# Runner, Schemas, and Memory Store

## 目标

把 memabra 从“能分别检索、路由、回放”推进到“能产出合法 draft trajectory、能校验数据、能管理 typed memory records”。

## 当前实现

### runner.py
提供：
- `MemabraRunner`

能力：
- 接收 `TaskContext`
- 调用 retriever 获取候选
- 调用 router 生成动作决策
- 自动生成 draft trajectory
- 产出最小事件流：
  - `task_received`
  - `candidates_recalled`
  - `action_selected`

意义：
这让 memabra 第一次具备了一个 task-to-trajectory 的实际入口。

### schemas.py
提供：
- `SchemaRegistry`
- `SchemaValidationError`

当前策略：
- 先做轻量级 runtime validation
- 不依赖外部库
- 先校验关键 required keys

这还不是完整 JSON Schema engine，但足够先守住地板线，避免样本结构乱飞。

### memory_store.py
提供：
- `MemoryRecord`
- `MemorySource`
- `VerificationState`
- `InMemoryMemoryStore`

当前能力：
- upsert
- get
- list_by_type
- mark_used
- verify
- revoke

意义：
现在 memabra 终于不是只会“谈记忆”，而是有一个 typed memory record runtime 了。

## 当前闭环

现在已有：
- retrieval
- router
- runner
- replay
- memory store
- schema validation

也就是：
任务 -> 候选召回 -> 路由决策 -> trajectory 草稿 -> 回放统计
并且 memory record 本身也能做校验和状态变更。

## 还差什么

- execution adapter（真实工具/skill/memory 注入）
- 完整 JSON Schema 验证
- trajectory 持久化层
- richer reward aggregation
- counterfactual replay

## 建议下一步

1. 做 `execution.py`
2. 做 `persistence.py`
3. 给 runner 接上 memory store 和 telemetry writeback
4. 做 richer router scoring v2