D|%p`c%p08szgdw{8!W)|vte_8!j1b|@j>xAyeXxjU(2__5$
zh<Nxo+K;MBE!ch0^n8Y=Y24v8xk+NLJHd22l-gXyxyuVFD`ZAr3--5zm>$|7s|!@^
zVb1o-_(W>Hb+LlG)rx+KC5fPWZ2*37XzLOoGRkp6J*jHVv>@xWLeQjKg}_<q{;(F*
zLA^t#f+84PnoELkiuUB?RvputGT*{{`w`oKt5FkWe~&^oCWjk__|7MFnRuk1@bQ=l
z>3t#+aLVb8W^OOO5#Z5e{+#$C2^E#o*0%<rPY5maC^z9^b4E{i0^Ar+V%{d6ph<;z
z8(w{8qzWzh9SCqAwil?E%TsB`^GJCkP9};4H*;%Bbj{+Y3>qZ~J_J%sR_!gGZI*0V
z0_~FzUOeLf-+t$z3u(4~<FhJDv8?U#4YtTO^QtDvO>!8!%ZJ8ZNY6&QTShD^!{>r5
zj19bnYHJXF)gQd|pSwOkKjg)Cd0818)n|<v@`YeXr;4EB*K%Wk{?2~B9T#VlgcM{S
z#|UQ5TnogPeVViQlNUsT<;WS73;%Elh5rhe+>2m&8^TbBQ`N)IrUz?XTM(!r``8Y!
z;CiBR1v_{qHj{J!ySql<fbJtFgWHUVd;4_Bk${?~wYca1BN-)Nh3sw@r#^6yC7BUs
zzDH&sB+)SO*&iY$zF6Y1!-1;XB@ifygo9#j3wgigfHMv^%#4uVnXT{3Vk+|^#9Hc6
zc}~Q&!M(M){52?8i;0JTfH?A1B;1I4lf~z>M2Ls*j3@?Km1C*39leg<laZm9B;64|
zyECS=OO><*@glVV6W1{#Oq?Mc%7sie51lQ4BQU!u-s-FmG2LgCyJ_2NB@T|l+R-6x
z3KwITVzZ`cfs1r3_R#tZX(|@d*4anCp<L>;C`B%-228`{Mmic6&-3$)K_t*sP}4{^
z@yY*!ghZ(2Xb*8h<WYW2IYlJI<Ve+FKFY14UpEN0-O9`X6H>Q<k{;yT7PGVB`od&r
z)M%xvD5$^@@r5@M@E5Un;wCrI7iua3e!8KbD?Pq>uor-a>9$DuT!xz_gvxRN;4(PB
zCfvI-^FHrn1jmxL`{Y9@6svE4s?PhoEZQs^b+i4ED1JNa-TGdY{(Vl|Wmg=}@Kv0Z
z*7MgQ0r^<xeWdqW+9GQAsN_4L;#mAEjU{oG;}Xs0O~{z+k?UcZOKSASO@3JW0&R(}
zXdC1`$_IlV7%eG5g9<BmRSwIIf2iO|(sG@{DjX+!v54`gocPc!El(^k)Bubyz{_mR
zEMjY|UBUK>VIn4{X0qZ&i!4badzu27CHAk$w32a|-02Au?CI}$t-XKsA-2iBK@fv%
z>klk87gtUGV06pRB{3*hx?`^W23UQxpIC<9Qs=1aM|RTE)iJpisfDGD5k0MP$m0E*
zy%%nUa9WzvD7YCoMjEE`wyoe*B5LO!8=kcpY1;+Bi;YWW!#NVOAQm|hWp<dw`yZYe
zS(C2EO41RZ>(8^LP{1PF_dD#H&(V?D;w5Fzy*pJ$xgwIkZWvPy@AYD<em^CkGWZ4v
zfkdcBAL_b@vgzKvXiQ3}2o^;CF-_9ts%Fgk54mW=h$50Pg0aieXBx?YH!YMYhVc*6
zTMCG>x&SCG={;m?uh-|@(|mWBTi)lH;@hbIh<Y&sN$h0O3#RL}>!V|E^bmDJf6cCc
z*906_m4#0^4gJhmU__uH(j^O<E-(G#jqQs)xv}Yskg=)VeERw|50J?#6>tHycFlUE
zVOim?Bwd%!shEik?UHQO`aO{Jd}CuF%nN0cA;%V+&4%fu?-<n8y5GAf9J3Do4!|}Y
zAau?lllK)fDwFLa#v;7R!N18~Vl<K-9aTHfEPH!FhfPRzMaH2scG5`af}<O&%ibJM
zzJQQPi}}bG;{YuO8uv)TJMal5EfXH=DW&?pWUS)M1*#O|!1$zDtylvIDj8yuIPMXs
zhjH;E;VbHzLI<_Af%4vRg&rnMrZrSf+G_VT%XoZVm=hykS{xJYH2QAk(#BVg6ayP%
zhl6Sbq!{d<eKC>4ElzgPMcX=*5*cj8J`zzaB4m;o;*wzi!lfLpI~|_e5u~#TvhTC~
z^CX-%nIihxQ*EA&+`p|(x%skb4gCPwrsXgf9Sk#$C_Ve`@q+i2vni8{Rfqd5(c8bZ
zl(2HU&2iUYCK(vI8qLBbW!d4e4z|6r<XvHcJ@0qlHjPyU$>v~U!Ft?dyJe;;G3*Eg
z6CWkRS1Z38y7HM{6TY%Okj`bjsS5dys;jHtr`nd3i31o$1FhwDCjb{eI*U5)=2ZP!
z(`Ji@cclH)Csb4ztLO(s-NnFW`CKsed7|0$1Wl$SesP=4Uf!ahc><4}R)xi$J6w{c
z4Vku|Lww<gn~#Re)y{C75Wngk_02syx^bxYue+kaP#&%KS53Z;lxAQ@1KX6=*f>IL
zc7d?T1?ykU$KRZw{c>$<10265B>4~GmP<JxK3y*)ZLsxIUB3+`Gb{kbzFkKkuUiD&
zgq$!WM2v%)2KxhgtQ0msC=pUzdFCKFVq6hp8K8%2*{I-4xV`71Yj>cVaoWFmo&vPo
z&<M~aHo)^Q1_0$h$xh6w%IX<tm~FI>3l3)L7mm)}YzERfY5)+-#T6)@ksJR!+Iid!
zdCDIvzYO4o*Y7<NPymw#9Z>yh^L8bWxjG(?)^`mzvo#_+QKdNJlFc@iCV@O%9%*n6
z$lh>RJh?@pd>#@8jspnG>4n*&deRtv;vwivc?PeFjuwVc)b*mw+eKvV0qQhBCt+Hr
zEVKxYe<3|lEGKya`bR%I|GhyPPe|C%NtMq&tlJSct>&3f{}85jA52C|KQNsuZzK2T
zk0br3n(DOR28CGAg0>^mAAWY-WQl>k_4W0M3fnOD2y%(%%ybhQj$5A>|El;&FEXv$
znqwr{U)o&oPy5-zGU_hlQZ=$dsp4!x;OuEj{IrKEiGPd{WJ?`sm|MsaXaCgNF6=sB
za+q*P8XjI~PDJ?X-$wcHXlF;tF8#e8^cr<W-D8dwIqz@>T$a0y5;hkya;@U#09C5k
zb<B?+dbx4rX!oYl_s))HuQs2<8u}wRG@6D<S2{#iC@(w7`Ba>xUpLPh0_440m=`}f
z)ZEc7_sVX@a^1Eh2TfzDfa%-lKi_2ZS*S`x^M0nn5Z=9(xp7=phreCAu{AS%3A~tp
z{HWD^%VE%}t$0&S>UH-|2%$84d3z219t245?d*%%*X~jY$sLLG#frGF*ECxkj{+)V
zHznz^9FKh^DcW9l2;Erv?Y%k!@&5I4Yu(-=wiiMm`gPw6em;DnuT?2u$$1a9S=&ml
z!WobL_H<kcA5T=fLBP$eaD4V>dI;yaVbh*iWdRq=H_HXo)t%Safxchjf2~0rzps2R
zaP}-j5Q6!STfZQ`;`Q&6pZfBni`K8lvc>tJ#ui-Ma-uZ7^WAU?Uq()iZhf$O@6x>+
znB^x@(YFT{ULd}HI=tI{ctVf#)|KAoua3Nu@=G@%NB>l}1#?8-_u_GPiFF=Hfs{`G
zxfA|+`n}R5-K*jHQ&jMRIe8NWc#+h0rG=_v4Bf^YyooY=8Lpe;uv)|Cfa@#*?~FBe
zfN!*|+hw|ZcBN^Qvo0vQkPC-;mrAZ$_YQ)sT1LQGwsc8rRCdPf->mu6%vyH)b7Yt(
zLhiT2-)w~DN9wmV5_hlylnXT5DM9A*V)l-=5l#?(cHFq%n8o=FMX{p3wK!{|sgf2`
z<b=x6Q<746JCYwhn(8}Mg=X~<du{UlFf;;4?2y0nxeQwR-q+3vUGBWay(M$sNWwpe
z;5>Q$po6)06!JTdWeMp2uF31O%(H8~(Hs+QxG-G%mGnlu-t->ROBU}(2zZE}42fbC
z2Y=CJ{^4}X{SCeH^$BYnm4!VLa)bCg`r7knrH2hkE0TYTXyf5h3&(vF4toC5^Lt)2
zZg($rs{$Q_^R#ouX1%wCl94;a8~+M9+wkjaJ}|Vfw<e^$1)n<*Ni=pB=&gL77sDXv
z<8f#YsoaVROE1f07n|&>zd2#Z;P?9G8`pEuKsRB)-9~52*I85D=V(1MfT1EJQQciv
zI*4X9M@;VAC03Z_iVx>9|1@vG8wBUFschiwGQD_W_=9rHOV{Tdl$XSQBqdytu<)pd
zXW<NCe6C%VD@CgVq}+GcqJsXf08V8H|L>-CxT<X$*zq6h6w90Z94d>d@Ft7%8S9y%
z2ws_6t@AngHg2Z8x^bt=s9Gn8s!Le9uMe3}FY!E?+qC|L!tt0}M!F9k^JJed;<Ziu
zTgbzp{`rI*!Y8qh{+SztCO0mAJi=&K7c9JJPp|G3zEyiyQ@?T}wVkc5K5iDSpPu!k
z*FgODy6<FVeShF)a@HD9TT$B)Jo>aChDd|a&k_>$+V<%v=Q=@TbZ0@w=5F1`JF5L}
zy?WYbf5*6~gPL)6<ncOHsg4VGI$bT@DpvId{KI&f!y4*`h7n2a3;7b~HMqX~&n895
zxtvL*txh*WGgAy6;(}>79Fq=&<%o#cvy6qSLA5fwzM1d3S#&RN9l?#)eiD#XHq{c=
ziC{0%1+d5%w}N$T@!U6hiQ&)>S#^3crXMv)zEbo6wicb!0$eh}BSqD{GR-}$dNAKz
zGrxRmmx`I5nTKEcIiGK?ZgZDD)vv!qbP<R0eci}#*&^w$HG;)L9#`8Bgx40(aycdi
zDvu-WnihFqabmvKqJ?p95jZ0<Sriwq-^LP<+|Fa~HE+ZjhXl0f*f1;W<O45mgQgna
zW*5V8@e;0}Whi1e$jQe&s?^tLZZ^hM12%P!!8P)CNeJyL1n)<(Hva&~3D-1r1En2A
z4Q*XE&Gm`F+fvi8d`FEE9}+=w|0vEq1XiI6P}}RXWhW&IHKuf<ml*TMkn>Ie@Hn<P
zj&iaXT|VdII8U`clujY}9H(G!pdLb}$a4r2Z0Rsrk3Wa$!BYgfg;j(~AMGaTjLW4#
zpHdXsL9=XEd&+6B**-c}AZ<aT(2}SB^7K|K0JfWTTP>9+Mu^!$`HBhP>=8I&j7{_s
z$4C@v+e{-?akdCCFUd~-+Q%zp#EH6mem|pzkVtGc_Pa{v9d8C_sv9BgjIua<X)y1n
z(<V7OxL;~NJC-=s9PW4A4|Ca7Pjs0KmIMhAI*ii;6!GwK80IcQv%uw~12TBXEY=K1
zs(8BZ3smJ}F3hVKuYGrl_1hnEebn^liq~ZmmPl7G^;SXF@G%%?BZSjg*RH;DcuLW|
z`TF;H4Q{&Tg!M8bBhHmqVPrdJD9xKMVa^Rx(%gEjoIT9sRP1WM7w>Z(E;d0oHoKOo
z<6!&V<bG3q4`lN%GU`+hHmw`RZR!kBWT(rRi;7F`>?<*vOyoYwGo}OC;upw?G`jI^
zJCQhIlW=DI$V6vZ?qdI0@5@9FL=#FRox=xr0@L01Hf!g^r9keVAdiy07zkw!0AW01
zSvf-<6G@9CD<{($<zzR5Pf;(jYOXs>kj8aY6w0?j@%PO1;vqH?s|KxTHJ*u>p3}#O
zQ8(y)Glf+WTcEELsPN1kD#|MKwq2TIdK4;C#ibpi_oO+DwPtNe#O=1OzQp;(8dK?{
z!-~|sV=cD$+kz#<3&k_LEHmqe%clJ8-a;=Ys8))LO4^=|%9yf~^#zsA`Ag0rye2b-
zAjy^YbVp)&p`j$2+9amN&D<~|6Pv;~Z$>nDrt=C41SZ%E*myHv844>9UO87*n9iPf
zUVfz4$?zjau;^<9ao?Sj3kTj+c$*dS-CP~=FaR6x`U!DrC%^0?%;(+q$9(!bD`;Pc
zU46f@5+~A`V$EK1^EPn=Xpay5X2GOs02Tz<Kh#56simh9`UnQ5bdN;45Y}knZcF7P
z%iVqB0)^eS`w;bNE>ZewwmP3{W@?ZMZ5qu1)$o8k=0Sj@NXtg=4se|~Qme!30m2bn
zt5k!F1HCt6fwFZCJn83nYkQ2Qz(gbZY9yC&dza=okSy};BP_Tjo;eitTjzc867MeM
zD*UBZ@+0*>vq#J{TzW^Ii2S5U&eP}F-tSSEm*9Bw)Vp9Yp?(#m(0XmeGfUW*Z7r;o
zTrfOb*jUvN?z}np%G4meSm4o4h|B}*q3x~s^B1I8kwDf*p@D#=RrSj(ck<Q@Dlq4G
z@?r`9Qh~o3ix0mpBG@nwY`3T#3)>p^1`eXE;<cB;dbUP3CB>P^jFI*Ns4Hp`;R9lo
zb?-PiI^?X9djQ@2zVH@E#D&}KvQ?sF!l=H8ET_(D>bVA2$Gi*baBB1&Yk4hm{PsZM
zbB69j%?WMJb_m%_?ERn1>7?LWCDZRn;8*k{Ra$NF>#RRsJNu@a4G0R+^G65e17RBn
zw<vjSt0;pNGoS|rcktHuk;}*Lirv-J&apTqeW`GKg=(OaM4(<^MCmfeVB6VW^A<0N
z(+XqJ!4OlJ2naE(t2UwIj2v*rB*#YLfjc5Q2qii!M;J+}zp7GTSC<k-hA{;p>Q%9c
zS<7oO8@zb`nB4v%6*JQp#FKmDX#bgL7EKLXZq<(@^uce%ei9u4|HIRRjm0dS3A=iK
z)-Al<uhirc2eSgna1;`f$ONnaA*S;8B?Td0CqQIBTP8Bn!4BvJrd+*T2Z)5&*Fq0E
zV&+qY*}_JcZJ%=h2$?HHY;+*7ebj{~SUl_!PkjcxXIq`1_9IKZR&pkM^UTUZPV#w<
zgqosR^=gGLVJ1aKyr%#;0+68B4<RF-y?|fevprbaWSc5NKmw-2fJmzWE-AOJg*a)l
z(X(ts`#2-&nv@999ssSVP@NiU%N*gN5k_}7(n7ndDNKKvDuSzyxXN5rIPCZ_MMVS<
zT!Yi`PCHXR5Dt1b^J8O0w(e3j5`4|QU5g(J@`H;|kHr5TK!%RFMsKA<z|WBSWwc^{
znf}J8ar4Gll-_yqu9nuW-b@C`18W!r(0-`n7_)-J!X2c0jYtz>PMd$#8ff>hhGi!K
zMc+XMT!2?ZbRTAoJGYJUA;)<Hv^Dz!6Axnc`B1WH-Vbb+#?e>{X+@7F0O#l00n1RF
z*#}hc$Yxr;+4HDcsNo>#z%{%+j7be}KUhfN-yHA^&-k#oPKV@hLBz=6{f>Swy3bwz
z&9%WA_F-zz#Xr~i(OKHt>(#dVFQssEdvSH$sD@cJSj9u=4v;0uY*lZQw(L{?6@|py
zVkt;N3mcSq6%v!lhX~#qTrD@mFZHJ+mu@f0>UZ1P0%)Vly*`Aus!Xs(WO$}N(vGnK
zT|#Xa(mK~cO)FTo11ydUPESEuCA#3BC==z_XYlsX01D(M?7(x$P(5KHH$VJ<bV|+O
z!r19pDh*+jLLR-lEk7>f3)he&3wa6f%VcSgNw1}GvTl}!I%wME7zJFIo`_9ZX<Lgj
zTO$2=5U}>J6CH!aaXToQ8-O0WP}*wEaywOmT7V9-3ZLbSb-+<hsGZBV<zhiwvqGP7
zrpETEX=UE1TA0#onh#QW-YIL!iYSs_B~YVmUaBosk16>&dmmlM$rh5ZlUoUE)+S?&
z8vG!Dpixc!I=E4eZC6tSIOCSwUc<?3omB~Gb62n&M3yD}oLeD0e}7>mDQ|eiPyVht
zB&w=#3vWbw)iz0REY<_spbmI8Lxd-ZjD!F@N~=Cj2_jn6HtZ@5O&&ZP<q#ajY9gBM
z6Vda1|0%ig`hun+v=56|H{mI7l!AYSdJ6>|(u{(m@y!opzS;^jZaqz8Hq)GAu)W!e
z9q2ZmW}Bl?eej-17pZ&Cb%4z@m|u!*E4vql1cl>_9BIA=<~eM|O<ht(uVbLp1!D8G
z&a2l<+g)=>|Ezh&LW`6$5}smYCCe2}3`vAz89oS7E_m<H&`DZEE!K~w^%%W7Qq`A0
zq21rmIYAbBEF-lOvJ7bo>D6}bDd8QYnl5z(fH^3%xG-L~IXDnk32A0(y<P1ezTS<I
zv4p=$4f~Mdu*~{WV%6zwxGm6oPc8^pa7tUN3sL^WToyjheudLOG|p&>ijE>RGZe#~
zNcLB+K(9mYKj07bS@VeLn9Y<;=;@7-YDd|%_KI-h+s-woTXFN~5pFnC@L2{Vt&D4B
zlZXCL#!EO-JJ4&PWUM+#+7~Tt_!2G=>Y3jy);I!8U^%d8nQ3dFtr_GnbJ@?drbuZe
zqZ(B^Bix5C1F7}};NI@QQAn3U+3I=Gs=kJZZGuIRc;4C$5#%~q+dfKsMn!OrS15g4
zDsZM_r?ui^AWpIj+@2%08L<W`6f#_qI)B2*MZ>ZXI!iOIQjHMRHe1W2OO=aVxH1qz
zkD9J{ig@f=;<JjQiJ~M95Mt$*)2DddsoI+jC@M@6xfv0RBTgR$=Jk?`{BLE(E~(rH
zXLVCIgih*<<J=Ua@@|sY8rW2Gc+S6U_<NZ|94G&*LnZSv`+Jd<f`qwdKqe?V8ab_C
z6q&SrAk6Vk4V){P1}EMsX?DfB9}R^93#mFj8%u_}xo6OUnvIb(?LVNB-0nDRXijBu
z9va`2;V}zD&w@8xl%qo;o&I(^i~&sN^_=?>Klnmlq~0jla~Z)ruFAlnFxgXr>j<Pi
zhkPA*8*V3b_P7^lk}nc;nv=$=+wXBDP{53N7X2H-=_@c{N0_cojQ}PbHl!!^G5sFO
z9J{1z)=+*_I#EfNU?AngGiVVoRsyUD;JwzgRppQhD?~p|0vm43!7-Xd))7t%g{NQW
z$-8GIkDN#@K1lKqlW{cF)s<+EmxBP0aqbMTKG%#1Kwk+mM%#ShlqD36dYRKGI*lY>
zxck_KA5Fw>5^DL)&|o|cMkwUk7xjQw4s<bLCCEWb3DhUg9i&0YDU>>Nkcc_2@U8_>
z$g5G1<sHaFuFQxbswf689Rp@91#&<i-C@2@fT`SLZ&~(OLiuR0*JcC~f05>|?y=Z$
zm>^J151$!S9|8YJN35ZYOHhQpPaG{zjN^k}CbdgVc;gkENC-+94`aHmzjQw>S^W?Z
zbl)_WwT?ISzMUce<p-^9B7VQOvRiN>EM%+4i1)mi&%C|UYEFkZ15K4R`Va07l~5{e
z#iqXt8}>@O_^+lS9PAaV)zB^ickF`HZd<e0VoN9O-h%3zMJ-{K{mNDT9>gFH)!wIz
zYrb}~fmzDMxQp(%BL4JUbLNH5UKs9ghnp;L_6}6dLBKuqzAgVi{<nVdW~U$+?4Jg=
z5ex_j?|=1+|3}pM|Ed`OBk*iq+Ljw6LhHL%CqCU-kjsg}-kfeQY1Jb1Us#OO$PZw3
zv19De<T(uC)ZzGXd=HARX(jYDusid%i}5F!3@A`+xsj#aE7{upW6-Jjd!LB9YroU?
ziH?q0Pe7cF-|<E@OzV9r)?CQq&*DERfYlq-a+P%g<AeA3wl{>%tjV#((2q=$>>}-!
zrpuD~SzP}Xo=XVBT>!o%@Qp&Pf679$1W0LmNPC|<OGw$Gzc0xzk%4xyAAXb&8?k;z
zingYuP`5w1eylg7#;MBEI9BD!%l=7+3_PXjT7rf)Xj@|aZd|7%Uy2$msitmD%)cY0
zWvUg_{7S;9NDj(mA$<S7tb2p}H@)EXXi}Sh)V%*a`2S7M)XvV?*3KE=^gkld|KO92
z7DNCch7+w7>Tru>h-My~vPCd>0)kf~LI_bX`qe|H``z{O-R1je%fH2j?qHuyhlQb^
zD;XFx>cgvJpnHOQyA)QytjbP`?1JP~t1j|4f%RO4W|F9Of#ol=cAwO@Y{0$AHTLEY
zB$kfvf7_|c`>?t4PqEua2n2-kzjoTX*cbsEEo{yHBU8=Ljon~E8m&bUy)Yi9B+j3%
zQ6Mj_uCysp`pZoQLC1~I0J`q8J^2L1x1v|zN))fKhQtf41+7P7I#QH3{X4h5-OD{T
zz5zIR0L!a#eo+;Cj|hQS&;6qI{HU>te`~jdv@6!spQ&m9!hlDL&n1JbDxq}V0GcH4
z`2f9diZf2~i1Lb7)7(O406hX!fEpK@czVf2Jjy#<HFq&@KKNDep(!?bp>=dlIZT)j
zb^tAOs`Eaf?Ba^`1VQw$#yke)72X;sv*(WhL9!-t>&?I%1T&!tVyfV_tSJiloBuiv
zaXemN*`CL(GQvr%psk2OZdk1^(zky)t7B&wg3L%-Y%0H=Nt8Laww?`UHDEoqKl-^J
zZWDu;b(4}6UOaf}!hgy|bnNPR94q`^L(_+46U7rW`+5AmV-A<;%-@>m38L*fiTgRk
z&R=a~fN^ctW{|6XFs>D096y(We|?r`R!y%A35@As{ygN}<f&u(tt3De*q|bkNY)w}
zNm>=g!bm$<qcl(g^#we<geHouo>YKN)uA{75@bjzMIv(zojA2ZVPQxZ_~4mlwW1?M
zmEpX@#e>?<>ub~d->}o<C4Gpi!25>He@@x2N2C!8U_5HQBPuK)Z5xjIZ9L<{vHpwG
z;${oARpEGM=3Tmr0tx9Dx;UhQQ1k6G4%CW4Xq$9p^D+-Z>U16OIz8|f0z^+IG(M7+
zkEh}Ue35$;JfyD~(W&mY?NsRhPFwZ1ysZBsK~wxafw3QXQS0@9uH*+8o$r3X%&h`n
z(qC`Z(fx9XyA!&owGQD?{rUOAn0cq`x~_#=k;dOe{C&e){rRpwc_0tZv4iW~rfopA
z%ju7V6<9<;cc}*3BeYtXGLj>0%$77_O%by!gVUM8_GP-jHC>GT?^AWwNtfsJ%aWCf
z#BPV=55*TEt&g_Y`&ZVJ-NH}Zf*V6xkJ>Bi_c!5x-vR*;7EpW`AfP7;ARxs5y#-Fr
z9@hWol3wd-yKR<Z`2Ox4n7qZ`1+-V4(~VZBH_B0tS8P9Hk8`bvVDLbZPk+7x>n23g
z&5^5aa3I243+(QE7&i*0b$vX3%-`?{U1^TBpT&J+J$ubD&(ApCFuv=zTylE;%)Z>_
z?sy)phw8<(xOTO^7Wxql`S4=7p8yjCyg)h@2m`!=<NW7HdI<Bsc3Ae&S-wb}#|(bq
zS%SjZ2%M#K1s!{SnKw~p%;zHQv}0w=JyJCl;m5jxr7rsY<mttcY!N@g+yvO6#w~-n
zydsFZ7^>=Erwu&da1UMbb%W<xXlla%>pjJ#2HlO89BTT|F!K$l>T7l8V}Qib@xk8d
z@{730_!?}3AHuVwy?htQ5(fCp6Uxg2XlperK~Hm~;9*V+5%0356UANTe@^dAT^8d$
zgioi_;5mmnfz2Yz<C!tK18E!bvKsSFK^9@+{rLitahKTJFWWv{8iE=!voArG|Iwo$
z!*BlmfG-4@YbBF|zvU-%0=i`bW#c+eD3<c04H+y+%W-G!)8xu~R_vl*b6XcuCz{*N
zb82wC*9z*~<8F_+gh)aJd^@NHN0>wMM_$28R(q$8cH>XvuTHc`Sf;koKE5YZT%J8B
zW5S_n$cU#O;*&GaAoH`W;iO63!tF;4U&;kc6MRp@xTj2re61ax;e6{!k3De%&_4)3
zm>{!{LPL=W1nHap&RT=zTw`?y+0Zh(q-R)2B)37$A$*Q$Yl16mf~^FrwQ~X$%Zn5U
z^m$3rZ-1keXq}58lHHsa^dw;clyYo4VSmVO2Si${MXjl-HJ7vkdH_B9=lIdNr!98F
z%p|rPIJum-y1(5VHuvqhacXKYd^{RMm4glf>1HTHX8B1W?w}72sbRwq3V7c7c0@?;
z7ka0$A|#EehDZpHF$V?!NT2jN5SlLYEMq1ilSG^ZaooCKW?FiQ3;~UFyY|QN{T_U#
z1(MRvAc{`tjdf|1Qn8WqB&kDart^(M%EY?Z!@iDo6g``-5Q;EF7GXl8Ib6cz!9$1A
zA_<B~ibMBt?J`phgx5z}?P$?f^w^M<cch1xWD_C&rlMrnm&0WHCVxx4SELgg`EQnv
zhA`*rqiN7jeRUBt$HdatBb#;V2SoGee+2-7CaQ-Y9!gTLSWID`7Xc)6K8^w!Jf1_-
zSyA`^$yLzc8+csf_^MA4We|B=X2vxY3_EI7k~{Qm7s*XV>(5QkQ!ESjU{T`cF0Py9
zsx+d}K{h*MhsvyVFu4Xw@DwNYBC342**3eix{qYO)w9x4**tLDgO(fN{eM#j5z8sm
zbHi}J8V1bOC!HTr;<?K5H+T?~PrPm^Iie@OP+zQp_<|??07AE7QSrfJDwdK*W+#^&
zYBOCcf?Xq}94h^&;1O!e<aaW~bVJv7K_{)E8iWi6<6@V!6A&-Y&@qqXROsco4(>6f
zAze;xM((2JBJ07VM#jKl3-vFx;<_|E(nlW_vymLK&+_cMBK?%RBnRewZcXq3`DEzd
z7Fl;myTS5~@Tvo?^<g#AJ15WM9uIOU<GeOmU5k0CU5juYf0b_J^fEiuTACg*&0N7_
zXOg*jtg?z4ckyD9hSjn4Y3me}O$$~yV4L$&L$Fa!UTDh5vR!^FRN@z@@15#o<UO{$
zasN!uBK_0IMx-GmR<kOoo96Fufd0+P2sq{D^vhwsmy*Zg&TY)&iPoWFb)4rQ#q4Du
z{aYi}ua(W~R7B+!$nXX=F#2lHJ8p)wunD^`<RuzM=<?y;l}&Ug1%}-!5bv-(_7v4v
z+OB-!xFSPSZ@K_tMe#eFJ%>wbjCoI#z+xgdnTEw+0|d0RHW_%E>yGZ_=}%&r8NIvb
zvlQPpzP@FOcSZA_^mWR618AAuv2Cup<6{>%=d6B37Vm*XcOvOu47`e7C2`k1lk%<U
zC@EXLroEG4T9?O3f_vSKF>eJg&eXqDUfeAcoq6Q^N?g^nUL`HB?OXPi+*7w+&xMy|
zd)otd(?V@!YI&h?GX|I6NNIBNhf>u&V&Poj0_20EIZOI7C-iyU&VwsyYC1Wt5zk7W
zv<nZzbn_Mj7+ooh2n~q^zb>+Suy-a$&CglgMc1?q?r#0!^Qnfgn(0hriGJtsyVwyR
z4bC71q}GD2hWfkh1`W29B{lkO*n-=9Fvk1nCJ?n2+qID?<w9-5gnIUr1VHI714iJ^
z)Oe^K^$EOGMz^c;ONbKM2FLw@mwy+P@!Ns1zO+y<Ga~N@UX?U!(u1fs%;wnl$Ps0`
zmg*9wwYcQf5#dqQ%7c(DkPYZDYZo>SJJLPNrqK_HzqJk|+IH9J4~r7vmtALRBr*~$
zPx5)VB-2w{4J|a=fa{P$NqT`(PIwy?TQ6gqso`s?YfiV(K-E{K!tnf^xF$Du$X)!~
zlkeyQ_A=1{mXqvK@#K@{ML5}uiOpHdi9O?!Nv;BQgBC#k<ynFxkK1(qef60nla$B^
z%iexCeO*d(_JD2#iga0CEWK4BlTs+)a>GFJ!4`K&jO#ugBhgd2SEH!>0>L?FlHGY9
z2chzMCAe0F>88va{xoyWx+M&Uk191N<tnGMn%UzSoNnSsG3#cb1TdN;r(uwgk1Hoh
zSJe7Gqq<g9&Pepa*>8lg@^SW1m2AGgrr}9Q)W5Y=?=F@va4jrTT$<IOkhQZt918p(
zLZzR=a40ytlqr+vp(j&LB7FZ0LN1!N*@=D%b&*rLCfE?ks>TGo%yE4mN2sCP#mC9Q
zn2Nj2yp>~wdj>@7ed!p*Yo|6uNfDXK75~)FD)|=G9i*D~BI1bH%CYk(QpLcWqQ5hG
zn_{jPhM|UVB`6RATjLFI3@Baoote1v!|e{m=`H}h(+c#ZJ|p#?0wP~o`!La->m2sx
zK4GkhuSAp}pPZq}yKy0WBn!5}nJ5Ei1obwdkdTi==D5e`JV^VH3r_$p{+I7{9&(LV
zFoNQL|I+c5wb)|ajf9kfUy*EaJG|_n%CJHcKZq=F&)qji_2;#mWuqXo&TtX!=EuT>
z7Fcxb)WNKZV;UMpOOnU@dG~}3fWTkp>>UPXL8dNj1v_Jx!Y{fn`TcI<aaZDK2oY~L
z=T8BF6*p28%KmT9t5c_3Oie3Bn(-t#oKqiGtuDIhuySi5CP5)eM1c~k`Cqf&XOylG
znXw972lvux?a30NZg^%Z<PwXr3e>v^Yx>mmQIev6tW@((Sul4zs<Y#((}frUEMk3T
z{32Z+_M5#s>482=2lj0y;$nIc17inq7uvZiFd`F~Mj(!8CD=90@actj$a!qiirnM`
zkIi<IykNX=AJvd<9O_aa?-pb5zR>V2Z=cWQLm%jOIA(6w=kU10b+F%MiGMq{!|3XZ
z9S|@0CW73O19>V3+ATkdAgI-h@9qHgC}i|7G6k|Tx`+EWU0|*hjr{a0=j~VTe`k_i
zK&TcN|Egwb(Eq2N`mc&FC$Zl)hzTxKAN*KO*e#s`>`Cb_cnhBZnoxwu!5D{$*GEZ{
zweGTPIi`5(mtU`S*@jOWaTZ)6xPH`iDN@Egj@D&dv%4Sf5u?$nO8phk8Yu2WVxKa$
z)jVsMlGH-CLnH@Mw0twd9JL%Z0RYSzG>}6i;uPXd1#NbL`f?cjaK#}1@(+jCToG$7
zCe#Zo7-2|0Hd<MKMQZ>C&XSRczMevRBThj6p-vF(Z1Q9yRp}2}5^icw8@*bcytFo&
z<+KTX<?E<t&@v)YVx;&d0b?j6R<C^TZ_MGp@)JhmdHqX5L1veuZz#1CR4Q;(O6x7n
zRHm|A;J-pTr!%Z+xH-q#)xX=eT#B{RyuFNttLD_9+4cXMBB3oP>iWMt+~Hqk`hRyP
zjqPmyXLa&FWpmDaf8-z$62zW5^p5f(U$SWCv(htk3nI}7o6txCHtNg$>Vn2u0r?Rb
z%cCFH;r%D1F}t==SP%M#E-B3=yz9)amc!RqMep#Nv&;mM|KEhFty|3!H8^Gna`LSH
zz!Q9kOQ&ja5d6m!TNYxMfH{qmseY>7%o8F(UPcUv6{fY9nKjtV^Y6gGp#q{NbYk9%
z^wX1ma0Z+fBa&K-N(eJ3><^7o`0}s@JaT3~sVSz^o+dlBwU?5VU_Dk%ah`5XJA2ch
zcx8veQ+H}>CcWP82dYS^+;8Cj=8%;G_l5s2n#BKq4*wc23XXR6PK?HOj)4Cu&Px*i
zcMJM~-+`bBgjN<azeYf)5Nc?qp{!#0mDr2udiRjRMyljy&BOZ^Z?|5T@ufrBw+|99
z9f+nWhr%=<1=s-h(63$aYOuE4Pp>1;>vq{w6qGQ^f|h9mUnk)avp~|G`(-k3SlCvt
z=M-J?Z}rY-R68G#J6i#9lt@}8Zg4?C!cAO~9)Gjx1}XppgKy4+WuAckbRc@ivt^By
z{9CU2Zf~#jFP+?tk3v%Y?Z=;52&*amx!JVSR>LKg4F4@CB3XKH;ShW__HMdEDfd0|
zuQopPdk#1Iv+6Wr8uew1!g*Mh2+6hdk3Zfjaq^ew7870BWpBb-CznPemAq<GJ+Y%Y
zfA#%&_|L_@g4`jZBWnGGA7THSC9sK{n8`nuOaE9R{fn*t%hJ%^{(n&BDE$Xz*9&do
zR)n-irK2t}(g6@u1$8#PSCR%-3ji0)Z`O7(l!z-~@n&k~$`qyN`^@GZff@T&?bv~x
z5!Qaf>TpA~z1l90VX`^>zU&Ni$eIY9%HBfNl{<{wSkh%~Qib?B-opC|Fv8I?#Tlb$
zf4HoT$j~_K?K`ta8nl=nH(;)T5IgzusjqyEzMYnPIqUChq=xo6ES@uT3~eSXx>lNm
z%w{P{Y6CLU16+8kfM4zKZy_S72HXehLw4@9+aZ4FKCrQX<ccQvlvtXqlAAwUwyyh%
z-A4G@&Lng&G;eQb9EY5BoFF=q|BV9ki2<BjJ?NfG2;~=pREooD)c7`qM2LEhBA6cw
zSw#V2sv5u2P|E`UOLh!Zi~$d>g5CU)e1LS>^-RB+h1FsZm-znL)q&c=0K0EG^9}N=
zM-5juR~A8gQC^)@5gfj+=nTcSKua>;zRFY`)(_=9_<wr@$Adg3{GTV5{yqP*<^O*@
zV(jANY-jTyr_A)j3@{;q&FMq8w?+_%NG<9OHHKYu7iV!8G!S>vzrU11`TCC<hK@FU
z(f%5S$oM5jirAbAQaC(5x<2+{Up>=syP-V-mcbWK^&ug~Fjb)#c?Duv+_6;8hTw$N
zKJ<&$c}BY}Ul&wFO}tuuqGkxI^6Bts)r#XgEqm_f_Kdk}@uuPi^uG<y{L>AM`R~^R
zmUKWs=>H7=&uX``Ilu<M_@9&cKYcSTS-VXRtezKjq>j#16X}+yj*#D3Et0rwwqXPo
z87)}Kg#rtbF@=3|xvtnu`M9nc0o$%vq39X`=$%)iVCMBMzm1adcnj$kZF!nTGQpro
z5@!creBOLBR+ca0KtN)V4%0(j20N^AfI<lH_v}?TZ(ce=DuLVl_kmDw3OkrZx7vKK
z7gXIvU#SEH284aVSK#%-&!p<d__*QT05}B-Gw{@~`SEeqDtJupbQYjW|2nAj5J+JV
zP=-XBw+LbXUmfQi6vdW>ac~F{1`tq?jD#VB5(P$b4vs`Ya*jh9K%z<#L_o<&!XOSA
z$q0f-5*V^bmK-Duf&>v%miHdJgT1@m)qiwV|Gw(3zIE?8-#vB46>?~F>Ba<bg;u{(
z{D4qPGifM8Tgl$qtcnb$_Ca_Ftet-+O7C*JT_T8ODWvy2!G&(+s<h(Zd9p&*Bhr4-
zcHpbrVSP@mSdynX<ek8rB%t(6)u9;SGGe}+#@J|FTRA-bM1<}>itfbD_jX(Es#>&h
zF*n}_(c)V5=eYb1i1-m61MU<%qx5*?^z^A}w4X>mM|x#v$!B8}W@#uf#Ub;P2>2s>
zRNYUcpE9N~{nfOi-ljHFOa^j?i0lI$Wt~oG15eb2=MPyqr2Lc9H`0@8dyvS5=St)J
z7d%uIDmW=Y_f?Gy%XEDpusMoI$FPXOgnDImE<)E{whJhNNDI|B3}UY6cuONOOov+!
z2_+|<u1MO=xbm!MCBkWI2}<w9<mo}x(xBa={qB#3klPPr{0=sk*2*nt;sSHo#vjdd
zX>D(z+<yD*a2y`jG0#Fze8A68kK7*oSjR9wfLG_j*ne*=PZ<i%2A=Gj%gBt)(~%y0
ztY;#lAoLx)Uataj#QU6FFwjqg`9Xoojd5?cylDNJZ1hs|g+}3UymcI{mrQLSPO7Ra
z9@d@(T;6k4Q7w|~t}-x+fW&xCTYu1WY=`O;oHBN_tAo?A1$r^A+N$P8>`0p84S@=u
zgycAC{e!4I9tn9?N|vlV>oCOOV_M$Ts>e{}n~cQU6rr5${t5@~=1Y0L?kwc~MM<U&
ziB>~RggI(aK5b%>I;=MwScl*tk)FijbBZmp<(ElS=_*OW%k`HmdZd@<>Yw$C$cKgW
z<9L+e&)VuL<xjz0xir~ho;&8qr?y!0+tBEwM^vxXFSoG_Z-gtzfE&6$+|XeeN68B^
z>sw0%Clivi?KAD;uzB>8dYf}j2iiZi=hUPxjx4%qqaH!wSm*p&mRkZGv7a@b`7{wW
zr4-p>Eg^ex`duOZaO4WF4?1PSlhBdhpQMPDO6GASS^x^q_7(_zLwS?XL2)dqLA=jq
zl$#XPHM-?(U(#TY8nC%A6an7pRJVN3*Dv9`)QAQh1|M%8!*-Sr)5?i5xJd?Hkg*?b
zE3|z1X<>vrJBx&>!kWDfSO^*?7uYHi0$mukiGq<3+M+1VfJ_f`<498{BR`oq#-R?G
zkfb%A!E6@TzO`??SL#e<S9{Ntr0bx7zlY%PWC&S1&pxeE$zYBspkZ8BdfcGIxIS5e
z7)n_|3LXtdH}6$#X?$Wr_?Sz*i-tC4fk!|0lU-*ev{D}wFq|?Hpqk9#wI5KnUnH7c
zSdjR({O-w(4wDkaSXxa2+`I)6zMmjwWgSj**QU_I6Tav>6n6xU9TZ*|^XvJ1F44%w
z3qZIZ<%i@4FX!pVd(;jh3<MKR-=*?<@xCdhjPAwn{i6T$^1Z_1gs$(iYsI<>pX#ck
znv;I&ua1q~kV$K;(V{LhW-i-yVPBlDnEuwr_VgXxyGNL}3&D~w$Z~L~dA|?jc#L$m
zhUnbxo@qa<`F5a`f-D!vC^%XljupHI`PG1lDo^KhqW(CZ;b>9_w+-az5JhQsmRQ1f
z*jXi#_j8uIT%~D0#jrlA#C#7?-TJV&PS(v;LZ4+ZaoAhhNUuMWR3k2@@-$j(={IR+
zNzcQ@SMn?b7s+gj?s+yZF@^}KXraqev%|AQcTWPcs!$B%Ds89vPgx4;)eZUqyQQPv
z;5U(RebopG#I-)e9C@r<w&pmLYha}C?v4?;5KVL_vqf?blRaTpVf~LE`hFxFGGGV^
zYgFL<No}Xe;;WxM1xyO!z4I6_hN;(uOZ*icjQqOKOgj_pv8Jc{LcxqCmH$rCGGz^N
z%jE|oGjS%JKy&ExM2Ym+H}q~N_%p=ylaAd`L2hb(b*_=v)^Y95u8#Wi%S85zK5+V@
z>bH1Fdv0>;aCWA<{uLquc)t|V4kjHgLKL?b*0}uHX<hovgECT(6YUdB-E65sCgMyP
z+IiEJFAUz7NWPGNqbEk9kGjJn!ho{zW<a}$V<7f*LapR{_M9*pf>h1hvnZ|3l$k>C
z%9vUTl#bfbGf!8urCX{dx#{SI@x%P9%u|fTF5;U8xu0sM<tN~c;ZFG@T-7dhuHrU@
zUX3vj0txji_xgMqr@S{qrs6kx?Ao|R((?`8m-?jpjIAe5y)rS87Ot*too@F!=Iaf@
z3<J_7@@$$5{HFmK7yh|G-^&((INf~uC(zeBT}6dRo4y+2-4d+GcxiM=1e0qzsvt$}
z-q3jMV+E|6nyVx0cthm@*UVrpiBIMJVHf1qaC7r7$Gw*qJc-d-i0c|iqC`qzeI~IX
zG+e6b3EZu0qXzW#su$Ht3fxuf&U};Uhl&Jz+Ic&N+@-s*Hesu5j8?r~9P>=eL$Yg&
ze(@z%WLJh@c;Z9Pd-h?LPKoS@)Z;?Ms;z{_DqT4zNgRW%UeRT+(Qqg2Y~3<)Xc3gi
zNuH{RRH-N~z2GU?+arcjI_|14%1rC3m|#Ieb9Vds(b1^MiYC@{wWeCx_@+5ri1b{2
z%)<$VWU>Cx39B{JxJrqYLK-HC4cS)O_gNa?5Vw|l7IGVKQGx;u&*q_RKJ{^*QkSFy
z+1@fd`b_q2&pF#e#$T~vfkCar1RbQF9wWh!gF+Sh%I4lSs4%4{Z!lXDl%-I-xp=Vf
za{T)ivy$Jfzj2q6enu8&enMU?o{8%=|B>LJ&Hpovg7_p_faHBs<>fZ;*4;1|q48=b
zBb|mcX6|LdTw0C}Oon$Y4iDO&ZNCD)rNuesAtAKx2g+fb$)i0E^*oA?pm$K85`6@*
zbp8718RnXa3v!-A(sK7<pNh++*Bz1kpjw6s^h49waUP4}D^tvOb&C~-G`7fh=f?||
z3q(hsK}FsczO^XN_`*2y?a6hspRsjd+YqzHNmmHQlBttG=ju#o=cdYcdj%Nps_tuP
z?l{zoU(@)DJLSH>fIpl;uRrrNI{R>XQU5zi^R>0oJvY2eW2MMW<4eWk%vR6aE?g8(
zzFpG#a_wacu4W~BvWweN4Q1?ryqw(4-92SpF~P6x#LxL6)VI9&@xyRc=wGSNxM8-~
zGbDLIYgVBu<lNU;-y7tFOsV&C^M~t*^v;2o>t!vD+P`Qm&_Ze~8B!ua6cw8<BprhE
zX2w}IG$X&(dyv&R`(9c%j2X9F?<2NfpYR$qCS*1%dMC9{|7Xm3>vW@c;xv7sCi=rz
zfFtxQtz7=j1u=<ec%Be-#CJbp^f7nDvlZmCB5@z#=sU+aWT_V2G)s$NE0_-w><UTA
z28yL3!z~wfPdZn(*XmNl1$A;5g<ERW-R~<2S@C?lX_$d0Ba<&<NBbzB2PMy&JO>2@
zR?+cqDCH*MFWoYHEkq<xT6#qe$Ece<oY(aF@>_X&wbB653|Sidf$`A(+IVhy#V`}X
z2qGs_M=n47dehS1y-qb^ezu5C9FuY#hS7vX-nVqDBVv*3;mG0rpnFE(nH@8wB!VlF
z0V+x%YKmJISt|mVzS0t+CXCd;LILSol4f!oG{<@PqJ&@SFV`9QiTIAVH(V)M1kFnL
zk~qg(d<TUoR&n3rvefM|Uo?o)CU#8Papu_FI2?1&s#PCPTO<(-1!dF;K|Q*0ep!hg
zm2&6@wOsSm>a<zN(VD(5O_91|8-W|(av%C?&D`R<c3MBDuYJo3Gf0CFclV7vIRlT}
z_mkcIOJxB(V`XZ436qs^22@1~_36*R`QDE8sv}^-O&sMNwI5{0{>~D@eZiZdqTZ1!
zxAdsu;Iw>&UUoD2`r9<g-!W}dyFs+sgd6AsOZt)r0=hBZn$nOVQaV97I@xRwR84W#
z<MY-rib^|sXzhc=iw1czFb&+(Df0h!M>`$c=Z^o;D-9?BY}JLOt4~MRxyD^U5ZKcS
z3$~xW;eU0w0^-1u5-c9Zdxrm?0u!JTu)G4R)Owne{rw{UDE(o*{atJUlmb>jV5OY+
z&!qmShXC@xy<;rzE_B9YcaniH&@RNn4U%W@A723EfkqjY$B{nc&)a4|9Oy4$@r%&&
z`S_XJ1jK=s3KrM9bq+r>Sb#Jz{m0TPGUsTl82}Ujrr}tDY}vDq2PWk}31Iwzl~_~x
z_s=`GTmW(45`)E+)X#9hf&)|lPU~0&DvdJ*yVKr>|C!`r8u$c%JwtJNlKxehrS;d{
FzW^&Ail+bo

literal 0
HcmV?d00001

diff --git a/articles/neurosploit-typesafe-linkedin.md b/articles/neurosploit-typesafe-linkedin.md
new file mode 100644
index 0000000..9afac9d
--- /dev/null
+++ b/articles/neurosploit-typesafe-linkedin.md
@@ -0,0 +1,224 @@
+# Decisão calibrada em segurança ofensiva: o que aconteceu quando plugei o TypeSafe System One dentro de um harness de pentest autônomo
+
+Existe um problema silencioso em quase todo harness de pentest movido a LLM. O modelo é excelente para gerar texto, encadear raciocínio e escrever payload, mas péssimo para entregar uma decisão que o software consiga consumir direto. Quando o pipeline pergunta "isso é um finding confirmado ou não", "qual a severidade real disso", "esse agente vale a pena rodar contra essa superfície", a resposta volta em prosa. Aí o harness precisa interpretar essa prosa, e é exatamente nesse ponto que nasce o falso positivo, o Critical inflado e o relatório que o cliente não acredita.
+
+Neste artigo eu mostro, passo a passo, o que aconteceu quando conectei o TypeSafe System One ao NeuroSploit, um harness de pentest autônomo escrito em Rust. Vou explicar primeiro o que é o TypeSafe, o modelo System One e o Jev, depois o que é o NeuroSploit, em seguida como configurar os dois juntos na prática, e por fim um benchmark real com e sem TypeSafe contra o mesmo alvo, com os números, os ganhos, os ajustes que precisei fazer e uma limitação honesta que o próprio experimento expôs.
+
+---
+
+## Parte 1: o que é o TypeSafe AI, o modelo System One e o Jev
+
+O TypeSafe AI parte de uma tese simples e incomum. A maioria dos modelos de linguagem foi desenhada para produzir texto legível por humanos. Software não quer texto, quer decisão tipada. O TypeSafe chama sua família de modelos de System One, em oposição direta ao raciocínio lento e verboso. A ideia é a de uma decisão rápida, focada e estruturada, do tipo que o código consegue ramificar em cima sem precisar interpretar nada.
+
+O Jev é o modelo principal dessa família, o primeiro System One deles. A diferença central é esta: o Jev não gera texto, não escreve explicação, não devolve um parágrafo. Ele avalia perguntas tipadas contra um estado e devolve um resultado estruturado, com distribuições de probabilidade calibradas. Você entrega um estado (por exemplo, a evidência de um finding) e uma pergunta, e recebe de volta um número em que o código pode confiar.
+
+A API expõe três primitivas, e cada uma responde a uma classe de pergunta diferente:
+
+1. **Choice**: escolha uma opção dentro de um conjunto definido. Devolve a opção escolhida, um mapa de probabilidades por opção e uma confiança. É o que você usa para "confirmado, precisa de revisão ou rejeitado".
+2. **Score**: avalie algo numa escala descrita, com níveis ordenados. Devolve um valor ponderado por probabilidade, a legenda e a confiança. É o que você usa para graduar intensidade.
+3. **Noul**: uma avaliação booleana calibrada. Devolve um valor entre 0 e 1, que é a probabilidade de a condição ser verdadeira. É o que você usa para "isso demonstra impacto real, sim ou não".
+
+Um detalhe que importa muito para engenharia: várias perguntas podem ir num único request e são avaliadas em paralelo, sem que uma enxergue a resposta da outra. Isso torna barato fazer perguntas especulativas e deixar o código decidir depois quais respostas usar.
+
+Um ponto de honestidade que o próprio TypeSafe deixa claro, e que eu respeito no design: a confiança do Choice e do Score resume a concentração da distribuição, não é uma garantia de correção nem uma permissão para agir. Um Noul perto de 0,5 significa probabilidade parecida entre sim e não, não uma intensidade média. Saída tipada garante a interface, não a verdade. Você ainda precisa validar o desempenho do modelo no seu domínio. Guardei isso como regra de ouro na integração.
+
+---
+
+## Parte 2: o que é o NeuroSploit
+
+O NeuroSploit é um harness de pentest autônomo e multi-modelo, escrito em Rust, com console web opcional. Ele recebe um alvo, faz recon, seleciona agentes de ataque, explora, valida e gera relatório. A diferença dele para um scanner comum está na obsessão por prova.
+
+Alguns princípios que definem o projeto, e que são o pano de fundo para entender por que o TypeSafe encaixa tão bem:
+
+- **Sem prova, sem finding.** A regra é dura: nenhuma afirmação sem um recibo, ou seja, evidência real e não paráfrase. Uma resposta HTTP gravada, uma execução observada, um callback recebido.
+- **Validadores determinísticos por CWE.** São 27 validadores escritos em Rust que julgam a evidência gravada sem consultar nenhum modelo. Mesma evidência, mesmo veredito, sempre. A skill em Markdown levanta a hipótese, o validador determinístico confirma ou derruba.
+- **CVSS calibrado por evidência.** O número sai da equação oficial do FIRST na versão 3.1, e cada métrica de impacto precisa apontar para um recibo. SQL injection que alcançou o interpretador mas não extraiu nada não vira 9.8. Ele registra o score demonstrado separado do potencial.
+- **Escopo aplicado em código.** O escopo não é texto de prompt pedindo educadamente para o modelo não sair da linha. É uma fronteira verificada antes de cada request. Alvo fora do capability token é recusado antes do recon, com saída não zero.
+- **Trilha de auditoria encadeada por hash, com âncoras externas.** Toda decisão de allow e deny entra numa cadeia que detecta truncamento e reconstrução silenciosa.
+
+Ou seja, o NeuroSploit já era construído em torno de decisão baseada em evidência. Faltava uma camada de julgamento calibrado que operasse sobre essa evidência sem inventar nada. Foi exatamente aí que o TypeSafe entrou.
+
+---
+
+## Parte 3: onde o System One faz sentido dentro de um harness ofensivo
+
+Antes de configurar, vale entender o desenho. Eu não uso o TypeSafe como agente de LLM, porque ele não gera texto nem chama ferramentas, logo não faz recon nem escreve exploit. Eu uso o TypeSafe como o cérebro de decisão de quatro momentos onde o harness precisava de um número e vinha recebendo um parágrafo:
+
+1. **Adjudicação de finding.** Para cada finding, um Choice calibrado entre confirmado, precisa de revisão e rejeitado, avaliado sobre a evidência estruturada e não sobre a narrativa do agente. Junto, um Noul sobre se o impacto real foi demonstrado.
+2. **Recalibração de CVSS.** Quando o Noul de impacto fica baixo, o CVSS é regraduado sem os recibos de impacto que não se sustentam, puxando o número para o que a evidência realmente mostra.
+3. **Poda de agentes.** Depois que o LLM seleciona os agentes, um request em lote com um Noul por agente pergunta se cada um é relevante para a superfície observada, e os claramente irrelevantes caem. Nunca poda até zero.
+4. **Loop de confirmação adicional.** Para classes enumeráveis (XSS, SQLi, redirect, traversal, SSRF, IDOR), um loop de código escolhe o próximo payload com um Choice, dispara pelo motor de replay, e julga a resposta com um Noul, até confirmar ou esgotar.
+
+A regra de ouro em todos os quatro: a camada é aditiva. Um validador determinístico ainda manda. O TypeSafe só consegue baixar confiança ou marcar para revisão. Ele nunca ressuscita um finding rejeitado. Essa decisão de projeto é o que torna a integração segura de ligar e desligar.
+
+---
+
+## Parte 4: como configurar o TypeSafe no NeuroSploit, na prática
+
+Esta é a parte que você veio buscar. É direto.
+
+### Passo 1: obtenha a chave
+
+Crie uma conta no TypeSafe e gere uma chave de API. Ela é um segredo e nunca deve entrar em log, commit ou relatório.
+
+### Passo 2: exporte a chave no ambiente
+
+```bash
+export TYPESAFE_API_KEY="sua_chave_aqui"
+```
+
+O NeuroSploit lê a chave apenas do ambiente. Se a variável não estiver setada, o harness simplesmente ignora o TypeSafe e roda igual a antes. Isso é proposital.
+
+### Passo 3: escolha o modo com a flag
+
+```bash
+# auto (padrão): liga se a chave estiver setada
+neurosploit run https://alvo --typesafe auto
+
+# on: força ligado (calibração, regrade de CVSS, poda de agentes, loop de confirmação)
+neurosploit run https://alvo --typesafe on
+
+# off: roda o pipeline idêntico, sem TypeSafe (perfeito para comparar)
+neurosploit run https://alvo --typesafe off
+```
+
+Você também pode controlar por variável de ambiente, útil em automações:
+
+```bash
+NEUROSPLOIT_TYPESAFE=off neurosploit run https://alvo --subscription --model anthropic:claude-opus-4-8
+```
+
+### Passo 4: confirme que ligou
+
+Durante o run, o feed mostra as linhas do System One, por exemplo a adjudicação de findings, a poda de agentes e o refinamento de confiança. Ao final, cada run grava no `meta.json` o campo `"typesafe": true` ou `false`. Esse campo é o que torna um par com e sem uma medição limpa, porque você consegue provar depois qual run usou a camada.
+
+### O que acontece por baixo
+
+O NeuroSploit fala com o endpoint do System One assim, de forma simplificada:
+
+```
+POST https://api.typesafe.ai/v1/systemone
+Authorization: Bearer <TYPESAFE_API_KEY>
+Content-Type: application/json
+
+{
+  "model": "jev-latest",
+  "state": { "evidencia": "...request e response gravados..." },
+  "questions": {
+    "verdict": { "type": "choice", "instructions": "A evidência demonstra a classe?",
+      "criteria": { "confirmed": "prova além de dúvida", "needs-review": "plausível mas incompleto", "rejected": "não sustenta" } },
+    "impact_demonstrated": { "type": "noul", "instructions": "Houve impacto real?",
+      "criteria": { "true": "impacto concreto mostrado", "false": "só um mecanismo ou reflexão" } }
+  }
+}
+```
+
+O harness recebe as probabilidades calibradas e usa esses números para decidir, sem interpretar texto. Simples e determinístico do lado do consumidor.
+
+---
+
+## Parte 5: o benchmark, passo a passo
+
+Agora vem o teste. A regra que estabeleci foi rígida por um motivo: eu queria medir o que o harness mais o LLM realmente encontram, não uma automação pré-programada. Nada de soluções pré-definidas, nada de solver que já sabe as respostas. O LLM descobre e confirma tudo ao vivo.
+
+### Montagem
+
+- **Alvo:** uma aplicação web deliberadamente vulnerável rodando em localhost, com 13 vulnerabilidades semeadas como verdade de campo. IDOR e BOLA, cinco variações de SQL injection, quatro de XSS, open redirect e CRLF.
+- **Modelo:** claude-opus-4-8, via assinatura, o mesmo nos dois lados.
+- **Configuração:** black-box, recon intensidade 2, voto de um modelo, no máximo 15 agentes. Idêntica nos dois runs.
+- **Única diferença:** a flag `--typesafe`.
+
+### Run A, sem TypeSafe
+
+```bash
+NEUROSPLOIT_TYPESAFE=off neurosploit run http://localhost:3000 \
+  --subscription --model anthropic:claude-opus-4-8 \
+  --typesafe off --recon 2 --max-agents 15 --vote-n 1 --focus "<13 endpoints>" -v
+```
+
+Resultado: 16 findings, 10 dos 13 alvos, cinco Criticals, 32 minutos e 12 segundos.
+
+### Run B, com TypeSafe
+
+```bash
+export TYPESAFE_API_KEY="..."
+NEUROSPLOIT_TYPESAFE=on neurosploit run http://localhost:3000 \
+  --subscription --model anthropic:claude-opus-4-8 \
+  --typesafe on --recon 2 --max-agents 15 --vote-n 1 --focus "<13 endpoints>" -v
+```
+
+Resultado: 18 findings, 9 dos 13 alvos, dois Criticals, 26 minutos e 53 segundos, com 9 findings recalibrados.
+
+### A tabela lado a lado
+
+| Métrica | A, sem TypeSafe | B, com TypeSafe |
+|---|---|---|
+| Alvos acertados | 10 de 13 | 9 de 13 |
+| Findings reportados | 16 | 18 |
+| Achados além dos 13 alvos | 6 | 9, sendo 2 reais |
+| Tempo de parede | 32m12s | 26m53s |
+| Criticals reportados | 5 | 2, recalibrados |
+| Custo de modelo | zero, assinatura | zero mais TypeSafe, bem abaixo de 5 dólares |
+
+A cobertura das duas execuções somadas foi de 11 dos 13. Nenhum dos dois alcançou o SQL injection de segunda ordem nem o CRLF, que exigem uma cadeia de vários passos que o voto único não perseguiu.
+
+---
+
+## Parte 6: lendo os resultados com honestidade
+
+Se você olhar só o recall, 10 contra 9, é empate dentro do ruído. Essa é a primeira lição e a mais importante: o TypeSafe não é um multiplicador de recall. Ele é uma camada de julgamento. Quem procura mais bugs é o LLM. O que o TypeSafe faz é decidir melhor sobre o que já foi encontrado.
+
+O que o run com TypeSafe entregou de fato:
+
+1. **Dois findings reais que o run sem TypeSafe não reportou:** uma exposição de chave de API em um `config.json` (CWE-200) e um endpoint de login sem bloqueio após tentativas repetidas (CWE-307). Além disso, ele pegou um IDOR de fatura que o outro run perdeu.
+2. **Mais rápido, por cerca de cinco minutos**, e com a distribuição de severidade recalibrada.
+3. **Nove findings tiveram a confiança refinada**, e o efeito mais visível foi o desmonte de Criticals inflados por classe.
+
+A distribuição de severidade conta a história com clareza. O run sem TypeSafe empilhou cinco Criticals. O run com TypeSafe manteve dois e empurrou o resto para onde a evidência de impacto demonstrado realmente colocava.
+
+E aqui está o gume honesto do experimento, que eu faço questão de contar. O mesmo BOLA em `GET /api/v2/users/:id`, onde um token de cliente lê o registro completo de qualquer usuário, incluindo a senha em texto puro do admin, foi avaliado como Critical 9.1 pelo run sem TypeSafe e como Low pelo run com TypeSafe.
+
+Por que a recalibração puxou para baixo? A lógica é esta: a severidade é graduada a partir do campo de evidência estruturada, ou seja, o par request e response gravado, e não a partir da prosa do agente. Esse finding provou o vazamento na narrativa e no ledger de claims, mas deixou o campo de evidência estruturada vazio. Sem um recibo legível por máquina para a métrica de confidencialidade, tanto o graduador determinístico quanto o Noul de impacto do TypeSafe trataram o impacto como não demonstrado, derrubaram as métricas de impacto para nenhum, e o 9.1 colapsou para Low. A prova existia. Ela só não estava no campo que o graduador lê.
+
+Isso não é um defeito do TypeSafe. É a camada fazendo exatamente o que deve, de forma conservadora. Calibração é um dial na direção da defensabilidade, não um oráculo de correção. A correção certa não é afrouxar o graduador, é fazer os agentes preencherem o campo de evidência estruturada para impacto. O operador continua dono da severidade final.
+
+---
+
+## Parte 7: o refinamento que o benchmark forçou
+
+Um benchmark bem feito acha bug no próprio harness, e este achou. Numa primeira tentativa do run com TypeSafe, a execução colapsou para zero findings no meio do caminho. A causa não era o TypeSafe. A assinatura do modelo bateu no limite de sessão, e o CLI reportou isso como uma resposta normal, com código de saída zero, uma frase do tipo "você atingiu seu limite de sessão". O NeuroSploit tratou aquilo como se fosse uma resposta legítima do modelo, e queimou todos os agentes restantes contra uma sessão morta em vez de pausar.
+
+O conserto foi pontual e importante: agora o sentinela de limite de sessão é detectado mesmo com código de saída zero e é tratado como exaustão, o que faz o harness parquear o run para continuação em vez de desperdiçar agentes. Esse já era o caminho de pausa por cota que existia, só que esse caso específico nunca o alcançava. O benchmark expôs, o código corrigiu.
+
+Um segundo refinamento nasceu da recalibração do BOLA. Se a evidência estruturada estar vazia fazia um finding crítico ser subavaliado, a resposta correta tinha duas frentes, e implementei as duas. A primeira: um passo de salvamento que, quando o campo de evidência estruturada está vazio mas o agente registrou a prova em texto, copia essa prova para o campo estruturado que o graduador lê, sem inventar nada, apenas transportando o que já estava escrito. A segunda, e mais interessante para segurança: ensinar tanto o graduador quanto o TypeSafe a considerar o tipo de dado como um recibo de impacto por si só. Agora existe uma classificação de dado (nenhum, dado comum, dado sensível) que varre a evidência em qualquer campo em busca de assinatura de credencial, chave, token, dado pessoal ou dado de pagamento. Se um dump de credencial foi demonstrado, a métrica de confidencialidade é concedida mesmo com recibo fino, e a recalibração do TypeSafe não derruba a severidade. Em paralelo, a adjudicação passou a fazer uma pergunta Score ao Jev especificamente sobre a sensibilidade do dado exposto, com níveis descritos que vão de conteúdo público a segredos como senha, chave de API e dado de pagamento. Ou seja, o impacto deixou de depender de um único slot binário e passou a considerar, também, a natureza daquilo que vazou. Com isso, o mesmo BOLA do benchmark deixa de colapsar para Low: o tipo de dado, credencial em texto puro, sustenta a gravidade mesmo quando o recibo estruturado veio pobre.
+
+---
+
+## Parte 8: o que dá para fazer com o TypeSafe olhando para segurança ofensiva
+
+O caso do NeuroSploit é uma amostra. O padrão do System One, que é decisão calibrada e tipada em cima de um estado, abre um leque grande para segurança ofensiva. Alguns usos que fazem sentido imediato:
+
+- **Triagem de findings em escala.** Em vez de um humano ou de um LLM verboso classificar centenas de achados, um Choice calibrado separa confirmado de precisa de revisão de rejeitado, com probabilidade, e o código roteia a partir daí.
+- **Roteamento de payloads e de próximos passos.** Quando o conjunto de ações candidatas é enumerável, um Choice escolhe a próxima jogada dado o estado atual, e o código executa. Foi assim que montei o loop de confirmação.
+- **Verificação de reflexão real.** Um Noul responde se um marcador refletido está numa posição executável ou apenas escapado, separando XSS de verdade de eco inofensivo.
+- **Ranqueamento de relevância.** Antes de gastar orçamento de modelo, um Noul por candidato diz se aquela superfície plausivelmente tem aquela classe, podando ruído.
+- **Graduação de severidade e de exposição.** Um Score sobre níveis descritos posiciona o impacto sem chutar um número.
+- **Detecção de injeção de prompt em conteúdo externo.** Um Noul sobre a resposta do alvo sinaliza tentativa de manipulação, antes de o conteúdo influenciar o planejamento.
+
+O ponto comum de todos esses usos é que eles substituem o julgamento do LLM, não a geração nem a execução. O código continua dono do fluxo. O modelo entrega o senso comum programável onde o código sozinho não tem entendimento semântico. E como as saídas são calibradas e baratas, você pode espalhar decisões pelo pipeline sem estourar custo nem latência.
+
+---
+
+## Conclusão
+
+A conta final é sóbria e, por isso mesmo, confiável. Contra um alvo, em amostra única, o TypeSafe não aumentou o número de bugs encontrados de forma significativa. O que ele fez foi tornar o resultado mais defensável: cortou Criticals inflados por classe, trouxe dois findings reais a mais, rodou mais rápido e recalibrou a confiança de nove findings, tudo sem nunca ressuscitar um achado rejeitado. Ele também expôs, de quebra, dois refinamentos necessários no próprio harness: o campo de evidência estruturada precisa ser preenchido para impacto, e o limite de sessão precisava pausar o run em vez de queimá-lo.
+
+Segurança ofensiva séria não se mede só por quantos bugs você acha. Se mede também por quantos você consegue defender diante do time de compliance e do jurídico do cliente. É nessa segunda métrica que a decisão calibrada do System One entra, e é por isso que ela merece um lugar no pipeline.
+
+O melhor de tudo: é uma flag. Você liga com `--typesafe on`, desliga com `--typesafe off`, e o `meta.json` guarda qual modo rodou. Ou seja, você não precisa acreditar em mim. Rode o par no seu alvo e meça.
+
+Agora a gente manda bala.
+
+---
+
+*NeuroSploit é um harness de pentest autônomo em Rust. O benchmark completo, com os artefatos dos dois runs, o scorer e o relatório visual, está publicado no repositório em `benchmarks/typesafe-2026-09-20`. TypeSafe, System One e Jev são do TypeSafe AI. Teste sempre apenas alvos que você tem autorização para testar.*
diff --git a/neurosploit-rs/crates/harness/src/attack_graph.rs b/neurosploit-rs/crates/harness/src/attack_graph.rs
index ef16181..5870c29 100644
--- a/neurosploit-rs/crates/harness/src/attack_graph.rs
+++ b/neurosploit-rs/crates/harness/src/attack_graph.rs
@@ -201,6 +201,39 @@ const SENSITIVE: &[&str] = &[
 /// Only observations count. A finding that says "could lead to RCE" without an
 /// observation of code running stays where its evidence put it — which is the
 /// entire point of grading this way.
+/// The kind of data a finding demonstrably exposed, read from any slot the
+/// agent used (structured evidence body, or the prose evidence/impact). This is
+/// the "data type" axis: a credential or key dump is a confidentiality breach
+/// regardless of whether the receipt landed in the structured slot, and it must
+/// not be recalibrated away just because `evidence_data` was left null.
+#[derive(Debug, Clone, Copy, PartialEq, Eq)]
+pub enum DataClass { None, Data, Sensitive }
+
+const CREDENTIALS: &[&str] = &[
+    "password", "passwd", "senha", "bcrypt", "$2y$", "$2a$", "api_key", "apikey",
+    "api key", "secret", "private key", "begin rsa", "bearer ", "authorization:",
+    "aws_secret", "aws_access_key", "credit card", "card_number",
+    "cvv", "ssn", "cpf",
+];
+
+pub fn data_class(f: &Finding) -> DataClass {
+    let mut hay = format!("{} {} {}", f.evidence, f.impact, f.payload).to_lowercase();
+    if let Some(e) = f.evidence_data.as_ref() {
+        for ex in [e.attack.as_ref(), e.baseline.as_ref(), e.identity_a.as_ref(), e.identity_b.as_ref()].into_iter().flatten() {
+            hay.push(' ');
+            hay.push_str(&ex.body.to_lowercase());
+        }
+    }
+    if CREDENTIALS.iter().any(|s| hay.contains(s)) {
+        return DataClass::Sensitive;
+    }
+    // A record dump without a credential signature is still data read.
+    if SENSITIVE.iter().any(|s| hay.contains(s)) {
+        return DataClass::Data;
+    }
+    DataClass::None
+}
+
 pub fn demonstrated_rung(f: &Finding) -> Rung {
     let ev = f.evidence_data.as_ref();
     let text = format!("{} {}", f.evidence, f.impact).to_lowercase();
@@ -311,7 +344,12 @@ pub fn cvss_graded(f: &Finding) -> Option<crate::cvss::Graded> {
     };
     // The demonstrated rung decides which impact metrics carry a receipt.
     let rung = demonstrated_rung(f);
-    let has_c = matches!(rung, Rung::ReadData | Rung::ReadSensitive | Rung::Wrote | Rung::Executed | Rung::CrossedSystem);
+    // Data type is a first-class impact receipt: a demonstrated credential/PII
+    // exposure grants the confidentiality metric even if the rung slot was
+    // empty (e.g. the agent recorded the dump in prose, not evidence_data).
+    let dc = data_class(f);
+    let has_c = matches!(rung, Rung::ReadData | Rung::ReadSensitive | Rung::Wrote | Rung::Executed | Rung::CrossedSystem)
+        || dc != DataClass::None;
     let has_i = matches!(rung, Rung::Wrote | Rung::Executed | Rung::CrossedSystem);
     let has_a = matches!(rung, Rung::Executed | Rung::CrossedSystem);
     Some(crate::cvss::grade(proposed, move |m| match m {
@@ -439,8 +477,39 @@ fn min_impact(a: &'static str, b: &'static str) -> &'static str {
 }
 
 /// Fill in any empty mapping fields on each finding (does not overwrite model-set values).
+/// Back-fill a minimal structured `evidence_data` from a finding's prose when
+/// the agent left it null but clearly recorded a proof in text. It does NOT
+/// invent evidence: it copies what the finding already states (the endpoint as
+/// the attack URL, the evidence text as the response body) into the structured
+/// slot the deterministic grader and TypeSafe read, so a proof written as
+/// narrative is no longer treated as "no receipt". A credential/PII dump that
+/// lived only in prose then keeps its severity.
+pub fn backfill_evidence(f: &mut Finding) {
+    if f.evidence_data.is_some() {
+        return;
+    }
+    // Only salvage when there is a substantive textual proof to carry over.
+    let body = if !f.evidence.trim().is_empty() { f.evidence.clone() } else { return };
+    if body.len() < 12 {
+        return;
+    }
+    let url = f.endpoint.split_whitespace().last().unwrap_or(&f.endpoint).to_string();
+    let ex = crate::validation::Exchange {
+        method: f.endpoint.split_whitespace().next().filter(|m| m.chars().all(|c| c.is_ascii_uppercase())).unwrap_or("GET").to_string(),
+        url,
+        status: 200,
+        body,
+        content_type: String::new(),
+        ..Default::default()
+    };
+    f.evidence_data = Some(crate::validation::Evidence { attack: Some(ex), ..Default::default() });
+}
+
 pub fn enrich(findings: &mut [Finding]) {
     for f in findings.iter_mut() {
+        // Salvage a structured receipt from prose BEFORE grading, so a proof the
+        // agent wrote as narrative is graded, not discarded.
+        backfill_evidence(f);
         let (owasp, mitre, stage) = map_cwe(&f.cwe);
         if f.owasp.is_empty() { f.owasp = owasp.into(); }
         if f.mitre.is_empty() { f.mitre = mitre.into(); }
@@ -821,4 +890,32 @@ mod ladder_tests {
         assert!(g2.demonstrated_score >= g.demonstrated_score, "reading data cannot lower the score");
         assert!(g2.demonstrated.vector_string().contains("CVSS:3.1/"));
     }
+    #[test]
+    fn data_class_reads_credentials_from_prose_and_backfills() {
+        // The exact benchmark case: a BOLA whose proof (admin password dump) is
+        // in prose, evidence_data null. data_class must see the credential, and
+        // backfill must give the grader a structured receipt.
+        let mut f = Finding {
+            cwe: "CWE-639".into(),
+            title: "BOLA on /api/v2/users/:id".into(),
+            endpoint: "GET https://t.test/api/v2/users/1".into(),
+            evidence: "GET /api/v2/users/1 with a customer token returned admin record incl. password=SuperSecret and apiKey=nk_live_x".into(),
+            ..Default::default()
+        };
+        assert_eq!(data_class(&f), DataClass::Sensitive, "a credential dump is sensitive data");
+        assert!(f.evidence_data.is_none());
+        backfill_evidence(&mut f);
+        assert!(f.evidence_data.is_some(), "prose proof is salvaged into the structured slot");
+        // Now the graded CVSS keeps a confidentiality receipt (data type), not 0.
+        let g = cvss_graded(&f).expect("graded");
+        assert!(g.demonstrated_score > 0.0, "a demonstrated credential exposure is not zero");
+    }
+
+    #[test]
+    fn backfill_does_not_invent_evidence_when_there_is_none() {
+        let mut f = Finding { cwe: "CWE-79".into(), endpoint: "https://t.test/x".into(), evidence: "".into(), ..Default::default() };
+        backfill_evidence(&mut f);
+        assert!(f.evidence_data.is_none(), "no prose proof, nothing to salvage");
+    }
+
 }
diff --git a/neurosploit-rs/crates/harness/src/pipeline.rs b/neurosploit-rs/crates/harness/src/pipeline.rs
index af83cee..e4b27c6 100644
--- a/neurosploit-rs/crates/harness/src/pipeline.rs
+++ b/neurosploit-rs/crates/harness/src/pipeline.rs
@@ -2373,15 +2373,30 @@ async fn finish(cfg: RunConfig, _lib: &Library, pool: &ModelPool, recon: String,
                             // says shows no real impact loses its C/I/A the same
                             // way an absent receipt would — the demonstrated
                             // score follows the evidence, calibrated.
-                            if adj.impact_demonstrated < 0.5 {
+                            // Data type is a guardrail against over-recalibration.
+                            // The impact is only stripped when BOTH the model was
+                            // unconvinced AND nothing sensitive was actually shown
+                            // (no credential/PII signature, and the calibrated
+                            // data-sensitivity is low). A demonstrated credential
+                            // or PII exposure keeps its severity even on a thin
+                            // receipt — the KIND of data is itself the impact.
+                            let dc = crate::attack_graph::data_class(f);
+                            let sensitive_shown = dc != crate::attack_graph::DataClass::None || adj.data_sensitivity >= 0.5;
+                            if adj.impact_demonstrated < 0.5 && !sensitive_shown {
                                 if let Some(g) = crate::attack_graph::cvss_graded(f) {
-                                    // Strip demonstrated impact the model is not
-                                    // convinced of; keep potential as context.
                                     let dropped = crate::cvss::grade(g.potential, |_| false);
                                     if dropped.demonstrated_score < g.demonstrated_score {
                                         f.cvss = format!("{:.1} ({})", dropped.demonstrated_score, dropped.demonstrated.vector_string());
                                     }
                                 }
+                            } else if sensitive_shown && f.cvss.is_empty() {
+                                // Sensitive data shown but no score yet: grade it
+                                // WITH the data-type receipt rather than leaving it blank.
+                                if let Some(g) = crate::attack_graph::cvss_graded(f) {
+                                    if g.demonstrated_score > 0.0 {
+                                        f.cvss = format!("{:.1} ({})", g.demonstrated_score, g.demonstrated.vector_string());
+                                    }
+                                }
                             }
                             refined += 1;
                         }
diff --git a/neurosploit-rs/crates/harness/src/typesafe.rs b/neurosploit-rs/crates/harness/src/typesafe.rs
index fdcb078..001c3d6 100644
--- a/neurosploit-rs/crates/harness/src/typesafe.rs
+++ b/neurosploit-rs/crates/harness/src/typesafe.rs
@@ -194,12 +194,30 @@ impl TypeSafe {
             Question::noul(
                 "Does the evidence show REAL impact (data read/written, code executed, a boundary crossed), as opposed to only that a payload was reflected or an error appeared?",
                 "concrete impact is shown in the evidence",
-                "no impact is shown — only a mechanic or a reflection",
+                "no impact is shown - only a mechanic or a reflection",
+            ),
+        );
+        // Data type is a separate axis from "was impact demonstrated": a flaw
+        // that exposes credentials or PII is severe by the KIND of data it
+        // touched, even when the receipt is thin. Scored so the calibration can
+        // consider it instead of collapsing purely on the impact Noul.
+        qs.insert(
+            "data_sensitivity".to_string(),
+            Question::score(
+                "Judging only by what the evidence shows was exposed or affected, how sensitive is that data?",
+                &[
+                    "nothing sensitive: only reflection, an error, or public content",
+                    "internal or low-sensitivity data (ids, non-secret fields)",
+                    "personal data (PII): emails, names, addresses, phone numbers",
+                    "secrets: passwords, API keys, tokens, private keys, payment data",
+                ],
             ),
         );
         let answers = self.evaluate(state, qs).await?;
         let verdict = answers.get("verdict").cloned().unwrap_or_default();
         let impact = answers.get("impact_demonstrated").and_then(|a| a.noul).unwrap_or(0.0);
+        // Score returns a weighted position on the 0..3 ladder; normalise to 0..1.
+        let data_sensitivity = answers.get("data_sensitivity").and_then(|a| a.score).map(|s| (s / 3.0).clamp(0.0, 1.0)).unwrap_or(0.0);
         Ok(Adjudication {
             verdict: verdict.choice.clone().unwrap_or_else(|| "needs-review".into()),
             p_confirmed: verdict.p("confirmed"),
@@ -207,6 +225,7 @@ impl TypeSafe {
             p_rejected: verdict.p("rejected"),
             confidence: verdict.confidence.unwrap_or(0.0),
             impact_demonstrated: impact,
+            data_sensitivity,
         })
     }
 }
@@ -222,6 +241,11 @@ pub struct Adjudication {
     pub confidence: f64,
     /// Probability real impact was shown (0..1).
     pub impact_demonstrated: f64,
+    /// Calibrated data-sensitivity (0..1): 1.0 = secrets/credentials exposed.
+    /// A high value means the finding must NOT be recalibrated down just because
+    /// the impact receipt was thin - the KIND of data is itself the impact.
+    #[serde(default)]
+    pub data_sensitivity: f64,
 }
 
 impl Adjudication {
@@ -280,7 +304,7 @@ mod tests {
     #[test]
     fn calibrated_confidence_folds_in_demonstrated_impact() {
         // High p_confirmed but NO demonstrated impact → confidence is held back.
-        let a = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.9, p_needs_review: 0.05, p_rejected: 0.05, confidence: 0.8, impact_demonstrated: 0.0 };
+        let a = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.9, p_needs_review: 0.05, p_rejected: 0.05, confidence: 0.8, impact_demonstrated: 0.0, data_sensitivity: 0.0 };
         assert!((a.calibrated_confidence() - 0.45).abs() < 1e-9, "no impact halves the weight");
 
         // Same, with full impact → near p_confirmed.
@@ -290,9 +314,9 @@ mod tests {
 
     #[test]
     fn review_is_wanted_on_a_split_distribution() {
-        let split = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.45, p_needs_review: 0.3, p_rejected: 0.25, confidence: 0.4, impact_demonstrated: 0.5 };
+        let split = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.45, p_needs_review: 0.3, p_rejected: 0.25, confidence: 0.4, impact_demonstrated: 0.5, data_sensitivity: 0.0 };
         assert!(split.wants_review(), "no option clears 0.6 — a human should look");
-        let clear = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.88, p_needs_review: 0.08, p_rejected: 0.04, confidence: 0.8, impact_demonstrated: 0.9 };
+        let clear = Adjudication { verdict: "confirmed".into(), p_confirmed: 0.88, p_needs_review: 0.08, p_rejected: 0.04, confidence: 0.8, impact_demonstrated: 0.9, data_sensitivity: 1.0 };
         assert!(!clear.wants_review());
     }