fix(deploy): Mem0-Logik aus Backup/Restore/Postchecks/Venv-Audit/Hooks entfernt, mem0_service/ gelöscht

deploy/agent-hooks/box-steckbrief-inject.sh

@@ -28,7 +28,7 @@ hint=""
 # Stabile Anti-Flail-Orientierung: WER bin ich, WO laufen die Modelle, WAS ist tabu.
 ctx="$(cat <<EOF
 [BOX-ORIENTIERUNG — du bist ein Hintergrund-Worker auf der lokalen AI-Box (Linux, Zeit UTC / lokal Europe/Berlin, locale de_DE), NICHT Lucy und kein Dev-Laptop. Du arbeitest EINE Kanban-Aufgabe ab.]
-Die Modelle / das "Hirn" laufen ausschliesslich ueber den Router llama-swap auf 127.0.0.1:8080 (startet je Modell einen llama-server) bzw. das OpenAI-kompatible Gateway von MC2 auf 127.0.0.1:9001/v1 — es gibt KEINEN anderen Modell-Server, also nicht danach suchen. Weitere Dienste: hermes-gateway :8642, mem0-Gedaechtnis :8765. Der MC2-Live-Checkout ~/mission-control-v2 ist nur zum LESEN da (Schreiben/committen TABU — Code-Arbeit immer im frischen Klon deines Task-Workspaces). Grenzen (was gehoert wohin): MC2 = Steuerpult (verwalten/klicken/zusehen, KEIN Chat-UI), Lucy = Chat & Stimme (eigenes Repo), Hermes-Quelle ist TABU (Agenten-Verhalten nur ueber Config/SOUL/Skill/Hook/MCP aendern). Feste Entscheide/Verbote + volle Grenzen-Landkarte: ~/mission-control-v2/docs/wissen/ (GRENZEN/VERDIKTE/FALLEN/STACK) + ~/wissens-vault/eigenbau-landkarte.md.${hint}
+Die Modelle / das "Hirn" laufen ausschliesslich ueber den Router llama-swap auf 127.0.0.1:8080 (startet je Modell einen llama-server) bzw. das OpenAI-kompatible Gateway von MC2 auf 127.0.0.1:9001/v1 — es gibt KEINEN anderen Modell-Server, also nicht danach suchen. Weitere Dienste: hermes-gateway :8642. Der MC2-Live-Checkout ~/mission-control-v2 ist nur zum LESEN da (Schreiben/committen TABU — Code-Arbeit immer im frischen Klon deines Task-Workspaces). Grenzen (was gehoert wohin): MC2 = Steuerpult (verwalten/klicken/zusehen, KEIN Chat-UI), Lucy = Chat & Stimme (eigenes Repo), Hermes-Quelle ist TABU (Agenten-Verhalten nur ueber Config/SOUL/Skill/Hook/MCP aendern). Feste Entscheide/Verbote + volle Grenzen-Landkarte: ~/mission-control-v2/docs/wissen/ (GRENZEN/VERDIKTE/FALLEN/STACK) + ~/wissens-vault/eigenbau-landkarte.md.${hint}
 TRIAGE (19.07. — Drei-Bahnen-Regel): Ordne deine Karte ZUERST einer Bahn zu und bleib darin: Denken (Konzept/Plan), Bauen (Code schreiben/aendern), Betrieb (SSH/Deploy/Dienste). Fuer Betrieb-Arbeit lade IMMER zuerst den Skill betrieb-playbook (Diagnose-Checklisten; max 3 Anlaeufe pro Hindernis, dann kanban_block mit exaktem Fehlertext — die No-Progress-Bremse erzwingt das mechanisch).
 PROTOKOLL-PFLICHT (15.07.): Beende deine Aufgabe IMMER mit dem Tool-Aufruf kanban_complete (fertig) oder kanban_block (Frage/Sackgasse). Eine Text-Zusammenfassung OHNE diesen Aufruf zaehlt als Absturz (Protokollverstoss) und blockiert die Karte — genau so ging am 14.07. eine fertige Arbeit verloren.
 REPO-WEGWEISER mission-control-v2 (NICHT raten/suchen — so liegt es): backend/app.py = Einstieg + Router-Mounting · backend/routers/*.py = REST-Endpunkte · backend/services/*.py = Logik · backend/gateway_app.py = /v1-Gateway-Prozess (:9010) · frontend/src/views/*.tsx = Ansichten · frontend/src/lib/api.ts = Typen+Fetch · frontend/src/lib/queries.ts = TanStack-Query-Hooks (Polling) · frontend/src/nav.ts = Sidebar · deploy/ = Skripte/Units/Hooks/Skills · Projekt-Regeln: AGENTS.md (Wurzel) + docs/wissen/.

deploy/autoupdate.sh

@@ -123,7 +123,7 @@ check_hermes(){
   done
   if [ "$state" = "done" ]; then
     SUMMARY+=("$name: $behind Commits eingespielt, Gehirn-Check grün.")
-    notify "Hermes-Agent aktualisiert ($behind Commits). Gehirn-Check (Mem0, Tools, Voice) grün — alles läuft."
+    notify "Hermes-Agent aktualisiert ($behind Commits). Gehirn-Check (Gedächtnis, Tools, Voice) grün — alles läuft."
     return
   fi
   # Rot/Timeout: ERST Selbstreparatur versuchen (Config-Bruch selbst ziehen, neue Version behalten) —

deploy/backup.sh

@@ -3,8 +3,8 @@
 # zurückkommt. Erzeugt EIN Tarball mc2-state-<ts>.tar.gz, behält die letzten N.
 # Läuft per systemd-Timer (täglich), manuell, oder über den UI-Snapshot-Button.
 #
-# Inhalt:  mem0 (Chroma + history.db) · ~/.hermes (config.yaml, .env, plugins/) ·
+# Inhalt:  ~/.hermes (config.yaml, .env, plugins/) · /etc/llama-swap/config.yaml ·
-#          /etc/llama-swap/config.yaml · known-good/ (Versions-Manifest, s. u.)
+#          known-good/ (Versions-Manifest, s. u.)
 # NICHT enthalten (bewusst): GGUF-Modelle (riesig, neu ladbar), MC2-Code (Git), venvs.
 #
 # ACHTUNG: das Tarball enthält ~/.hermes/.env (Secrets) → chmod 600, nicht in Git.
@@ -20,16 +20,14 @@ RETAIN="${MC_BACKUP_RETAIN:-14}"
 # Off-Box-Ziel (leer = deaktiviert). Default: Proxmox-Host, eigener Key mit minimalem Recht.
 OFFSITE="${MC_BACKUP_OFFSITE:-root@192.168.178.108:/var/lib/vz/mc2-backups}"
 OFFSITE_KEY="${MC_BACKUP_OFFSITE_KEY:-$HOME/.ssh/mc2_offsite}"
-MEM0_DIR="${MC_MEM0_DIR:-/srv/models/mem0}"
 LSWAP="${MC_CONFIG_PATH:-/etc/llama-swap/config.yaml}"
 HERMES="${HERMES_HOME:-$HOME/.hermes}"
 TS="$(date +%Y%m%d-%H%M%S)"
 
 STAGE="$(mktemp -d)"
 trap 'rm -rf "$STAGE"' EXIT
-mkdir -p "$STAGE/mem0" "$STAGE/hermes" "$STAGE/llama-swap"
+mkdir -p "$STAGE/hermes" "$STAGE/llama-swap"
 
-[ -d "$MEM0_DIR" ]            && cp -a "$MEM0_DIR/." "$STAGE/mem0/"          || true
 [ -f "$HERMES/config.yaml" ] && cp -a "$HERMES/config.yaml" "$STAGE/hermes/" || true
 [ -f "$HERMES/.env" ]        && cp -a "$HERMES/.env" "$STAGE/hermes/"        || true
 [ -d "$HERMES/plugins" ]     && cp -a "$HERMES/plugins" "$STAGE/hermes/plugins" || true
@@ -60,7 +58,7 @@ SRC="${MC2_SRC:-$HOME/mission-control-v2}"
 HERMES_AGENT="${HERMES_AGENT_DIR:-$HOME/.hermes/hermes-agent}"
 UV="$(command -v uv || echo "$HOME/.local/bin/uv")"
 
-# pip freeze je venv; mem0-venv ist uv-managed (kein pip-Modul) → uv als Fallback.
+# pip freeze je venv; voice-venv ist uv-managed (kein pip-Modul) → uv als Fallback.
 freeze_venv() { # $1 = python-Pfad, $2 = Zieldatei
   if [ ! -x "$1" ]; then echo "venv fehlt: $1" > "$2"; return 0; fi
   "$1" -m pip freeze > "$2" 2>/dev/null \
@@ -68,7 +66,6 @@ freeze_venv() { # $1 = python-Pfad, $2 = Zieldatei
     || echo "pip freeze fehlgeschlagen: $1" > "$2"
 }
 freeze_venv "$SRC/backend/.venv/bin/python" "$KG/pip-backend.txt"
-freeze_venv "$HOME/.mem0/venv/bin/python"   "$KG/pip-mem0.txt"
 freeze_venv "$HOME/.voice/venv/bin/python"  "$KG/pip-voice.txt"
 
 {
@@ -79,7 +76,7 @@ freeze_venv "$HOME/.voice/venv/bin/python"  "$KG/pip-voice.txt"
   echo "llama.cpp    : $(LD_LIBRARY_PATH=/opt/llamacpp-vulkan /usr/local/bin/llama-server --version 2>&1 | grep -m1 -o 'version: .*' || echo '?')"
   echo "llama-swap   : $(/usr/local/bin/llama-swap --version 2>/dev/null | head -1 || echo '?')"
   echo "python-venvs :"
-  for P in "$SRC/backend/.venv/bin/python" "$HOME/.mem0/venv/bin/python" "$HOME/.voice/venv/bin/python"; do
+  for P in "$SRC/backend/.venv/bin/python" "$HOME/.voice/venv/bin/python"; do
     echo "  $P → $("$P" --version 2>&1 || echo 'fehlt')"
   done
 } > "$KG/versions.txt" || true
@@ -92,7 +89,7 @@ cat > "$STAGE/MANIFEST.txt" <<EOF
 mc2-state backup
 created : $TS
 host    : $(hostname)
-inhalt  : mem0 (chroma + history.db), hermes (config.yaml, .env, plugins/), llama-swap (config.yaml), known-good/ (Versions-Manifest: pip freeze, Engine, Modelle)
+inhalt  : hermes (config.yaml, .env, plugins/), llama-swap (config.yaml), known-good/ (Versions-Manifest: pip freeze, Engine, Modelle)
 restore : bash ~/mission-control-v2/deploy/restore.sh mc2-state-$TS.tar.gz
 EOF
 

deploy/hermes-postcheck.sh

@@ -1,28 +1,15 @@
 #!/usr/bin/env bash
 # Post-Update-Check nach einem Hermes-Agent-Update: läuft unser geteiltes „Gehirn"
-# (Mem0 + die mc2-memory-Integration) noch? Exit 0 = alles ok, sonst 1 → der Job wird
+# (die mc2-memory-Integration) noch? Exit 0 = alles ok, sonst 1 → der Job wird
 # im UI rot, damit ein kaputtes Gehirn sofort auffällt.
 set -uo pipefail
 
 MC_URL="${MC_URL:-http://127.0.0.1:9001}"
-MEM0_URL="${MEM0_SERVICE_URL:-http://127.0.0.1:8765}"
 HERMES="${HERMES_HOME:-$HOME/.hermes}"
 fail=0
 
 echo "=== Hermes Post-Update: Gehirn-Check ==="
 
-if curl -sf -m 5 "$MEM0_URL/health" >/dev/null 2>&1; then
-  echo "PASS · Mem0-Sidecar erreichbar"
-else
-  echo "FAIL · Mem0-Sidecar NICHT erreichbar"; fail=1
-fi
-
-if curl -sf -m 8 "$MC_URL/api/memory" >/dev/null 2>&1; then
-  echo "PASS · /api/memory antwortet"
-else
-  echo "FAIL · /api/memory antwortet nicht"; fail=1
-fi
-
 if grep -qE "^[[:space:]]*provider:[[:space:]]*'?mc2-memory'?" "$HERMES/config.yaml" 2>/dev/null \
    && grep -qE "memory_enabled:[[:space:]]*true" "$HERMES/config.yaml" 2>/dev/null; then
   echo "PASS · memory.provider=mc2-memory aktiv"

deploy/restore.sh

@@ -15,11 +15,10 @@ set -euo pipefail
 
 MODELS_DIR="${MC_MODELS_DIR:-/srv/models}"
 DEST_DIR="$MODELS_DIR/mc2-backups"
-MEM0_DIR="${MC_MEM0_DIR:-/srv/models/mem0}"
 LSWAP="${MC_CONFIG_PATH:-/etc/llama-swap/config.yaml}"
 HERMES="${HERMES_HOME:-$HOME/.hermes}"
 SRC="${MC2_SRC:-$HOME/mission-control-v2}"
-SERVICES="mem0-service mission-control-2 hermes-gateway"
+SERVICES="mission-control-2 hermes-gateway"
 OFFSITE="${MC_BACKUP_OFFSITE:-root@192.168.178.108:/var/lib/vz/mc2-backups}"
 OFFSITE_KEY="${MC_BACKUP_OFFSITE_KEY:-$HOME/.ssh/mc2_offsite}"
 OFFSITE_SSH="ssh -i $OFFSITE_KEY -o BatchMode=yes -o ConnectTimeout=10 -o StrictHostKeyChecking=accept-new"
@@ -98,7 +97,6 @@ echo "--- Inhalt ---"; cat "$STAGE/MANIFEST.txt" 2>/dev/null || true; echo "----
 
 if [ "$DRY" = 1 ]; then
   echo "[dry-run] würde zurücksetzen:"
-  [ -d "$STAGE/mem0" ]                 && echo "  • mem0 → $MEM0_DIR (wird ersetzt)"
   [ -f "$STAGE/hermes/config.yaml" ]   && echo "  • $HERMES/config.yaml"
   [ -f "$STAGE/hermes/.env" ]          && echo "  • $HERMES/.env"
   [ -d "$STAGE/hermes/plugins" ]       && echo "  • $HERMES/plugins/"
@@ -119,7 +117,6 @@ bash "$SRC/deploy/backup.sh" || echo "  (Pre-Restore-Backup fehlgeschlagen — f
 echo "→ Dienste stoppen…"
 systemctl --user stop $SERVICES 2>/dev/null || true
 
-if [ -d "$STAGE/mem0" ]; then rm -rf "$MEM0_DIR"; mkdir -p "$MEM0_DIR"; cp -a "$STAGE/mem0/." "$MEM0_DIR/"; fi
 [ -f "$STAGE/hermes/config.yaml" ]   && { mkdir -p "$HERMES"; cp -a "$STAGE/hermes/config.yaml" "$HERMES/"; }
 [ -f "$STAGE/hermes/.env" ]          && cp -a "$STAGE/hermes/.env" "$HERMES/"
 [ -d "$STAGE/hermes/plugins" ]       && { mkdir -p "$HERMES/plugins"; cp -a "$STAGE/hermes/plugins/." "$HERMES/plugins/"; }

deploy/stack-postcheck.sh

@@ -3,15 +3,14 @@
 # dass der komplette Inferenz-Stack noch FUNKTIONIERT — nicht nur "Befehl lief durch".
 # Exit 0 = alles ok, sonst 1 → der jobengine-Job wird im UI ROT (state=failed).
 #
-# Pendant zu hermes-postcheck.sh (prüft das Gehirn/Mem0); dieser prüft Router+Engine+MC2
+# Pendant zu hermes-postcheck.sh (prüft das Gehirn); dieser prüft Router+Engine+MC2
 # inkl. einer ECHTEN 1-Token-Inferenz (beweist, dass ein Modell wirklich lädt & generiert).
 set -uo pipefail
 
 SWAP_URL="${MC_LLAMA_SWAP_URL:-http://127.0.0.1:8080}"
 MC_URL="${MC_URL:-http://127.0.0.1:9001}"
-MEM0_URL="${MEM0_SERVICE_URL:-http://127.0.0.1:8765}"
 BRAIN="${MC_WARMUP_MODELS:-fast}"; BRAIN="${BRAIN%% *}"   # erstes Modell, falls Liste
-EMBED="${MC_WARMUP_EMBED:-embed}"; EMBED="${EMBED%% *}"   # Embedding-Modell (Mem0/Gedächtnis)
+EMBED="${MC_WARMUP_EMBED:-embed}"; EMBED="${EMBED%% *}"   # Embedding-Modell (Gedächtnis)
 fail=0
 
 echo "=== Stack Post-Update: Funktionsprüfung ==="
@@ -48,14 +47,14 @@ else
   echo "FAIL · Inferenz auf '$BRAIN' fehlgeschlagen (Modell lädt/generiert nicht)"; fail=1
 fi
 
-# 3b. Embedding-Modell (für Mem0/Gedächtnis) lädt und liefert einen Vektor?
+# 3b. Embedding-Modell (für Gedächtnis) lädt und liefert einen Vektor?
 eresp="$(curl -s -m 120 -X POST "$SWAP_URL/v1/embeddings" \
   -H 'Content-Type: application/json' \
   -d "{\"model\":\"$EMBED\",\"input\":\"ping\"}" 2>/dev/null)"
 if printf '%s' "$eresp" | grep -q '"embedding"'; then
   echo "PASS · Embedding-Modell '$EMBED' liefert Vektoren"
 else
-  echo "FAIL · Embedding-Modell '$EMBED' lädt/antwortet nicht (Mem0/Gedächtnis betroffen)"; fail=1
+  echo "FAIL · Embedding-Modell '$EMBED' lädt/antwortet nicht (Gedächtnis betroffen)"; fail=1
 fi
 
 # 4. MC2 selbst gesund (Engine + Gateway erreichbar)?
@@ -85,13 +84,6 @@ if systemctl --user is-enabled --quiet mc2-steward 2>/dev/null; then
   fi
 fi
 
-# 5. Mem0-Sidecar (Gedächtnis) erreichbar?
-if curl -sf -m 5 "$MEM0_URL/health" >/dev/null 2>&1; then
-  echo "PASS · Mem0-Sidecar erreichbar"
-else
-  echo "FAIL · Mem0-Sidecar NICHT erreichbar"; fail=1
-fi
-
 if [ "$fail" -eq 0 ]; then
   echo "=== STACK OK ✓ ==="
 else

deploy/venv-audit.sh

@@ -1,5 +1,5 @@
 #!/usr/bin/env bash
-# Venv-Audit (monatlich, 17.07.2026): die Python-Nebendienste (Mem0, Voice) altern
+# Venv-Audit (monatlich, 17.07.2026): die Python-Nebendienste (Voice) altern
 # eingefroren — kein Auto-Update-Kanal deckt sie ab. Dieser Audit MELDET nur
 # (bewusst kein Auto-Update: Python-Deps brechen gern):
 #   je venv: veraltete Pakete zählen (pip list --outdated) + bekannte
@@ -9,7 +9,7 @@
 # idempotent je Monat). Läuft als Hermes-Cron --no-agent (stdout = Telegram).
 set -uo pipefail
 
-VENVS=("$HOME/.mem0/venv:mem0" "$HOME/.voice/venv:voice")
+VENVS=("$HOME/.voice/venv:voice")
 AUDIT_VENV="$HOME/.venv-audit"
 HERMES="$HOME/.local/bin/hermes"
 MONAT="$(date '+%Y-%m')"

deploy/warmup.sh

@@ -4,7 +4,7 @@
 # Eingehängt als  ExecStartPost=-/usr/local/bin/llama-swap-warmup.sh  in llama-swap.
 #
 # `fast` = das Agent-Hirn (Qwen3.6-35B-A3B), `embed` = das Embedding-Modell
-# (Qwen3-Embedding-0.6B, für Mem0/Gedächtnis). Die Augen (vision/VL-30B) sind seit 07.07.
+# (Qwen3-Embedding-0.6B, für Gedächtnis). Die Augen (vision/VL-30B) sind seit 07.07.
 # ON-DEMAND (User-Entscheid) und gehören NICHT mehr ins Warm-Set — die Lucy-App wärmt sie
 # beim Start selbst an. Modelle werden NICHT automatisch zusammen geladen — jedes einzeln
 # anstoßen, sonst bleibt es kalt.

mem0_service/app.py

@@ -1,483 +0,0 @@
-#!/usr/bin/env python3
-"""
-Mem0-Sidecar für Mission Control 2.0 — das auto-lernende, semantische Gedächtnis.
-
-WARUM ein eigener Dienst? Mem0 + chromadb laufen nur unter Python 3.12 (`~/.mem0/venv`),
-das MC2-Backend aber unter Python 3.14 (kann mem0 nicht importieren). Darum kapselt dieser
-schlanke FastAPI-Dienst die Mem0-Memory-Instanz und exponiert sie auf localhost. MC2
-(`backend/services/memory.py`) spricht ihn per HTTP an — die `/api/memory`-API-Form bleibt
-nach außen unverändert (UI + MCP-Server kompatibel).
-
-Aufbau:
-- Vektor-Store : Chroma embedded (kein Docker auf der Box) — Pfad MEM0_CHROMA_PATH.
-- Embeddings   : llama.cpp `embed`-Rolle über llama-swap (/v1/embeddings, 1024 Dim).
-- LLM-Extraktion: lokales `fast`-Hirn (Qwen3.6) über llama-swap (/v1/chat/completions).
-                  Thinking wird abgeschaltet (NoThinkLLM), sonst bricht die JSON-Extraktion ab.
-
-Läuft als systemd-User-Dienst (deploy/mem0-service.service) im `~/.mem0/venv`.
-Bind: 127.0.0.1 (nur lokal; MC2 proxyt nach außen).
-"""
-
-import logging
-import os
-import re
-from contextlib import asynccontextmanager
-
-from fastapi import FastAPI, HTTPException
-from mem0 import Memory
-from mem0.configs.llms.openai import OpenAIConfig
-from mem0.llms.openai import OpenAILLM
-from pydantic import BaseModel
-
-log = logging.getLogger("mem0_service")
-
-# --- Konfiguration (alles über Env überschreibbar; Defaults = Box-Stand) ----------
-USER_ID = os.environ.get("MEM0_USER_ID", "mission-control")  # ein geteiltes Gehirn
-EMBED_URL = os.environ.get("MEM0_EMBED_URL", "http://127.0.0.1:8080/v1")
-LLM_URL = os.environ.get("MEM0_LLM_URL", "http://127.0.0.1:8080/v1")
-EMBED_MODEL = os.environ.get("MEM0_EMBED_MODEL", "embed")
-LLM_MODEL = os.environ.get("MEM0_LLM_MODEL", "fast")
-EMBED_DIMS = int(os.environ.get("MEM0_EMBED_DIMS", "1024"))
-CHROMA_PATH = os.environ.get("MEM0_CHROMA_PATH", "/srv/models/mem0/chroma")
-HISTORY_DB = os.environ.get("MEM0_HISTORY_DB", "/srv/models/mem0/history.db")
-COLLECTION = os.environ.get("MEM0_COLLECTION", "mc2")
-API_KEY = os.environ.get("MEM0_API_KEY", "sk-local")  # llama.cpp ignoriert den Key
-LLM_MAX_TOKENS = int(os.environ.get("MEM0_LLM_MAX_TOKENS", "2048"))
-SEARCH_TOP_K = int(os.environ.get("MEM0_SEARCH_TOP_K", "50"))
-
-# --- Rerank-Zweitstufe (07.07.2026): Die Vektor-Suche findet ÄHNLICHES, der Reranker ordnet
-# nach ECHTER Relevanz (Qwen3-Reranker via llama-swap /v1/rerank). Es ändert sich NUR die
-# Reihenfolge: `score` bleibt der Vektor-Score (RECALL_MIN_SCORE im Hermes-Plugin bleibt
-# kalibriert), Konsumenten, die vorne abschneiden (RECALL_LIMIT), bekommen automatisch die
-# relevantesten Fakten. Jeder Fehler → lautlos Vektor-Reihenfolge (Gedächtnis bricht NIE).
-RERANK_ENABLED = os.environ.get("MC_RERANK_ENABLED", "1") != "0"
-RERANK_URL = os.environ.get("MC_RERANK_URL", "http://127.0.0.1:8080/v1/rerank")
-RERANK_MODEL = os.environ.get("MC_RERANK_MODEL", "Qwen3-Reranker-0.6B")
-RERANK_TIMEOUT = float(os.environ.get("MC_RERANK_TIMEOUT", "8"))
-RERANK_CANDIDATES = int(os.environ.get("MC_RERANK_CANDIDATES", "20"))  # nur die Top-N neu ordnen (Latenz)
-
-# Kategorien = fundierte Memory-Taxonomie (semantisch/prozedural/episodisch), bewusst knapp (4).
-# Mem0-OSS kann nicht nativ klassifizieren (Cloud-Feature) → wir lassen das Hirn beim Lernen
-# einordnen (classify_facts). Die Beschreibungen steuern die Treffsicherheit der Auto-Zuordnung.
-CATEGORIES = ("identity", "knowledge", "rules", "events")
-DEFAULT_CATEGORY = "knowledge"
-CATEGORY_DESCRIPTIONS = {
-    "identity": "Identität & Vorlieben des Nutzers: wer er ist (Name, Rolle), wie er angesprochen werden "
-                "will, persönliche Vorlieben und seine Arbeitsweise.",
-    "knowledge": "Wissen & Fakten: stabile Fakten über Stack, Projekte, Tools, Infrastruktur und Umgebung.",
-    "rules": "Regeln & Konventionen: verbindliche Anweisungen und Workflows — wie etwas gemacht werden "
-             "soll, Do's und Don'ts.",
-    "events": "Ereignisse & Entscheidungen: was passiert ist, getroffene Entscheidungen, zeitgebundene Vorgänge.",
-}
-
-
-class NoThinkLLM(OpenAILLM):
-    """`fast` (Qwen3.6) ist ein Thinking-Modell. Unter response_format=json_object
-    verbrennt das Reasoning Tokens und schneidet die JSON-Fakten ab (leeres Ergebnis).
-    `enable_thinking=false` (chat_template_kwargs) → deterministische, schnelle Extraktion."""
-
-    def generate_response(self, messages, response_format=None, tools=None,
-                          tool_choice="auto", **kwargs):
-        eb = dict(kwargs.pop("extra_body", {}) or {})
-        eb.setdefault("chat_template_kwargs", {"enable_thinking": False})
-        return super().generate_response(
-            messages, response_format=response_format, tools=tools,
-            tool_choice=tool_choice, extra_body=eb, **kwargs,
-        )
-
-
-def build_memory() -> Memory:
-    os.environ.setdefault("OPENAI_API_KEY", API_KEY)
-    os.environ.setdefault("TOKENIZERS_PARALLELISM", "false")
-    os.makedirs(CHROMA_PATH, exist_ok=True)
-    os.makedirs(os.path.dirname(HISTORY_DB), exist_ok=True)
-    cfg = {
-        "vector_store": {"provider": "chroma", "config": {
-            "collection_name": COLLECTION, "path": CHROMA_PATH}},
-        "embedder": {"provider": "openai", "config": {
-            "model": EMBED_MODEL, "embedding_dims": EMBED_DIMS,
-            "openai_base_url": EMBED_URL, "api_key": API_KEY}},
-        "llm": {"provider": "openai", "config": {
-            "model": LLM_MODEL, "openai_base_url": LLM_URL, "api_key": API_KEY,
-            "temperature": 0.1, "max_tokens": LLM_MAX_TOKENS}},
-        "history_db_path": HISTORY_DB,
-        # Sprache zwingend Deutsch erzwingen — mem0s englischer Extraktions-Prompt zieht sonst
-        # Richtung Englisch. Eigennamen/Fachbegriffe bleiben unangetastet.
-        "custom_instructions": (
-            "RELEVANZ (ZWINGEND, WICHTIGSTE REGEL): Extrahiere NUR dauerhaft nützliche Fakten ÜBER DEN "
-            "NUTZER (Identität, Vorlieben, Arbeitsweise), seine Projekte/Entscheidungen/Stände, stabile "
-            "Fakten über Stack/Tools/Infrastruktur sowie verbindliche Regeln und Workflows. "
-            "NIEMALS FAKTEN ÜBER DEN ASSISTENTEN SELBST (ZWINGEND): Extrahiere KEINE Aussagen über den "
-            "Assistenten/die KI (Hermes, Lucy), seine Fähigkeiten, seinen Zustand, seine Tools/MCP-Server, "
-            "seine Cronjobs, Commit-/Versionsstände oder welche Modelle er nutzt. Das Subjekt eines Fakts "
-            "ist IMMER der Nutzer oder sein Projekt — niemals 'der Assistent', 'Hermes' oder 'Lucy'. "
-            "KEINE ZEITGEBUNDENEN ZUSTÄNDE: Ignoriere transiente Momentaufnahmen (Fehler-/Job-Läufe, "
-            "Commit-Rückstand, Versions-Updates, 'gerade dabei'-/'hochgefahren'-/'aufgewärmt'-Status, "
-            "Test- und Onboarding-Fragen). IGNORIERE VOLLSTÄNDIG und gib KEINE Fakten zurück bei: "
-            "Tagesnachrichten und Welt-/Politik-/Börsen-/Promi-Ereignissen, Wetter, allgemeinem Weltwissen "
-            "ohne Bezug zum Nutzer, vom Assistenten erzeugten Zusammenfassungen oder Recherche-Ergebnissen, "
-            "Smalltalk, sowie Meta-Aussagen über den Gesprächsverlauf (z.B. 'der Nutzer fragt nach X', "
-            "'der Nutzer möchte Y prüfen', 'der Assistent tat Z'). Speichere nur, was in Wochen noch "
-            "nützlich ist; im Zweifel NICHT speichern. "
-            "SPRACHE (ZWINGEND): Formuliere ALLE Fakten auf DEUTSCH — unabhängig von der "
-            "Eingabesprache, niemals auf Englisch übersetzen. Eigennamen, Befehle, Pfade, Modell- und "
-            "Produktnamen sowie etablierte Fachbegriffe (z.B. PowerShell-Push, Deploy, Qwen3.6, Neovim, "
-            "Vulkan) bleiben unverändert. Schreibe jeden Fakt knapp und atomar — genau eine Aussage."
-        ),
-    }
-    m = Memory.from_config(cfg)
-    # LLM gegen die Thinking-freie Variante tauschen (gleiche Verbindung).
-    m.llm = NoThinkLLM(OpenAIConfig(
-        model=LLM_MODEL, openai_base_url=LLM_URL, api_key=API_KEY,
-        temperature=0.1, max_tokens=LLM_MAX_TOKENS,
-    ))
-    return m
-
-
-_mem: Memory | None = None
-
-
-def mem() -> Memory:
-    global _mem
-    if _mem is None:
-        _mem = build_memory()
-    return _mem
-
-
-@asynccontextmanager
-async def lifespan(_app: FastAPI):
-    logging.basicConfig(level=logging.INFO)
-    try:
-        mem()  # Memory beim Start aufbauen (Chroma öffnen, Modelle anpingen)
-        log.info("Mem0 bereit (chroma=%s, embed=%s, llm=%s)", CHROMA_PATH, EMBED_MODEL, LLM_MODEL)
-    except Exception:
-        log.exception("Mem0-Init fehlgeschlagen (Dienst läuft, /health meldet down)")
-    yield
-
-
-app = FastAPI(title="MC2 Mem0 Sidecar", lifespan=lifespan)
-
-
-# --- Mapping Mem0 <-> MC2-API-Form -----------------------------------------------
-def _to_item(r: dict, score=None) -> dict:
-    meta = r.get("metadata") or {}
-    out = {
-        "id": r.get("id"),
-        "content": r.get("memory", ""),
-        "category": meta.get("category") or "stable",
-        "bereich": meta.get("bereich") or "",
-        "source": meta.get("source") or "auto",
-        "created_at": r.get("created_at") or "",
-        "updated_at": r.get("updated_at") or r.get("created_at") or "",
-    }
-    if score is not None:
-        try:
-            out["score"] = round(float(score), 4)
-        except (TypeError, ValueError):
-            pass
-    return out
-
-
-class MemIn(BaseModel):
-    content: str
-    category: str = DEFAULT_CATEGORY
-    source: str = "manual"
-
-
-class MemUp(BaseModel):
-    content: str | None = None
-    category: str | None = None
-
-
-class LearnIn(BaseModel):
-    text: str | None = None
-    messages: list[dict] | None = None
-    source: str = "auto"
-    category: str = DEFAULT_CATEGORY
-    classify: bool = True   # Hirn ordnet die gelernten Fakten automatisch ein
-
-
-@app.get("/health")
-def health() -> dict:
-    try:
-        mem().get_all(filters={"user_id": USER_ID}, top_k=1)
-        return {"ok": True}
-    except Exception as exc:
-        raise HTTPException(503, f"mem0 nicht bereit: {exc}")
-
-
-def _rerank(query: str, items: list[dict]) -> list[dict]:
-    """Suchtreffer nach echter Relevanz umordnen; bei jedem Fehler unverändert zurück."""
-    if not (RERANK_ENABLED and len(items) > 1):
-        return items
-    try:
-        import httpx
-        r = httpx.post(RERANK_URL, json={
-            "model": RERANK_MODEL,
-            "query": query,
-            "documents": [i.get("content", "") for i in items],
-            "top_n": len(items),
-        }, timeout=RERANK_TIMEOUT)
-        r.raise_for_status()
-        results = r.json().get("results") or []
-        ranked = []
-        for s in sorted(results, key=lambda x: x.get("relevance_score", 0.0), reverse=True):
-            idx = s.get("index")
-            if isinstance(idx, int) and 0 <= idx < len(items):
-                item = dict(items[idx])
-                item["rerank_score"] = round(float(s.get("relevance_score", 0.0)), 4)
-                ranked.append(item)
-        # Nur übernehmen, wenn der Reranker ALLE Kandidaten bewertet hat (sonst Verlustgefahr).
-        return ranked if len(ranked) == len(items) else items
-    except Exception as exc:
-        log.debug("rerank übersprungen: %s", exc)
-        return items
-
-
-@app.get("/memory")
-def list_memory(q: str = "", category: str = "", bereich: str = "") -> list[dict]:
-    """q gesetzt → semantische Suche (mit Relevanz-Score). Sonst → alle Fakten.
-    bereich='alltag'|'projekt' filtert (Fakten OHNE Bereichs-Feld laufen immer mit,
-    damit Alt-Bestand nie verschwindet)."""
-    if q:
-        res = mem().search(q, filters={"user_id": USER_ID}, top_k=SEARCH_TOP_K)
-        items = [_to_item(r, r.get("score")) for r in res.get("results", [])]
-        # Zweitstufe: die vorderen Kandidaten nach echter Relevanz ordnen (Rest bleibt hinten dran).
-        items = _rerank(q, items[:RERANK_CANDIDATES]) + items[RERANK_CANDIDATES:]
-    else:
-        res = mem().get_all(filters={"user_id": USER_ID}, top_k=1000)
-        items = [_to_item(r) for r in res.get("results", [])]
-        items.sort(key=lambda i: i.get("created_at", ""), reverse=True)
-    if category:
-        items = [i for i in items if i["category"] == category]
-    if bereich in ("alltag", "projekt"):
-        items = [i for i in items if i.get("bereich") in (bereich, "")]
-    return items
-
-
-@app.post("/memory", status_code=201)
-def add_memory(body: MemIn) -> dict:
-    """Manueller/agentischer Einzel-Fakt → VERBATIM speichern (infer=False, keine
-    LLM-Umformung). Auto-Lernen aus Gesprächen läuft über /learn (infer=True)."""
-    content = body.content.strip()
-    if not content:
-        raise HTTPException(400, "content leer")
-    res = mem().add(
-        [{"role": "user", "content": content}],
-        user_id=USER_ID, infer=False,
-        metadata={"category": body.category, "source": body.source},
-    )
-    results = res.get("results", [])
-    if not results:
-        raise HTTPException(500, "Mem0 hat nichts gespeichert")
-    new_id = results[0]["id"]
-    full = mem().get(new_id) or {}
-    return _to_item(full) if full else _to_item({"id": new_id, "memory": content,
-            "metadata": {"category": body.category, "source": body.source}})
-
-
-@app.put("/memory/{mid}")
-def update_memory(mid: str, body: MemUp) -> dict:
-    existing = mem().get(mid)
-    if not existing:
-        raise HTTPException(404, "Eintrag nicht gefunden")
-    cur = _to_item(existing)
-    new_content = body.content.strip() if body.content is not None else cur["content"]
-    new_cat = body.category if body.category is not None else cur["category"]
-    mem().update(mid, data=new_content,
-                 metadata={"category": new_cat, "source": cur["source"]})
-    full = mem().get(mid) or {}
-    return _to_item(full)
-
-
-@app.delete("/memory/{mid}")
-def delete_memory(mid: str) -> dict:
-    if not mem().get(mid):
-        raise HTTPException(404, "Eintrag nicht gefunden")
-    mem().delete(mid)
-    return {"ok": True}
-
-
-@app.get("/graph")
-def graph(min_score: float = 0.45, top_k: int = 3) -> dict:
-    """Fakten als Graph: Knoten = Fakten, Kanten = semantische Ähnlichkeit (Kosinus
-    der gespeicherten Embeddings, je Knoten die top_k Nachbarn ≥ min_score). Für die
-    Obsidian-artige Gedächtnis-Visualisierung im UI."""
-    items = mem().get_all(filters={"user_id": USER_ID}, top_k=2000).get("results", [])
-    nodes = [_to_item(r) for r in items]
-    node_ids = [n["id"] for n in nodes]
-    idx = {nid: i for i, nid in enumerate(node_ids)}
-
-    # Embeddings direkt aus der Chroma-Collection ziehen (kein Re-Embedding).
-    col = mem().vector_store.collection
-    raw = col.get(include=["embeddings"])
-    raw_ids = raw.get("ids") or []
-    raw_embs = raw.get("embeddings")
-    edges: list[dict] = []
-    vecs = [None] * len(node_ids)
-    have = 0
-    if raw_embs is not None:
-        for rid, emb in zip(raw_ids, raw_embs):
-            if rid in idx and emb is not None:
-                vecs[idx[rid]] = emb
-                have += 1
-
-    if have >= 2:
-        import numpy as np
-        present = [i for i, v in enumerate(vecs) if v is not None]
-        M = np.array([vecs[i] for i in present], dtype=float)
-        norms = np.linalg.norm(M, axis=1, keepdims=True)
-        norms[norms == 0] = 1.0
-        Mn = M / norms
-        sim = Mn @ Mn.T
-        seen: set[tuple[int, int]] = set()
-        for a in range(len(present)):
-            order = np.argsort(-sim[a])
-            cnt = 0
-            for b in order:
-                if b == a:
-                    continue
-                s = float(sim[a][b])
-                if s < min_score:
-                    break
-                i, j = present[a], present[b]
-                key = (min(i, j), max(i, j))
-                if key not in seen:
-                    seen.add(key)
-                    edges.append({"source": node_ids[i], "target": node_ids[j],
-                                  "weight": round(s, 3)})
-                cnt += 1
-                if cnt >= top_k:
-                    break
-    return {"nodes": nodes, "edges": edges}
-
-
-def classify_facts(facts: list[tuple[str, str]]) -> dict:
-    """Ordnet jeden Fakt per LLM einer Kategorie UND einem Bereich zu →
-    {id: {"category": <slug>, "bereich": "alltag"|"projekt"}}.
-
-    Bereich (19.07.2026, Trennung der Welten): "alltag" = der Nutzer als Person
-    (Vorlieben, Leben, Arbeitsweise, Entscheidungen), "projekt" = Technik-/Code-/
-    Infrastruktur-Stände. Grundlage für einen späteren Recall-Filter, damit
-    Projekt-Schutt nicht in Alltags-Gespräche streut — OHNE zweites Gedächtnis.
-    Nutzt dasselbe (Thinking-freie) Hirn wie die Extraktion. Fehler = leeres Mapping."""
-    if not facts:
-        return {}
-    import json as _json
-    import re as _re
-    cat_lines = "\n".join(f"- {k}: {v}" for k, v in CATEGORY_DESCRIPTIONS.items())
-    system = (
-        "Du bist ein präziser Klassifikator für ein Langzeitgedächtnis. Ordne jeden Fakt GENAU EINER "
-        "Kategorie zu. Verfügbare Kategorien (nur diese Slugs verwenden):\n" + cat_lines +
-        "\nOrdne zusätzlich jeden Fakt GENAU EINEM Bereich zu: 'alltag' (der Nutzer als Person: "
-        "Vorlieben, Leben, Anrede, Arbeitsweise, grundsätzliche Entscheidungen) oder 'projekt' "
-        "(Technik: Code, Modelle, Server, Infrastruktur, Projekt- und Fehlerstände). "
-        "Antworte NUR als JSON-Objekt der Form "
-        "{\"<id>\": {\"kategorie\": \"<slug>\", \"bereich\": \"alltag|projekt\"}, …}."
-    )
-    body = "\n".join(f"{fid}: {txt}" for fid, txt in facts)
-    try:
-        resp = mem().llm.generate_response(
-            messages=[{"role": "system", "content": system},
-                      {"role": "user", "content": "Fakten:\n" + body}],
-            response_format={"type": "json_object"},
-        )
-        m = _re.search(r"\{.*\}", resp or "", _re.DOTALL)
-        data = _json.loads(m.group(0)) if m else {}
-        out: dict = {}
-        for k, v in data.items():
-            if isinstance(v, str):  # Alt-Form {"id": "slug"} weiter akzeptieren
-                if v in CATEGORIES:
-                    out[str(k)] = {"category": v, "bereich": ""}
-            elif isinstance(v, dict):
-                cat = v.get("kategorie") or v.get("category") or ""
-                ber = v.get("bereich") or ""
-                if cat in CATEGORIES or ber in ("alltag", "projekt"):
-                    out[str(k)] = {"category": cat if cat in CATEGORIES else DEFAULT_CATEGORY,
-                                   "bereich": ber if ber in ("alltag", "projekt") else ""}
-        return out
-    except Exception:
-        log.exception("Auto-Klassifikation fehlgeschlagen")
-        return {}
-
-
-# Deterministischer Guard: mem0-OSS extrahiert trotz custom_instructions hartnäckig Fakten ÜBER
-# den Assistenten selbst (Hermes/Lucy) und transiente Zustände (Commit-Rückstand, Cronjob-Läufe,
-# Onboarding-/Test-Fragen). Diese Muster werden nach der Extraktion verworfen (der Fakt wird wieder
-# gelöscht) — reine Sicherungsschicht, unabhängig vom Extraktions-LLM.
-_JUNK_FACT_PATTERNS = [
-    r"^\s*(?:der|die|das)\s+assistent",          # "Der Assistent ..." (Selbstbeschreibung)
-    r"\bassistent(?:in)?\s+(?:hermes|lucy)\b",   # "... Assistent Hermes/Lucy ..."
-    r"\bhermes[- ]agent\b",
-    r"commits?\s+hinter",                        # Versions-Rückstand (transient)
-    r"\bcronjob\b",
-    r"beim\s+letzten\s+(?:lauf|mal)",
-    r"onboarding[-\s]?frage|\btest-?frage\b",
-    r"hat\s+den\s+assistenten\s+gebeten",
-    r"auf\s+betriebstemperatur|hochgefahren",
-    r"aktualisiert\s+sein\s+ged(?:ä|ae)chtnis",  # Selbst-Meta über das Gedächtnis
-]
-_JUNK_FACT_RE = re.compile("|".join(_JUNK_FACT_PATTERNS), re.IGNORECASE)
-
-
-def _is_junk_fact(text: str) -> bool:
-    """True, wenn der extrahierte Fakt Assistenten-Meta oder ein transienter Zustand ist."""
-    return bool(_JUNK_FACT_RE.search(text or ""))
-
-
-@app.post("/learn")
-def learn(body: LearnIn) -> dict:
-    """Auto-Lernen: Gesprächs-Turns/Text durchreichen → Mem0 EXTRAHIERT Fakten selbst
-    (infer=True). Anschließend ordnet das Hirn jeden neuen Fakt automatisch einer Kategorie zu."""
-    msgs = body.messages
-    if not msgs and body.text:
-        msgs = [{"role": "user", "content": body.text}]
-    if not msgs:
-        raise HTTPException(400, "text oder messages erforderlich")
-    res = mem().add(
-        msgs, user_id=USER_ID, infer=True,
-        metadata={"category": body.category, "source": body.source},
-    )
-    results = res.get("results", [])
-
-    # Guard: frisch extrahierte Assistenten-Meta/transiente Fakten sofort wieder verwerfen.
-    kept = []
-    for r in results:
-        if r.get("event") in ("ADD", "UPDATE") and _is_junk_fact(r.get("memory", "")):
-            try:
-                mem().delete(r["id"])
-            except Exception:
-                log.debug("Junk-Fakt-Löschung fehlgeschlagen für %s", r.get("id"))
-            log.info("mem0 guard: Junk-Fakt verworfen: %s", (r.get("memory") or "")[:80])
-            continue
-        kept.append(r)
-    results = kept
-
-    cats: dict = {}
-    if body.classify:
-        to_classify = [(r["id"], r.get("memory", "")) for r in results
-                       if r.get("id") and r.get("memory") and r.get("event") in ("ADD", "UPDATE")]
-        cats = classify_facts(to_classify)
-        for r in results:
-            info = cats.get(r.get("id"))
-            if info:
-                meta = {"category": info["category"], "source": body.source}
-                if info.get("bereich"):
-                    meta["bereich"] = info["bereich"]
-                try:
-                    mem().update(r["id"], data=r.get("memory", ""), metadata=meta)
-                except Exception:
-                    log.debug("Kategorie-Update fehlgeschlagen für %s", r.get("id"))
-
-    return {"results": [
-        {"id": r.get("id"), "content": r.get("memory"), "event": r.get("event"),
-         "category": (cats.get(r.get("id")) or {}).get("category", body.category),
-         "bereich": (cats.get(r.get("id")) or {}).get("bereich", "")}
-        for r in results
-    ]}
-
-
-if __name__ == "__main__":
-    import uvicorn
-
-    uvicorn.run(app, host="127.0.0.1", port=int(os.environ.get("MEM0_PORT", "8765")))

mem0_service/migrate.py

@@ -1,62 +0,0 @@
-#!/usr/bin/env python3
-"""
-Einmalige Migration: alte SQLite-Fakten (`memories`-Tabelle aus dem v1/v2-Memory)
-→ Mem0. Läuft im ~/.mem0/venv. Idempotent über eine Marker-Datei.
-
-Jeder Alt-Eintrag wird VERBATIM übernommen (infer=False), Kategorie/Source als
-Metadaten. Beim aktuellen Box-Stand ist die DB leer → No-Op, aber für
-Reproduzierbarkeit/künftige Migrationen vorhanden.
-
-Aufruf:  ~/.mem0/venv/bin/python migrate.py [pfad/zur/mc2-memory.db]
-"""
-
-import os
-import sqlite3
-import sys
-
-from app import USER_ID, mem  # nutzt dieselbe Mem0-Instanz/Config
-
-DEFAULT_DB = os.environ.get("MC_MEMORY_DB", "/srv/models/mc2-memory.db")
-MARKER = os.environ.get("MEM0_MIGRATION_MARKER", "/srv/models/mem0/.migrated_sqlite")
-
-
-def main() -> int:
-    db_path = sys.argv[1] if len(sys.argv) > 1 else DEFAULT_DB
-    if os.path.exists(MARKER):
-        print(f"Migration bereits erledigt (Marker {MARKER}).")
-        return 0
-    if not os.path.exists(db_path):
-        print(f"Keine Alt-DB unter {db_path} — nichts zu migrieren.")
-        os.makedirs(os.path.dirname(MARKER), exist_ok=True)
-        open(MARKER, "w").close()
-        return 0
-
-    conn = sqlite3.connect(db_path)
-    conn.row_factory = sqlite3.Row
-    try:
-        rows = conn.execute(
-            "SELECT content, category, source FROM memories ORDER BY created_at"
-        ).fetchall()
-    except sqlite3.OperationalError:
-        rows = []
-    conn.close()
-
-    m = mem()
-    n = 0
-    for r in rows:
-        content = (r["content"] or "").strip()
-        if not content:
-            continue
-        m.add([{"role": "user", "content": content}], user_id=USER_ID, infer=False,
-               metadata={"category": r["category"] or "stable",
-                         "source": r["source"] or "migrated"})
-        n += 1
-
-    os.makedirs(os.path.dirname(MARKER), exist_ok=True)
-    open(MARKER, "w").close()
-    print(f"Migriert: {n} Einträge aus {db_path} → Mem0.")
-    return 0
-
-
-if __name__ == "__main__":
-    raise SystemExit(main())

mem0_service/requirements.txt

@@ -1,9 +0,0 @@
-# Mem0-Sidecar-Deps im ~/.mem0/venv (Python 3.12). BEWUSST GEPINNT — Upgrades nur
-# absichtlich, weil der Sidecar mem0-INTERNA nutzt (NoThink-LLM-Swap, Roh-Zugriff auf die
-# Chroma-Collection für den Graphen, Annahmen übers Result-Format). Ein unkontrolliertes
-# mem0/chromadb-Upgrade kann das still brechen.
-# Upgrade-Prozedur (Backup → Pin anheben → smoke_test.py): siehe docs/UPGRADE.md.
-mem0ai==2.0.8
-chromadb==1.5.9
-fastapi==0.138.1
-uvicorn[standard]==0.49.0

mem0_service/smoke_test.py

@@ -1,71 +0,0 @@
-#!/usr/bin/env python3
-"""
-Smoke-Test für den Mem0-Sidecar — VOR und NACH jedem mem0/chromadb-Upgrade laufen lassen.
-Prüft genau die Pfade, die mem0-INTERNA nutzen (LLM-Extraktion/NoThink, Auto-Einordnung,
-Embeddings/Suche, Roh-Chroma-Graph). Nutzt eine WEGWERF-Collection unter /tmp — das echte
-Gedächtnis (/srv/models/mem0) wird NICHT angefasst.
-
-Aufruf:  ~/.mem0/venv/bin/python ~/mission-control-v2/mem0_service/smoke_test.py
-Exit 0 = alles grün, sonst 1.
-"""
-
-import os
-import shutil
-import sys
-import tempfile
-import time
-
-# WICHTIG: Env vor dem Import von app setzen (app liest die Pfade beim Modul-Load).
-_TMP = tempfile.mkdtemp(prefix="mem0_smoke_")
-os.environ["MEM0_CHROMA_PATH"] = os.path.join(_TMP, "chroma")
-os.environ["MEM0_HISTORY_DB"] = os.path.join(_TMP, "history.db")
-os.environ["MEM0_COLLECTION"] = f"smoke_{int(time.time())}"
-
-sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
-import app
-
-_fails: list[str] = []
-
-
-def check(name: str, cond: bool, detail: str = "") -> None:
-    print(("PASS" if cond else "FAIL"), "—", name, ("" if cond else f":: {detail}"))
-    if not cond:
-        _fails.append(name)
-
-
-def main() -> int:
-    app.mem()  # Memory bauen (öffnet Chroma, pingt Modelle)
-
-    # 1) Verbatim add + Rücklesen
-    r = app.add_memory(app.MemIn(content="Smoke: der Himmel ist blau.", category="knowledge", source="smoke"))
-    check("verbatim add + get", bool(r.get("id")) and "blau" in r.get("content", ""), str(r)[:160])
-
-    # 2) Embeddings / semantische Suche (Bedeutung, nicht Wort)
-    res = app.list_memory(q="Welche Farbe hat der Himmel?")
-    check("semantische Suche", any("blau" in i.get("content", "") for i in res), str(res)[:160])
-
-    # 3) Auto-Lernen: LLM-Extraktion (NoThink) + Deutsch erzwungen
-    lr = app.learn(app.LearnIn(text="Ich heiße Max und programmiere am liebsten in Go.", source="smoke"))
-    items = lr.get("results", [])
-    check("Auto-Lernen extrahiert Fakten", len(items) > 0, str(lr)[:160])
-    joined = " ".join((i.get("content") or "") for i in items).lower()
-    check("Extraktion auf Deutsch", any(w in joined for w in ("heißt", "programmiert", "mag", "bevorzugt", "name", "nutzt")), joined[:160])
-
-    # 4) Auto-Einordnung in die 4 gültigen Kategorien
-    cats = {i.get("category") for i in items if i.get("category")}
-    check("Auto-Einordnung gültige Kategorie", bool(cats) and cats <= set(app.CATEGORIES), str(cats))
-
-    # 5) Graph aus den Roh-Embeddings (Chroma-Interna)
-    g = app.graph()
-    check("Graph liefert Knoten", len(g.get("nodes", [])) >= 1, str({k: len(v) for k, v in g.items()}))
-
-    print("\n" + ("ALLE TESTS GRÜN ✓" if not _fails else f"FEHLGESCHLAGEN: {_fails}"))
-    return 0 if not _fails else 1
-
-
-if __name__ == "__main__":
-    try:
-        code = main()
-    finally:
-        shutil.rmtree(_TMP, ignore_errors=True)
-    sys.exit(code)