diff --git a/network-poc/SUPERAGENTS.md b/network-poc/SUPERAGENTS.md
index 80c3981..847bcda 100644
--- a/network-poc/SUPERAGENTS.md
+++ b/network-poc/SUPERAGENTS.md
@@ -128,6 +128,155 @@ Automaattinen promptien optimointi geneettisellä algoritmilla.
 
 Yhdistetään kaikki tasot: järjestelmä **valitsee parhaan mallin tehtävään** (taso 3), **käyttää opittuja prompteja** (taso 2), **korjaa virheensä itse** (taso 4), ja **parantaa promptejaan joka kierroksella** (taso 5).
 
+## Benchmark — kehityksen todentaminen
+
+Ilman kunnollista pisteytystä ja historiaa ei voi todentaa kehitystä. Benchmark-järjestelmä tarvitsee kolme kerrosta: **metriikat**, **vaikeustasot** ja **historiavertailu**.
+
+### Metriikat
+
+Yksittäinen "PASS/FAIL" ei riitä. Jokainen ajo pisteytetään moniulotteisesti:
+
+| Metriikka | Mitä mittaa | Pisteytys |
+|-----------|------------|-----------|
+| **Parsittavuus** | Tuottiko malli kaikki 5 tiedostoa oikeilla markereilla? | 0–5 (tiedostoa) |
+| **Syntaksi** | Parsitaanko koodi virheettä? | 0–4 (.py-tiedostot) |
+| **Importit** | Ovatko kaikki importit resolvable? | 0/1 per tiedosto |
+| **Testit** | Pytest pass rate | passed / total (0.0–1.0) |
+| **Korjauskierrokset** | Montako korjausta tarvittiin? | 0 = paras, >2 = huono |
+| **Token-tehokkuus** | Tokenia per läpäisty testi | pienempi = parempi |
+| **Nopeus** | tok/s ja kokonaisaika | isompi tok/s = parempi |
+| **Varoitukset** | Deprecation warnings, style issues | 0 = paras |
+
+**Kokonaispistemäärä** (0–100):
+
+```
+score = (
+    parsittavuus/5 * 15 +       # 15p: tiedostot syntyvät
+    syntaksi/4 * 15 +            # 15p: koodi parsitaan
+    testit * 40 +                # 40p: testit menevät läpi (tärkein)
+    (1 - korjaukset/max) * 10 +  # 10p: ei tarvitse korjauksia
+    tehokkuus_norm * 10 +        # 10p: vähän tokeneita per testi
+    nopeus_norm * 10             # 10p: nopea generointi
+)
+```
+
+Testien paino on 40% koska toimiva koodi on tärkein. Parsittavuus ja syntaksi ovat "pääsyvaatimuksia" — ilman niitä testejä ei voi edes ajaa.
+
+### Vaikeustasot
+
+Kolme nykyistä skenaariota (todo, users, blog) ovat kaikki samaa tasoa. Kehityksen mittaamiseen tarvitaan portaikko:
+
+**Taso 1 — Perus-CRUD** (nykyiset)
+- Yksi entiteetti, ei relaatioita
+- Esim. todo, users
+- Odotettu tulos: 100% kaikilla kelvollisilla malleilla
+
+**Taso 2 — Relaatiot** (nykyinen blog)
+- 2–3 entiteettiä, foreign key -viittaukset
+- Esim. blog (author → post), kirjasto (author → book)
+- Haaste: relaatioiden oikea käsittely, cascade
+
+**Taso 3 — Liiketoimintalogiikka**
+- Validointisääntöjä, tilasiirtymiä, laskentaa
+- Esim. verkkokauppa (tuote → tilaus → tilausrivi, varastosaldo, hintalaskenta)
+- Haaste: pelkkä CRUD ei riitä, tarvitaan custom-endpointeja
+
+**Taso 4 — Kehittyneet patternit**
+- Autentikointi, middleware, taustatehtävät, WebSocket
+- Esim. chat-sovellus (käyttäjä → huone → viesti, reaaliaikainen, online-status)
+- Haaste: arkkitehtuuriosaamisesta, ei vain tietomallista
+
+**Skenaariot per taso:**
+
+```python
+SCENARIOS = [
+    # Taso 1 — Perus-CRUD
+    {"id": "todo",      "level": 1, "prompt": "Todo-sovellus: tehtävien hallinta, deadline, prioriteetti ja status"},
+    {"id": "users",     "level": 1, "prompt": "REST API käyttäjähallinnalle SQLite-tietokannalla"},
+    {"id": "notes",     "level": 1, "prompt": "Muistiinpanosovellus: otsikko, sisältö, tagit, luontipäivä"},
+
+    # Taso 2 — Relaatiot
+    {"id": "blog",      "level": 2, "prompt": "Blogi-API: kirjoittajat ja artikkelit, julkaisupäivämäärä ja status"},
+    {"id": "library",   "level": 2, "prompt": "Kirjasto-API: kirjailijat, kirjat ja lainaukset, palautuspäivä ja sakko"},
+    {"id": "school",    "level": 2, "prompt": "Kouluhallinto: opettajat, kurssit ja ilmoittautumiset, arvosanat"},
+
+    # Taso 3 — Liiketoimintalogiikka
+    {"id": "shop",      "level": 3, "prompt": "Verkkokauppa: tuotteet, tilaukset ja tilausrivit, varastosaldo vähenee tilauksessa, kokonaishinta lasketaan automaattisesti"},
+    {"id": "booking",   "level": 3, "prompt": "Varausjärjestelmä: resurssit ja varaukset, päällekkäiset varaukset estetään, peruutus vapauttaa ajan"},
+    {"id": "project",   "level": 3, "prompt": "Projektinhallinta: projektit, tehtävät ja kommentit, tehtävän status-siirtymät (todo→doing→done), projektin edistymisprosentti lasketaan tehtävistä"},
+]
+```
+
+### Historiavertailu
+
+Tulokset tallennetaan aikasarjana jotta kehitys näkyy:
+
+```
+benchmark-history/
+├── 2026-04-14_1200_v1.json    ← ensimmäinen ajo
+├── 2026-04-14_1500_v2.json    ← prompti paranneltu
+├── 2026-04-15_0900_v3.json    ← few-shot lisätty
+└── latest.json                ← symlink uusimpaan
+```
+
+**Jokainen tallennus sisältää:**
+```json
+{
+    "version": "v3",
+    "timestamp": "2026-04-15T09:00:00Z",
+    "prompts_hash": "a3f2c1...",
+    "results": [
+        {
+            "model": "qwen3-coder-next",
+            "scenario": "todo",
+            "level": 1,
+            "score": 85,
+            "metrics": {
+                "parsability": 5,
+                "syntax": 4,
+                "tests_passed": 6,
+                "tests_total": 6,
+                "fix_rounds": 0,
+                "tokens": 2100,
+                "tok_per_sec": 72,
+                "warnings": 0
+            }
+        }
+    ],
+    "summary": {
+        "avg_score": 72,
+        "pass_rate": 0.67,
+        "by_level": {"1": 95, "2": 72, "3": 48}
+    }
+}
+```
+
+**Kehitysraportti** (automaattinen vertailu edelliseen):
+
+```
+╔═══════════════════════════════════════╗
+║  Kehitysraportti v2 → v3             ║
+╠═══════════════════════════════════════╣
+║  Kokonaispistemäärä:  62 → 72 (+10)  ║
+║  Pass rate:          44% → 67% (+23) ║
+║  Taso 1:              80 → 95 (+15)  ║
+║  Taso 2:              60 → 72 (+12)  ║
+║  Taso 3:              45 → 48 (+3)   ║
+║                                       ║
+║  Parantunut:  pyproject-muoto ✓      ║
+║  Parantunut:  import-ongelmat ✓      ║
+║  Ennallaan:   liiketoimintalogiikka  ║
+╚═══════════════════════════════════════╝
+```
+
+### Regressiotunnistus
+
+Jos promptimuutos parantaa yhtä skenaariota mutta rikkoo toisen, se pitää havaita:
+
+- Jokaisella ajolla verrataan **kaikkia skenaarioita** edelliseen
+- Jos mikä tahansa skenaario laskee >10 pistettä → **varoitus**
+- Jos taso 1 (perus-CRUD) laskee → **esto** (perustason pitää aina toimia)
+
 ## Toteutusjärjestys
 
 ```