docs(course): каркас курса и переобвязка уроков 0–6 на путь import (#21)

Зачем: после редизайна пути менти курс ссылался на старый путь
generated-history-analytics/backfill и не проходился по новому стенду.

Что: в README курса — единый блок подготовки и канонического сброса
(make clean -> make up + ddl_init/world_init -> make superset-init),
таблица уроков дополнена лабами 07–08 («в работе»); LESSON_STANDARD и
уроки 0–6 ссылаются на канонический блок; урок 1 переведён на дозаливку
через world_next_day (кнопкой-анонсом, цена в минутах названа); урок 4 —
лесенка DAG-ов; урок 5 — словарь «база import / живой поток»; урок 6
обязателен; цифры старого мира помечены маркером «сверить-на-стенде».

Проверка: grep по generated-history-analytics/backfill в docs/course/
пуст; правки только в docs/course/; git diff --check чистый.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

docs/course/lessons/04_airflow_orchestration.md

@@ -56,15 +56,19 @@ Airflow. Главная единица Airflow — **DAG** (Directed Acyclic Gra
 
 ## 2. Руки: запускаем DAG и смотрим зелёный прогон
 
-Подними стенд и создай стартовую историю. Это штатный путь курса: готовый источник
-данных стенда пишет события в Kafka, ClickHouse читает их в STG, затем batch строит
-ODS, DDS и DM. Файлы `data/*.jsonl` пока остаются только кладовкой значений для этого
-источника, а не источником аналитического контура.
+Подготовь стенд по
+[канонической инструкции курса](../README.md#подготовка-и-канонический-сброс).
+После успешного `world_init` эталонный мир уже прошёл путь Kafka → STG → ODS → DDS → DM.
 
-```bash
-make generated-history-analytics
-make up
-```
+Перед разбором `etl_pipeline` вспомни пульт курса как лесенку:
+
+1. `ddl_init` создаёт схему ClickHouse;
+2. `world_init` импортирует эталонный мир и запускает его обработку;
+3. `world_next_day` дозаливает следующий день и снова запускает обработку.
+
+Первые две ступени ты уже прошёл при подготовке. Третью пока только запомни: подробно
+её разберём в лабе 07. Внутри двух последних ступеней работает тот самый
+`etl_pipeline`, который мы сейчас откроем отдельно.
 
 Открой Airflow: `http://localhost:8080` (логин `admin`, пароль `admin`). Найди DAG
 `etl_pipeline` и запусти его через **Trigger DAG with config**:
@@ -97,6 +101,7 @@ WHERE layer = 'dds'
 
 Ожидаем `check_value = 0`. Это тот же смысл, что в уроке 3, только теперь число появилось внутри
 управляемого прогона Airflow.
+<!-- сверить-на-стенде -->
 
 ---
 
@@ -307,15 +312,9 @@ WHERE click_id IS NOT NULL
   AND click_id NOT IN (SELECT click_id FROM dds.click);
 ```
 
-Снова должно быть `0`. Если стенд после экспериментов совсем запутался, сделай штатный
-чистый прогон:
-
-```bash
-make generated-history-analytics
-make up
-```
-
-После этого при необходимости запусти `etl_pipeline` с `{"full_refresh": true}`.
+Снова должно быть `0`. Если стенд после экспериментов совсем запутался, пройди
+[канонический сброс](../README.md#подготовка-и-канонический-сброс).
+<!-- сверить-на-стенде -->
 
 ---
 
@@ -328,6 +327,7 @@ make up
 | вставка события-сироты | прямой SQL-счётчик сирот | `0 → 1` |
 | `etl_pipeline` с `{"full_refresh": false}` после вставки | task `transform.assert_dds_integrity` | task красная, DAG failed |
 | откат через `{"full_refresh": true}` | прямой SQL-счётчик сирот | снова `0` |
+<!-- сверить-на-стенде -->
 
 ---