fix(db): un spec no envejece con la investigación que lo originó

La retención iba por la edad de la SESIÓN y cascadeaba
`DELETE FROM outputs WHERE session_id = ?`, así que un output generado ayer
sobre una sesión de julio moría en el siguiente arranque del bot.

Pasó hoy, 2026-09-01, al desplegar 198b0e62:

    Startup purge done  sessions=12 outputs=27 chunks=2030 sources=3466
                        api_usage=1118 shorts=6

El pod llevaba 18 días sin reiniciarse, así que tres semanas de material
cumplieron los 30 días de golpe. Y lo que se llevó por delante no fue lo viejo:
los outputs 132-139 tenían 18,8 días —los tres Shorts re-renderizados el día
antes entre ellos— pero colgaban de las sesiones 161-165, de hace 40. Murieron
por la edad de su madre mientras 128-131, más antiguos, sobrevivían.

Ahora la purga va en dos fases:

1. Outputs por SU propia fecha, vivan en la sesión que vivan.
2. Sesiones viejas que ya no sostienen ningún output.

El orden importa: la sesión cuyos outputs eran todos viejos se queda sin
ninguno en la fase 1 y resulta purgable en la fase 2, así que el caso normal
—sesión vieja, material viejo— sigue limpiándose entero en UNA pasada. Hay un
test que lo fija, y es el único de los cuatro nuevos que pasa también con la
lógica anterior: está para probar que no se rompió lo que funcionaba.

Una sesión con un output vivo sobrevive entera, con sus sources y sus chunks.
No es generosidad: los chunks son contra lo que se comprueba el fundamento de
ese output, y conservar el spec tirando aquello con lo que se verifica deja
algo que ya no se puede auditar. El precio es que la retención afloja, y se
paga a sabiendas.

Dos cosas más que salieron al mirarlo:

- `_purge_on_startup` sólo escribía en el log `if result["sessions"] > 0`. Con
  la retención por output, una pasada puede borrar 27 outputs y CERO sesiones,
  y eso no habría dejado ni una línea. Una purga silenciosa es como se
  descubre tres semanas tarde. Ahora informa si borró cualquier cosa.
- El MP4 se llama por sesión, así que cuando la fase 1 se lleva el último
  short_en de una sesión que sigue viva, el fichero queda sin nada que lo
  nombre. Se borra ahí también, o el PVC acumula vídeos que no aparecen en
  ninguna fila.

`purge_old_sessions` pasa a llamarse `purge_old_data`: ya no purga sólo por
sesiones y el nombre viejo describía justo el defecto.

La BD anterior a la purga está a salvo y verificada en
~/rescates/researchowl-purga-2026-09-01 (integrity_check ok, 31 outputs, los
17 short_en). Con esta lógica, un restore conserva 16 de los 17.

Suite: 278 pasan.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

src/bot/bot.py

@@ -1346,8 +1346,12 @@ async def _purge_on_startup(app: Application) -> None:
     db_conn = await get_db()
     try:
         db = ResearchDB(db_conn)
-        result = await db.purge_old_sessions(30)
-        if result["sessions"] > 0:
+        result = await db.purge_old_data(30)
+        # Cualquier borrado, no sólo el de sesiones. Con la retención por fecha
+        # de output, una pasada puede llevarse 27 outputs y CERO sesiones — y
+        # con la condición anterior eso no dejaba ni una línea de log. Una purga
+        # silenciosa es como se descubre tres semanas tarde.
+        if any(result.values()):
             logger.info("Startup purge done", **result)
     except Exception as e:
         logger.warning("Startup purge failed — bot continues", error=str(e))
@@ -1600,7 +1604,8 @@ async def cmd_purge(update: Update, ctx: ContextTypes.DEFAULT_TYPE):
             return
         if days == 0 and not (len(args) >= 2 and args[1] == "confirm"):
             await update.message.reply_text(
-                "⚠️ Esto borrará *todas* las sesiones completadas.\n"
+                "⚠️ Esto borrará *todos* los outputs y *todas* las sesiones "
+                "completadas.\n"
                 "Envía `/purge 0 confirm` para confirmar.",
                 parse_mode=ParseMode.MARKDOWN
             )
@@ -1609,7 +1614,7 @@ async def cmd_purge(update: Update, ctx: ContextTypes.DEFAULT_TYPE):
     db_conn = await get_db()
     try:
         db = ResearchDB(db_conn)
-        result = await db.purge_old_sessions(days)
+        result = await db.purge_old_data(days)
         await update.message.reply_text(
             f"🗑️ Purged: {result['sessions']} sessions, "
             f"{result['sources']} sources, "

src/db/database.py

@@ -648,41 +648,75 @@ class ResearchDB:
 
     # --- Maintenance ---
 
-    async def purge_old_sessions(self, max_age_days: int = 30) -> dict:
+    async def purge_old_data(self, max_age_days: int = 30) -> dict:
+        """Retención en dos fases: primero los outputs por SU fecha, luego las
+        sesiones que ya no sostienen nada.
+
+        Antes iba todo por la edad de la sesión, y la cascada
+        `DELETE FROM outputs WHERE session_id = ?` se llevaba por delante lo
+        generado ayer si colgaba de una sesión de hace dos meses. El
+        2026-09-01 eso borró 27 outputs, entre ellos los tres Shorts
+        re-renderizados el día antes: sobrevivieron los outputs 128-131 y
+        murieron los 132-139, que eran **más nuevos**. Un spec no envejece con
+        la investigación que lo originó.
+
+        Las dos fases van en este orden por una razón: la sesión cuyos outputs
+        eran todos viejos se queda sin ninguno en la fase 1 y resulta purgable
+        en la fase 2, así que el caso normal —sesión vieja, material viejo—
+        sigue limpiándose igual que antes en una sola pasada.
+
+        **Y una sesión con un output vivo sobrevive entera**, con sus sources y
+        sus chunks. No es generosidad: los `chunks` son contra lo que se
+        comprueba el fundamento de ese output, así que conservar el spec y tirar
+        aquello con lo que se verifica deja algo que ya no se puede auditar. El
+        precio es que la retención afloja — una sesión de julio con un Short de
+        ayer mantiene vivos sus cientos de sources — y ese precio se paga a
+        sabiendas.
+        """
         await self.db.execute("PRAGMA foreign_keys = ON")
 
         threshold = time.time() - max_age_days * 86400
+        counts = {"sessions": 0, "sources": 0, "chunks": 0, "outputs": 0,
+                  "api_usage": 0, "shorts": 0}
+
+        # --- fase 1: outputs por su propia fecha, vivan donde vivan ---------
+        # Se apuntan las sesiones tocadas antes de borrar: si una se queda sin
+        # ningún short_en, su MP4 no lo referencia ya nadie.
         cursor = await self.db.execute(
-            "SELECT id FROM research_sessions WHERE created_at < ? AND status != 'running'",
+            "SELECT DISTINCT session_id FROM outputs WHERE created_at < ?",
+            (threshold,)
+        )
+        touched = [row[0] for row in await cursor.fetchall()]
+        cur = await self.db.execute("DELETE FROM outputs WHERE created_at < ?",
+                                    (threshold,))
+        counts["outputs"] += cur.rowcount
+
+        for sid in touched:
+            cursor = await self.db.execute(
+                "SELECT 1 FROM outputs WHERE session_id = ? AND output_type = ?"
+                " LIMIT 1", (sid, "short_en")
+            )
+            if await cursor.fetchone() is None:
+                counts["shorts"] += self._drop_short(sid)
+
+        # --- fase 2: sesiones viejas que ya no sostienen ningún output ------
+        cursor = await self.db.execute(
+            "SELECT id FROM research_sessions WHERE created_at < ?"
+            " AND status != 'running'"
+            " AND NOT EXISTS (SELECT 1 FROM outputs WHERE session_id ="
+            " research_sessions.id)",
             (threshold,)
         )
         session_ids = [row[0] for row in await cursor.fetchall()]
 
-        counts = {"sessions": 0, "sources": 0, "chunks": 0, "outputs": 0,
-                  "api_usage": 0, "shorts": 0}
-
         for sid in session_ids:
-            # El MP4 del Short vive en disco (los blobs en SQLite hacen
-            # patológico el WAL), así que su borrado no lo arrastra ninguna FK:
-            # se hace aquí, que es el único sitio que sabe qué sesiones
-            # desaparecen. Best-effort — un fichero que no se puede borrar no
-            # va a impedir purgar la sesión.
-            try:
-                video = Path(settings.shorts_dir) / f"{sid}.mp4"
-                if video.is_file():
-                    video.unlink()
-                    counts["shorts"] += 1
-            except OSError as e:
-                logger.warning("No se pudo borrar el Short de una sesión purgada",
-                               session_id=sid, error=str(e))
+            counts["shorts"] += self._drop_short(sid)
             await self.db.execute(
                 "DELETE FROM source_contents WHERE source_id IN (SELECT id FROM sources WHERE session_id = ?)",
                 (sid,)
             )
             cur = await self.db.execute("DELETE FROM chunks WHERE session_id = ?", (sid,))
             counts["chunks"] += cur.rowcount
-            cur = await self.db.execute("DELETE FROM outputs WHERE session_id = ?", (sid,))
-            counts["outputs"] += cur.rowcount
             cur = await self.db.execute("DELETE FROM api_usage WHERE session_id = ?", (sid,))
             counts["api_usage"] += cur.rowcount
             cur = await self.db.execute("DELETE FROM sources WHERE session_id = ?", (sid,))
@@ -691,6 +725,22 @@ class ResearchDB:
             counts["sessions"] += cur.rowcount
 
         await self.db.commit()
-        logger.info("Purged sessions older than days",
-                    sessions=counts["sessions"], days=max_age_days)
+        logger.info("Purga por antigüedad", days=max_age_days, **counts)
         return counts
+
+    def _drop_short(self, sid: int) -> int:
+        """Borra el MP4 de una sesión, si queda. Devuelve 1 si borró algo.
+
+        El vídeo vive en disco (los blobs en SQLite hacen patológico el WAL),
+        así que su borrado no lo arrastra ninguna FK y hay que hacerlo aquí.
+        Best-effort: un fichero que no se puede borrar no va a impedir la purga.
+        """
+        try:
+            video = Path(settings.shorts_dir) / f"{sid}.mp4"
+            if video.is_file():
+                video.unlink()
+                return 1
+        except OSError as e:
+            logger.warning("No se pudo borrar el Short de una sesión purgada",
+                           session_id=sid, error=str(e))
+        return 0

tests/test_short_producer.py

@@ -331,7 +331,7 @@ async def test_purging_a_session_takes_its_video_with_it(tmp_path, monkeypatch):
         " created_at, updated_at) VALUES (2,'nuevo','saturated',1,?,?)", (now, now))
     await conn.commit()
 
-    counts = await ResearchDB(conn).purge_old_sessions(30)
+    counts = await ResearchDB(conn).purge_old_data(30)
     await conn.close()
 
     assert counts["shorts"] == 1
@@ -339,6 +339,124 @@ async def test_purging_a_session_takes_its_video_with_it(tmp_path, monkeypatch):
     assert (shorts / "2.mp4").exists(), "la sesión reciente conserva su vídeo"
 
 
+async def purge_fixture(tmp_path, monkeypatch, sessions, outputs, days=30):
+    """Una BD con sesiones y outputs de las edades que se le pidan, purgada.
+
+    `sessions` y `outputs` llevan la edad en días: positiva es pasado. Devuelve
+    (counts, short_en supervivientes, ids de sesión supervivientes).
+    """
+    import time
+
+    import aiosqlite
+
+    from src.db import database
+    from src.db.database import ResearchDB
+
+    shorts = tmp_path / "shorts"
+    shorts.mkdir()
+    monkeypatch.setattr(settings, "shorts_dir", str(shorts))
+
+    conn = await aiosqlite.connect(tmp_path / "p.db")
+    conn.row_factory = aiosqlite.Row
+    await conn.executescript(database.SCHEMA)
+    now = time.time()
+
+    for sid, age in sessions:
+        t = now - age * 86400
+        await conn.execute(
+            "INSERT INTO research_sessions (id, topic, status, telegram_chat_id,"
+            " created_at, updated_at) VALUES (?,?, 'saturated', 1, ?, ?)",
+            (sid, f"s{sid}", t, t))
+        (shorts / f"{sid}.mp4").write_bytes(b"x")
+        # Un source por sesión, para ver si la cascada la alcanza o no.
+        await conn.execute(
+            "INSERT INTO sources (session_id, url, title, scraped_at)"
+            " VALUES (?,?,?,?)", (sid, f"http://x/{sid}", "t", t))
+
+    for oid, sid, age in outputs:
+        await conn.execute(
+            "INSERT INTO outputs (id, session_id, output_type, content, created_at)"
+            " VALUES (?,?, 'short_en', '{}', ?)", (oid, sid, now - age * 86400))
+    await conn.commit()
+
+    try:
+        counts = await ResearchDB(conn).purge_old_data(days)
+        vivos = [r[0] for r in await (await conn.execute(
+            "SELECT id FROM outputs ORDER BY id")).fetchall()]
+        sesiones = [r[0] for r in await (await conn.execute(
+            "SELECT id FROM research_sessions ORDER BY id")).fetchall()]
+    finally:
+        # Sin esto, un fallo dentro del `try` deja el hilo de aiosqlite vivo y
+        # pytest no termina NUNCA: el error se presenta como un cuelgue, que es
+        # la forma más cara de leer un fallo.
+        await conn.close()
+    return counts, vivos, sesiones, shorts
+
+
+@pytest.mark.asyncio
+async def test_a_new_output_on_an_old_session_survives(tmp_path, monkeypatch):
+    """El fallo del 2026-09-01, exacto. La cascada iba por la edad de la SESIÓN,
+    así que los outputs 132-139 —generados el día antes sobre casos viejos— se
+    borraron mientras 128-131, más antiguos, sobrevivían. Un spec no envejece
+    con la investigación que lo originó.
+    """
+    counts, vivos, sesiones, shorts = await purge_fixture(
+        tmp_path, monkeypatch,
+        sessions=[(1, 90)],                 # sesión de hace tres meses
+        outputs=[(139, 1, 1)])              # con un spec de ayer
+
+    assert vivos == [139], "el spec de ayer murió con su sesión"
+    assert sesiones == [1], "la sesión tiene que sobrevivir o la FK se rompe"
+    assert counts["outputs"] == 0
+    assert (shorts / "1.mp4").exists(), "y su vídeo con ella"
+
+
+@pytest.mark.asyncio
+async def test_an_old_output_dies_even_on_a_live_session(tmp_path, monkeypatch):
+    """La otra mitad, y sin ella lo de arriba no es retención por fecha de
+    output: es no purgar outputs nunca."""
+    counts, vivos, sesiones, _ = await purge_fixture(
+        tmp_path, monkeypatch,
+        sessions=[(1, 2)],                  # sesión de anteayer
+        outputs=[(1, 1, 90), (2, 1, 2)])    # un spec viejo y uno reciente
+
+    assert vivos == [2]
+    assert counts["outputs"] == 1
+    assert sesiones == [1], "la sesión reciente no se toca"
+
+
+@pytest.mark.asyncio
+async def test_the_ordinary_case_still_cleans_up_whole(tmp_path, monkeypatch):
+    """Sesión vieja con material viejo: se limpia entera en UNA pasada. La fase 1
+    la deja sin outputs y la fase 2 se la lleva — si el orden se invirtiera, la
+    sesión sobreviviría a su propio material hasta el arranque siguiente."""
+    counts, vivos, sesiones, shorts = await purge_fixture(
+        tmp_path, monkeypatch,
+        sessions=[(1, 90), (2, 2)],
+        outputs=[(1, 1, 90), (2, 2, 2)])
+
+    assert vivos == [2] and sesiones == [2]
+    assert counts["sessions"] == 1 and counts["outputs"] == 1
+    assert counts["sources"] == 1, "la cascada alcanza a la sesión purgada"
+    assert not (shorts / "1.mp4").exists() and (shorts / "2.mp4").exists()
+
+
+@pytest.mark.asyncio
+async def test_a_session_that_loses_its_last_short_loses_its_video(tmp_path,
+                                                                   monkeypatch):
+    """El MP4 se llama por sesión, así que cuando la fase 1 se lleva el último
+    short_en de una sesión que sigue viva, el fichero queda sin nada que lo
+    nombre. Sin esto el PVC acumula vídeos que ya no aparecen en ninguna fila."""
+    counts, vivos, sesiones, shorts = await purge_fixture(
+        tmp_path, monkeypatch,
+        sessions=[(1, 2)],                  # la sesión sigue viva
+        outputs=[(1, 1, 90)])               # pero su único short se va
+
+    assert vivos == [] and sesiones == [1]
+    assert counts["shorts"] == 1
+    assert not (shorts / "1.mp4").exists()
+
+
 @pytest.mark.asyncio
 async def test_the_youtube_url_never_passes_for_an_article_url(tmp_path):
     """Subir un Short escribe su URL de YouTube en `published_url`. Si