Update learning_hub/memory_store.py

learning_hub/memory_store.py

@@ -2,7 +2,9 @@
 import json
 import asyncio
 from datetime import datetime
-from typing import List, Dict, Optional
+# 🔴 --- START OF CHANGE --- 🔴
+from typing import List, Dict, Optional, Any # (Import Any here)
+# 🔴 --- END OF CHANGE --- 🔴
 from .schemas import Delta, ReflectorOutput
 from .policy_engine import PolicyEngine
 
@@ -10,6 +12,7 @@ from .policy_engine import PolicyEngine
 # (لا يمكننا استيراده مباشرة لتجنب التبعيات الدائرية)
 
 class MemoryStore:
+    # (The __init__ signature now correctly uses the imported Any)
     def __init__(self, r2_service: Any, policy_engine: PolicyEngine, llm_service: Any):
         self.r2_service = r2_service
         self.policy_engine = policy_engine
@@ -24,7 +27,7 @@ class MemoryStore:
         }
         
         self.distill_threshold = 50 # (من النقطة 6)
-        print("✅ Learning Hub Module: Memory Store loaded")
+        print("✅ Learning Hub Module: Memory Store loaded (FIXED: Imported Any)")
 
     async def _load_deltas_from_r2(self, domain: str) -> List[Dict]:
         """تحميل ملف الدلتا المحدد من R2"""
@@ -42,35 +45,36 @@ class MemoryStore:
         """حفظ ملف الدلتا المحدث إلى R2"""
         key = self.domain_files.get(domain, self.domain_files["general"])
         try:
-            data_json = json.dumps(deltas_list, indent=2, ensure_ascii=False).encode('utf-8')
+            # (Ensure list contains dicts before saving)
+            deltas_to_save = [d.model_dump() if isinstance(d, Delta) else d for d in deltas_list]
+            data_json = json.dumps(deltas_to_save, indent=2, ensure_ascii=False).encode('utf-8')
             self.r2_service.s3_client.put_object(
                 Bucket="trading", Key=key, Body=data_json, ContentType="application/json"
             )
         except Exception as e:
             print(f"❌ [MemoryStore] فشل حفظ الدلتا إلى R2: {e}")
 
-    async def save_new_delta(self, 
-                             reflector_output: ReflectorOutput, 
-                             trade_object: Dict[str, Any], 
+    async def save_new_delta(self,
+                             reflector_output: ReflectorOutput,
+                             trade_object: Dict[str, Any],
                              domain: str = "strategy"):
         """
         حفظ "دلتا" جديدة بناءً على مخرجات المنعكس وسياسة القبول.
-        (تنفيذ النقطة 5)
         """
         try:
             trade_pnl_percent = trade_object.get('pnl_percent', 0)
             
-            # 1. التحقق من سياسة القبول (النقطة 5 و 7)
+            # 1. التحقق من سياسة القبول
             is_approved, approval_reason = self.policy_engine.get_delta_acceptance(
-                reflector_output, 
+                reflector_output,
                 trade_pnl_percent
             )
             
-            # 2. إنشاء كائن الدلتا (النقطة 3)
+            # 2. إنشاء كائن الدلتا
             new_delta = Delta(
                 text=reflector_output.suggested_rule,
                 domain=domain,
-                score=reflector_output.confidence, # (سنستخدم الثقة كدرجة أولية)
+                score=reflector_output.confidence,
                 evidence_refs=[trade_object.get('id', 'unknown_trade_id')],
                 approved=is_approved,
                 trade_strategy=trade_object.get('strategy', 'unknown'),
@@ -79,26 +83,24 @@ class MemoryStore:
             
             # 3. تحميل، إضافة، وحفظ الدلتا
             deltas_list = await self._load_deltas_from_r2(domain)
-            deltas_list.append(new_delta.model_dump())
+            deltas_list.append(new_delta.model_dump()) # Use model_dump() for pydantic models
             await self._save_deltas_to_r2(domain, deltas_list)
             
             print(f"✅ [MemoryStore] تم حفظ دلتا جديدة لـ {domain}. الحالة: {approval_reason}")
             
-            # 4. تفعيل عملية "التقطير" (Distillation) إذا تم تجاوز الحد (النقطة 6)
-            if len(deltas_list) % self.distill_threshold == 0 and is_approved:
-                print(f"ℹ️ [MemoryStore] تم الوصول إلى حد {self.distill_threshold} دلتا. بدء عملية التقطير...")
-                # (سنقوم باستدعاء عملية التقطير في الخلفية)
-                # asyncio.create_task(self.distill_domain(domain))
-                # (ملاحظة: التقطير سيتم تنفيذه في ملف curator.py لاحقاً)
-                pass
+            # 4. تفعيل عملية "التقطير" (لا يتم تنفيذها هنا مباشرة)
+            if len([d for d in deltas_list if d.get('approved')]) % self.distill_threshold == 0 and is_approved:
+                 print(f"ℹ️ [MemoryStore] تم الوصول إلى حد {self.distill_threshold} دلتا لـ {domain}. التقطير سيتم جدولته.")
+                 # (Curator will handle the actual check and distillation)
 
         except Exception as e:
             print(f"❌ [MemoryStore] فشل فادح في حفظ الدلتا: {e}")
+            traceback.print_exc()
+
 
     async def get_active_context(self, domain: str, query: str, top_k: int = 3) -> str:
         """
         جلب "السياق النشط" (Active Context) لإرساله إلى النموذج.
-        (تنفيذ النقطة 2 و 5 - خوارزمية الاسترجاع)
         """
         try:
             all_deltas_dicts = await self._load_deltas_from_r2(domain)
@@ -107,55 +109,49 @@ class MemoryStore:
             approved_deltas = [Delta(**d) for d in all_deltas_dicts if d.get('approved', False)]
             
             if not approved_deltas:
-                return "No approved deltas (rules) found for this domain."
-            
-            # 2. خوارزمية الاسترجاع (تنفيذ النقطة 5)
-            # (نسخة مبسطة تعتمد على الثقة والأولوية والكلمات المفتاحية)
-            # (لا يمكننا استخدام semantic_sim بدون نموذج تضمين، لذا سنستخدم مطابقة الكلمات)
-            
+                # (Return English text for consistency)
+                return "Playbook: No approved learning rules (Deltas) found for this domain yet."
+
+            # 2. خوارزمية الاسترجاع (نسخة مبسطة)
             scored_deltas = []
             for delta in approved_deltas:
-                # أ. حساب الأولوية (priority_score)
                 priority_map = {"high": 1.0, "medium": 0.6, "low": 0.2}
                 priority_score = priority_map.get(delta.priority, 0.6)
                 
-                # ب. حساب الحداثة (freshness_score)
                 try:
                     age_days = (datetime.now() - datetime.fromisoformat(delta.created_at)).days
-                    freshness_score = max(0, 1.0 - (age_days / 90.0)) # (تتلاشى بعد 90 يوم)
+                    freshness_score = max(0, 1.0 - (age_days / 90.0))
                 except Exception:
                     freshness_score = 0.5
 
-                # ج. حساب "الملاءمة" (relevance_score) - بديل مبسط لـ semantic_sim
-                relevance_score = 0.5 # افتراضي
+                relevance_score = 0.5
                 query_words = set(query.lower().split())
                 delta_words = set(delta.text.lower().split())
                 if query_words.intersection(delta_words):
-                    relevance_score = 1.0 # (مطابقة تامة للكلمات)
+                    relevance_score = 1.0
                 elif delta.trade_strategy and delta.trade_strategy.lower() in query_words:
-                     relevance_score = 0.8 # (مطابقة للاستراتيجية)
+                     relevance_score = 0.8
 
-                # د. النتيجة الإجمالية (مستوحاة من النقطة 5)
-                # score_total = 0.7*semantic_sim + 0.2*priority + 0.1*freshness
                 final_score = (0.6 * relevance_score) + (0.3 * priority_score) + (0.1 * freshness_score)
-                
                 scored_deltas.append((final_score, delta))
             
             # 3. فرز واختيار أفضل K
             scored_deltas.sort(key=lambda x: x[0], reverse=True)
             top_deltas = [delta for score, delta in scored_deltas[:top_k]]
             
-            # 4. تنسيق الموجه (النقطة 3 - ActiveContext)
+            # 4. تنسيق الموجه (باللغة الإنجليزية)
             if not top_deltas:
-                return "No relevant deltas (rules) found for this query."
+                 return "Playbook: No relevant learning rules (Deltas) found for this query."
                 
             playbook_header = f"Playbook (Top {len(top_deltas)} Rules - Domain: {domain}):"
-            delta_lines = [f"• {delta.text} (Ref: {delta.id})" for delta in top_deltas]
+            # (Added score for context)
+            delta_lines = [f"• {delta.text} (Score: {delta.score:.2f}, Prio: {delta.priority})" for delta in top_deltas]
             
-            # (ملاحظة: Distilled rule ستتم إضافتها لاحقاً بواسطة Curator)
+            # (Distilled rules are just high-priority deltas in this implementation)
             
             return "\n".join([playbook_header] + delta_lines)
 
         except Exception as e:
             print(f"❌ [MemoryStore] فشل جلب السياق النشط: {e}")
-            return "Error retrieving learning context."
+            # (Return English text for consistency)
+            return "Playbook: Error retrieving learning context."