diff --git a/README.en.md b/README.en.md
index 3a3326b..c99ccb8 100644
--- a/README.en.md
+++ b/README.en.md
@@ -184,10 +184,18 @@ How to run it — [docs/DEVELOPMENT.md](docs/DEVELOPMENT.md).
 
 ## Stack and ecosystem
 
-Python 3.12, FastAPI, Postgres with pgvector, Docker. Retrieval: BM25 and BGE-M3 dense
-embeddings, bge-reranker-v2-m3 as the reranker. Citation checking: NLI on GPU. The LLM is
-plugged in through a provider: Claude for synthesis, Russian providers (GigaChat,
-YandexGPT) for scenarios with data-residency requirements.
+Python 3.12, FastAPI, Docker. Retrieval: BM25 and BGE-M3 dense embeddings,
+bge-reranker-v2-m3 as the reranker. Citation checking: NLI on GPU.
+
+The dense index is held in memory and cached to disk (`PRAXIS_CACHE_DIR`), with a pure
+standard-library fallback — which is why the offline image and CI run without numpy at
+all. A Postgres index with pgvector is designed and not wired:
+`src/praxis/index/schema.sql` is in the repository, a retriever for it is not.
+
+The LLM is plugged in through a provider. Claude for synthesis and a deterministic mock
+for tests are implemented; the provider contract is `src/praxis/llm/base.py`. Russian
+providers (GigaChat, YandexGPT) for data-residency scenarios are the next step, not
+something that can be switched on today.
 
 The project uses two libraries from the same organisation:
 [glia](https://github.com/DrobyshevDev/glia) for the agent loop in LLM mode (search is
diff --git a/README.md b/README.md
index 5cdbec8..7c70b8f 100644
--- a/README.md
+++ b/README.md
@@ -179,10 +179,18 @@ recall@5 0.92, MRR 0.94, hit-rate 1.0, уверенность 0.80. Офлайн
 
 ## Стек и экосистема
 
-Python 3.12, FastAPI, Postgres с pgvector, Docker. Поиск: BM25 и плотные эмбеддинги
-BGE-M3, реранкер bge-reranker-v2-m3. Проверка цитат: NLI на GPU. LLM подключается через
-провайдера: Claude для синтеза, RU-провайдеры (GigaChat, YandexGPT) для сценариев с
-требованием резидентности.
+Python 3.12, FastAPI, Docker. Поиск: BM25 и плотные эмбеддинги BGE-M3, реранкер
+bge-reranker-v2-m3. Проверка цитат: NLI на GPU.
+
+Плотный индекс держится в памяти и кэшируется на диск (`PRAXIS_CACHE_DIR`), с запасным
+путём на чистой стандартной библиотеке — поэтому офлайн-образ и CI работают вообще без
+numpy. Индекс на Postgres с pgvector спроектирован, но не подключён:
+`src/praxis/index/schema.sql` в репозитории есть, ретривера к нему нет.
+
+LLM подключается через провайдера. Реализованы Claude для синтеза и детерминированный
+mock для тестов; контракт провайдера — в `src/praxis/llm/base.py`. RU-провайдеры
+(GigaChat, YandexGPT) для сценариев с требованием резидентности — следующий шаг, а не
+то, что можно включить сегодня.
 
 Проект использует две библиотеки той же организации:
 [glia](https://github.com/DrobyshevDev/glia) — агентный цикл в LLM-режиме (поиск оформлен