# Replay and Retrieval

## 目标

把 memabra 的最小闭环接起来：
- retrieval 负责把 memory / skill / tool 候选召回出来
- replay 负责读取 trajectories 并汇总行为结果

这两者一接上，系统就不再只是静态文档和单点 router，而是具备了：
- 候选输入
- 决策输出
- 轨迹回放
- 基础统计

## 当前实现

### retrieval.py
提供：
- `CandidateProvider` 协议
- `InMemoryCandidateProvider`
- `CandidateRetriever`
- `RetrievalResult`

当前策略：
- 使用 trigger/tag 与任务文本做简单 lexical matching
- 结合 confidence / success_rate / freshness / cost / risk 做 baseline 排序
- 对不同 provider 输出做按类型聚合与去重

### replay.py
提供：
- `TrajectoryReplay`
- `ReplaySummary`

当前能力：
- 加载单个 trajectory JSON
- 加载目录下多个 trajectory
- 汇总 outcome counts
- 汇总 reward、latency、steps、user corrections
- 统计各类 decision_type 次数

## 为什么这一步重要

没有 retrieval，router 只能对空候选做假动作。
没有 replay，reward 和 trajectory 只是躺在磁盘上的 JSON 标本。

这一步之后，memabra 第一次拥有了最小闭环：
任务 -> 候选 -> 决策 -> 轨迹 -> 回放统计

## 当前局限

- retrieval 还是词面匹配，不是 embedding 或 learned ranking
- replay 只做汇总，不做 schema 校验和 counterfactual 对比
- 还没有把 router 与 retriever 真正串成 end-to-end runner

## 下一步

1. 加 `schemas.py` 做运行时校验
2. 做 `memory_store.py` 和 provider 接口
3. 做 `runner.py` 把 retrieval + router + telemetry 串起来
4. 给 replay 加基线比较和 reward breakdown 分析