Feat: Agent-Memory auf Mem0 (auto-lernend, semantisch) via Sidecar

Paket A des Plans. Ersetzt die flache SQLite-Fakten-DB durch Mem0 (LLM-Auto-
Extraktion + Vektor/Chroma-Suche). Architektur erzwungen durch Python-Split:
MC2-Backend laeuft auf 3.14 (kann mem0 nicht importieren), mem0+chromadb nur
auf 3.12 (~/.mem0/venv) -> Mem0-Sidecar (FastAPI, localhost:8765), MC2 spricht
ihn per HTTP. /api/memory-Form bleibt unveraendert (UI + MCP kompatibel).

- mem0_service/: Sidecar (app.py), Migration (migrate.py), deps.
  - Embeddings: neue llama-swap embed-Rolle (Qwen3-Embedding-0.6B, 1024 Dim,
    pooling last) ueber /v1/embeddings.
  - LLM-Extraktion: lokales fast-Hirn; NoThinkLLM schaltet Qwen3-Thinking ab
    (sonst bricht json_object-Extraktion ab), custom_instructions halten Deutsch.
- backend/services/memory.py: duenner HTTP-Client auf den Sidecar (semantische
  Suche mit score, verbatim add, learn()). Router: /api/memory/learn.
- mcp/mcp_memory.py: neues learn-Tool (Auto-Lernen aus Gespraechs-Turns),
  search jetzt semantisch.
- Frontend: Relevanz-Score + Auto/Manuell-Herkunft im Gedaechtnis-Tab.
- deploy/: mem0-service.service + deploy.sh (uv-Install, Migration, Restart).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

mcp/mcp_memory.py

@@ -68,12 +68,16 @@ def get_memories(category: str = "") -> str:
 
 @mcp.tool()
 def search_memories(q: str) -> str:
-    """Sucht per Stichwort in den Fakten. Nutze dies VOR add_memory (Dubletten-Check)
-    oder wenn du eine konkrete frühere Entscheidung suchst."""
+    """Sucht SEMANTISCH (nach Bedeutung, nicht nur Stichwort) in den Fakten. Nutze dies
+    VOR add_memory (Dubletten-Check) oder wenn du eine konkrete frühere Entscheidung suchst.
+    Treffer sind nach Relevanz sortiert."""
     items = _get("/api/memory", q=q)
     if not items:
         return f"Keine Treffer für '{q}'."
-    return "\n".join(f"[{m['category']}] {m['content']}  (ID: {m['id'][:8]})" for m in items)
+    def _line(m):
+        sc = f" {m['score']:.2f}" if isinstance(m.get("score"), (int, float)) else ""
+        return f"[{m['category']}{sc}] {m['content']}  (ID: {m['id'][:8]})"
+    return "\n".join(_line(m) for m in items)
 
 
 @mcp.tool()
@@ -104,5 +108,20 @@ def delete_memory(memory_id: str) -> str:
     return f"Eintrag {memory_id[:8]} gelöscht."
 
 
+@mcp.tool()
+def learn(text: str) -> str:
+    """Lässt das Gedächtnis AUTOMATISCH aus einem Gesprächsausschnitt lernen: reiche
+    rohe Nutzer-Aussagen/Turns durch — das Gedächtnis EXTRAHIERT die dauerhaften Fakten
+    selbst und mischt sie ein (ohne Dubletten). Nutze dies, wenn der Nutzer beiläufig etwas
+    Dauerhaftes über sich/seine Vorlieben/das Projekt erwähnt hat — du musst nicht selbst
+    den Fakt formulieren. Für einen bereits fertig formulierten Einzel-Fakt → add_memory."""
+    res = _post("/api/memory/learn", {"text": text})
+    items = res.get("results", []) if isinstance(res, dict) else []
+    learned = [r for r in items if r.get("event") in (None, "ADD", "UPDATE")]
+    if not learned:
+        return "Nichts Neues gelernt (keine dauerhaften Fakten erkannt)."
+    return "Gelernt:\n" + "\n".join(f"· {r.get('content')}" for r in learned)
+
+
 if __name__ == "__main__":
     mcp.run()