feat(brain): Phase B — Vector-DB-Memory, Conversation-Loop, Skills, Tool-Use

OpenClaw (aria-core) ist raus, ARIA laeuft jetzt mit eigenem Agent-Framework
im aria-brain Container. Vector-DB-basiertes Gedaechtnis statt Sessions,
eigener Conversation-Loop mit Hot+Cold-Memory + Rolling Window, Tool-Use
fuer Skills, Memory-Destillat-Pipeline.

aria-brain/ (neuer Container)
  - main.py            FastAPI auf 8080, alle Endpoints
  - agent.py           Conversation-Loop mit Tool-Use (skill_create + run_<skill>)
  - conversation.py    Rolling Window, JSONL-Persistenz, Distill-Marker
  - proxy_client.py    httpx-Wrapper zum Claude-Proxy, OpenAI-Format
  - prompts.py         System-Prompt aus Hot+Cold+Skills
  - migration.py       Markdown-Parser fuer brain-import/ → atomare Memories
  - skills.py          Filesystem-Layer fuer /data/skills/<name>/ (Python-only,
                       venv pro Skill, tar.gz Export/Import, Run-Logs)
  - memory/            Embedder (sentence-transformers, multilingual MiniLM)
                       + VectorStore (Qdrant-Wrapper)

docker-compose.yml
  - aria-core (OpenClaw) raus, openclaw-config Volume raus
  - aria-brain Service (FastAPI + Memory)
  - aria-qdrant Service (Vector-DB) mit Bind-Mount aria-data/brain/qdrant/
  - Diagnostic teilt jetzt Netzwerk mit Bridge (vorher: aria-core)
  - Brain bekommt SSH-Mount fuer aria-wohnung + /import fuer brain-import/

bridge/aria_bridge.py
  - send_to_core → HTTP-Call an aria-brain:8080/chat (statt OpenClaw-WS)
  - aria-core-spezifische Handler raus: doctor_fix, aria_restart,
    aria_session_reset, Auto-Compact-Logik, OpenClaw-Handshake
  - Generischer container_restart-Handler (Whitelist Bridge/Brain/Qdrant)
  - Side-Channel-Events aus /chat-Response (z.B. skill_created) werden
    als RVS-Events forwarded
  - file_list_request / file_delete_request → an Diagnostic forwarded
  - Tote OpenClaw-Connection-Logik bleibt im Code als Referenz (nicht aktiv)

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

aria-brain/prompts.py

@@ -0,0 +1,131 @@
+"""
+System-Prompt-Bau aus Memory-Punkten.
+
+Strategie:
+  1. Alle pinned Punkte (Hot Memory) — gruppiert nach Type — in den
+     System-Prompt schreiben. IMMER drin.
+  2. Top-K semantisch aehnliche Punkte (Cold Memory) zur aktuellen
+     User-Nachricht — als "Moeglicherweise relevant" eingehaengt.
+  3. Aktive Skills als kompakte Liste (nur Name + Description) — damit
+     ARIA weiss was sie hat.
+
+Phase B Punkt 1: nur Hot-Memory-Bau, Skills + Cold-Search kommen
+mit dem Conversation-Loop in spaeteren Phasen.
+"""
+
+from __future__ import annotations
+
+from typing import List
+
+from memory import MemoryPoint
+
+TYPE_HEADINGS = {
+    "identity": "## Wer du bist",
+    "rule": "## Sicherheitsregeln & Prinzipien",
+    "preference": "## Benutzer-Praeferenzen",
+    "tool": "## Tool-Freigaben",
+    "skill": "## Deine Skills",
+}
+
+
+def build_hot_memory_section(pinned: List[MemoryPoint]) -> str:
+    """Baue den 'IMMER-im-Prompt'-Block aus pinned Punkten."""
+    grouped: dict[str, List[MemoryPoint]] = {}
+    for p in pinned:
+        grouped.setdefault(p.type, []).append(p)
+
+    parts: List[str] = []
+    # Sortier-Reihenfolge: identity → rule → preference → tool → skill → Rest
+    order = ["identity", "rule", "preference", "tool", "skill"]
+    for t in order:
+        items = grouped.pop(t, [])
+        if not items:
+            continue
+        parts.append(TYPE_HEADINGS.get(t, f"## {t}"))
+        for p in items:
+            parts.append(f"### {p.title}")
+            parts.append(p.content.strip())
+            parts.append("")
+
+    # uebrige Types (falls jemand was anderes als pinned markiert)
+    for t, items in grouped.items():
+        parts.append(f"## {t}")
+        for p in items:
+            parts.append(f"### {p.title}")
+            parts.append(p.content.strip())
+            parts.append("")
+
+    return "\n".join(parts).strip()
+
+
+def build_cold_memory_section(matches: List[MemoryPoint]) -> str:
+    """Baue 'Moeglicherweise relevant'-Block aus Search-Treffern."""
+    if not matches:
+        return ""
+    lines = ["## Moeglicherweise relevant (aus Gedaechtnis)"]
+    for p in matches:
+        score = f" [score={p.score:.2f}]" if p.score is not None else ""
+        lines.append(f"- **{p.title}**{score}")
+        lines.append(f"  {p.content.strip()}")
+    return "\n".join(lines)
+
+
+def build_skills_section(skills: List[dict]) -> str:
+    """Listet alle Skills (aktiv + deaktiviert) damit ARIA weiss was es gibt
+    und keine doppelt baut. Plus klare Schwelle wann ein Skill sich lohnt."""
+    lines = ["## Deine Skills"]
+    if skills:
+        for s in skills:
+            active = s.get("active", True)
+            marker = "" if active else " [DEAKTIVIERT — kann nicht aufgerufen werden]"
+            lines.append(f"- **{s.get('name', '?')}**{marker} — {s.get('description', '(ohne Beschreibung)')}")
+        lines.append("")
+        lines.append("Wenn ein vorhandener Skill zur Aufgabe passt: nutze ihn via Tool-Call.")
+    else:
+        lines.append("(noch keine Skills vorhanden)")
+
+    lines.append("")
+    lines.append("### Wann lohnt sich ein neuer Skill?")
+    lines.append("")
+    lines.append("**Skills sind IMMER Python** — eigene venv pro Skill mit den noetigen "
+                 "pip-Paketen. Kein apt im Skill, kein systemweiter Install. Python deckt "
+                 "in der Regel alles ab (yt-dlp, requests, pypdf, pillow, openpyxl, "
+                 "static-ffmpeg, beautifulsoup4, …). Falls etwas WIRKLICH nur via apt geht: "
+                 "Stefan fragen ob es ins Brain-Dockerfile soll.")
+    lines.append("")
+    lines.append("**Harte Regel — IMMER Skill anlegen wenn:** die Loesung erfordert eine "
+                 "pip-Library. Begruendung: Brain-Container hat keinen persistenten State "
+                 "ausser /data/skills/. Ohne Skill wuerde der Install bei jedem "
+                 "Container-Restart wiederholt.")
+    lines.append("")
+    lines.append("**Sonst — Skill nur wenn alle vier zutreffen:**")
+    lines.append("")
+    lines.append("1. **Wiederkehrend** — die Aufgabe wird realistisch nochmal gestellt. "
+                 "Einmal-Faelle (\"wie spaet ist es jetzt\") kein Skill.")
+    lines.append("2. **Nicht-trivial** — mehrere Schritte. Ein einzelner Shell-Befehl "
+                 "(`date`, `hostname`, `ls`) ist KEIN Skill — das macht Bash direkt.")
+    lines.append("3. **Parametrisierbar** — der Skill nimmt Eingaben (URL, Datei, Suchbegriff) "
+                 "und gibt ein nuetzliches Ergebnis zurueck.")
+    lines.append("4. **Wiederverwendbar als ganzes** — Stefan wuerde es zukuenftig per Name "
+                 "ansprechen (\"mach mir den YouTube zu MP3\") statt jedes Mal zu erklaeren.")
+    lines.append("")
+    lines.append("Wenn nichts installiert werden muss UND nicht alle vier zutreffen: einfach "
+                 "die Aufgabe loesen ohne Skill anzulegen. Stefan kann jederzeit sagen "
+                 "'bau daraus einen Skill'.")
+    return "\n".join(lines)
+
+
+def build_system_prompt(
+    pinned: List[MemoryPoint],
+    cold: List[MemoryPoint] | None = None,
+    skills: List[dict] | None = None,
+) -> str:
+    """Kompletter System-Prompt: Hot + Cold + Skills."""
+    parts = [build_hot_memory_section(pinned)]
+    if skills:
+        parts.append("")
+        parts.append(build_skills_section(skills))
+    if cold:
+        parts.append("")
+        parts.append(build_cold_memory_section(cold))
+    return "\n".join(parts).strip()