fix(brain): Cold Memory mit Score-Threshold — kein Crosstalk mehr

Bug: Agent.chat() rief store.search() OHNE score_threshold — die
Top-5 wurden ungefiltert in den 'Moeglicherweise relevant'-Block
des System-Prompts gepackt. Bei kleiner DB hatte das absurde Folgen:
Stefan fragte 'hab ich ein flugzeug?', Cold-Search lieferte Top-1
'Watcher-Latenzproblem' mit Score 0.138 + 'Firmenadresse' mit 0.094,
ARIA wob die Firmenadresse in die Antwort ein ('Die Adresse habe ich
aus meinem Gedaechtnis...') — obwohl der User gar nicht danach gefragt
hat.

Fix: Konstante COLD_SCORE_THRESHOLD=0.30 in Agent eingefuehrt und an
store.search() durchgereicht. Treffer unter 0.30 werden als Rauschen
verworfen, ARIA bekommt nur substantielle Memories ins Cold-Set.
Konsistent mit dem Threshold im /memory/search HTTP-Endpoint und dem
Diagnostic UI.

MiniLM-multilingual gibt fuer unverwandte deutsche Texte gerne 0.10-
0.25 Score — alles darunter ist Embedder-Noise, kein echter Bezug.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

aria-brain/agent.py

@@ -280,6 +280,14 @@ def _skill_to_tool(s: dict) -> dict:
 
 
 class Agent:
+    # Mindest-Score den ein Cold-Memory-Treffer haben muss um in den
+    # System-Prompt aufgenommen zu werden. Unter dieser Schwelle ist's
+    # Rauschen — die MiniLM-multilingual Embeddings haben fuer "irgendwas
+    # vs. irgendwas anderes" gerne mal 0.10-0.20 Score selbst bei voellig
+    # unverwandten Inhalten. Mit 0.30 als Untergrenze vermeiden wir
+    # Cross-Talk (z.B. 'hab ich ein flugzeug' triggert die Firmenadresse).
+    COLD_SCORE_THRESHOLD = 0.30
+
     def __init__(self, store: VectorStore, embedder: Embedder,
                  conversation: Conversation, proxy: ProxyClient,
                  cold_k: int = 5):
@@ -317,10 +325,13 @@ class Agent:
         # 2. Hot Memory (alle pinned Punkte)
         hot = self.store.list_pinned()
 
-        # 3. Cold Memory (Top-K semantic)
+        # 3. Cold Memory (Top-K semantic) — mit Score-Threshold gegen Rauschen
         try:
             qvec = self.embedder.embed(user_message)
-            cold = self.store.search(qvec, k=self.cold_k, exclude_pinned=True)
+            cold = self.store.search(
+                qvec, k=self.cold_k, exclude_pinned=True,
+                score_threshold=self.COLD_SCORE_THRESHOLD,
+            )
         except Exception as exc:
             logger.warning("Cold-Search fehlgeschlagen: %s", exc)
             cold = []