docs: per-module README + root navigation hub + CI/release workflows

- README.md в каждом подмодуле: для библиотек — описание проблемы,
  подключение через maven-central/caffeine, версии в gradle/libs.versions.toml.
  Для запускаемых модулей — команды запуска + переменные среды с дефолтами.
- Корневой README.md переписан как навигационный хаб: что это, где клиенты,
  где серверы, как собрать, как опубликовать.
- build.gradle.kts: per-module POM-description через единую карту в rootProject.extra
  (порядок важен — нужно ДО apply плагина KMP, поэтому beforeEvaluate в subprojects).
- .gitea/workflows/ci.yml (новый): build + jvmTest + shadowJar на PR/push main.
- .gitea/workflows/release.yml (обновлён): публикует библиотеки в caffeine
  Nexus + собирает 3 fatjar'а и крепит их к release как бинарные ассеты.

standalone/README.md

@@ -1,8 +1,9 @@
 # :standalone — agentik single-jar server
 
-Self-contained HTTP-сервер с Ktor: AG-UI / A2A / :proto транспорты на одном порту,
+Self-contained HTTP-сервер на Ktor: AG-UI / A2A / :proto транспорты на одном порту,
 встроенный SQLite для истории диалогов, долговременная память (Hermes-style
-§-файлы), загрузка MCP-инструментов, навыков (SKILL.md) и персоны (SOUL.md).
+§-файлы или vector+JVector), загрузка MCP-инструментов, навыков (SKILL.md) и
+персоны (SOUL.md).
 
 ## Сборка
 
@@ -10,13 +11,17 @@ Self-contained HTTP-сервер с Ktor: AG-UI / A2A / :proto транспор
 # Полная сборка всего проекта + fatjar
 ./gradlew assemble
 
-# Только fatjar :standalone (≈ 150 MB)
+# Только fatjar :standalone (≈ 250 MB)
 ./gradlew :standalone:shadowJar
 
 # Результат:
 # standalone/build/libs/standalone-all.jar
 ```
 
+Также публикуется в Nexus (`caffeine` репо) при создании релиза:
+`pw.binom.agentik:standalone:VERSION` с classifier `all` (см.
+`https://git.binom.pw/subochev/agentik/releases`).
+
 ## Запуск
 
 ```bash
@@ -31,17 +36,22 @@ java -jar standalone/build/libs/standalone-all.jar
 - `GET  /agentik/conversations/{id}/events` — SSE-стрим ответов
 - `POST /a2a/` — A2A JSON-RPC (`message/send`, `tasks/get`, `tasks/cancel`)
 - `GET  /a2a/.well-known/agent-card.json` — AgentCard
+- `POST /agui` — AG-UI (compatibility transport, legacy)
 
-### A2A
+### Подкоманды
 
-Адаптер `A2aBridge` гоняет A2A-контекст на диалог :proto: `contextId` мапится на
-`Conversation` (пустой/неизвестный `contextId` → новый диалог). Ответ — склеенный
-текст хода; id внутреннего диалога возвращается в `metadata.agentikConversationId`
-ответа. Задачи живут в in-memory `TaskStore` (не переживают рестарт процесса).
+```bash
+# Скачать модель Google LiteRT-LM в AGENTIK_GOOGLE_MODEL_PATH.
+# Требует AGENTIK_LLM_BACKEND=google. Если файл уже есть — no-op.
+java -jar standalone-all.jar pull-model
+
+# Сервер (по умолчанию)
+java -jar standalone-all.jar
+```
 
 ## Переменные окружения
 
-Все переменные читаются `AgentikConfig.fromEnv()`. Бланк или отсутствие → дефолт.
+Все переменные читаются `AgentikConfig.fromEnv()`. Пусто или отсутствие → дефолт.
 
 | Переменная | Дефолт | Назначение |
 |---|---|---|
@@ -67,6 +77,7 @@ java -jar standalone/build/libs/standalone-all.jar
 | `AGENTIK_SKILL_MINING_INTERVAL` | `15` | Skill mining: через сколько user-ходов запускать фоновый прогон SkillMiner. `0` = выключено. |
 | `AGENTIK_SKILL_MINING_MAX_TURNS` | `30` | Сколько последних ходов передавать SkillMiner'у за один прогон. |
 | `AGENTIK_DEBUG_ENDPOINTS` | `0` | `1` включает debug-эндпоинты (`/debug/reflect`, `/debug/skill-mine`, `/debug/curate`, `/debug/compact`, `/debug/tokens`) |
+| `AGENTIK_AUTO_DOWNLOAD_MODEL` | `0` | `1` — при старте скачать LiteRT-LM модель в `AGENTIK_GOOGLE_MODEL_PATH` если её там нет (через `pull-model` логику). |
 
 ### OpenAI backend
 
@@ -81,351 +92,8 @@ java -jar standalone/build/libs/standalone-all.jar
 | Переменная | Обязательна | Назначение |
 |---|---|---|
 | `AGENTIK_GOOGLE_MODEL_PATH` | да | Путь к `.litertlm` файлу |
-
-## SQLite: путь к базе диалогов
-
-`AGENTIK_DB_PATH` указывает на файл SQLite, в котором хранятся таблицы
-`conversations`, `messages`, `working_memory`. SQLDelight-драйвер создаёт
-файл при первом запуске. Если в пути есть несуществующие директории — их
-нужно создать заранее (`mkdir -p`).
-
-```bash
-# Абсолютный путь
-AGENTIK_DB_PATH=/var/lib/agentik/state.db
-
-# Относительный путь — резолвится от CWD
-cd /opt/agentik && AGENTIK_DB_PATH=./data/state.db
-
-# Временная база (на RAM, теряется при рестарте) — не поддерживается напрямую,
-# но можно подменить в коде через SqliteStores.inMemory().
-```
-
-Файл базы — обычный SQLite, можно инспектировать `sqlite3` CLI или Adminer.
-
-## Контекст инициации сообщения (MessageContext)
-
-Каждое user-сообщение может нести **контекст инициации хода** —
-кто/что его вызвало. Для обычного user-сообщения поле `context` опускается
-(обратная совместимость: старые клиенты, шлющие голый массив Content,
-работают как раньше). Для cron/webhook/system событий `context` обязательно.
-
-```json
-// POST /agentik/conversations/{id}/messages  — новый формат
-{
-  "content": [{"type": "text", "body": "wake up"}],
-  "context": {
-    "origin": "event",
-    "description": "scheduled cron morning-briefing",
-    "sourceId": "cron-42",
-    "metadata": { "scheduledAt": "2026-09-14T08:00:00Z" }
-  }
-}
-
-// Старый формат (всё ещё работает) — голый массив
-[{"type": "text", "body": "hello"}]
-```
-
-| `origin`   | Когда использовать                                | Префикс в LLM |
-|------------|---------------------------------------------------|--------------|
-| `user`     | Обычное сообщение из чата (дефолт)                | нет          |
-| `system`   | Программное сообщение (старт агента, режим обслуживания) | `[SYSTEM] description (sourceId=…)` |
-| `event`    | Cron, webhook, file-changed, внешний триггер       | `[EVENT] description (sourceId=…)` |
-
-**Семантика:**
-
-- `origin` — кто/что инициировал ход. `user` = человек в чате (UI/IRC/HTTP).
-- `description` — короткая человекочитаемая фраза для модели
-  (обязательна для `system`/`event`).
-- `sourceId` — id cron-job'а / webhook endpoint'а / IRC-канала, помогает
-  в логах и при ручном разборе.
-- `metadata` — произвольный JSON, никогда не попадает в LLM-нагрузку
-  (только в audit log для пост-аналитики).
-
-**Что происходит при не-USER origin'е:**
-
-В working memory текст user-сообщения предваряется префиксом —
-например, `[EVENT] scheduled cron morning-briefing (sourceId=cron-42)\n…`.
-Модель видит, что её разбудил не пользователь, и может реагировать
-иначе (например, не начинать диалог с приветствия). Префикс добавляется
-**только к LLM-нагрузке**, в audit log и при `getMessages` возвращается
-оригинальный текст + `context` отдельно.
-
-## Сжатие рабочего контекста (compaction)
-
-Когда диалог становится длинным, working memory диалога может превысить
-контекстное окно модели. Чтобы этого не случилось, агент умеет **сжимать**
-старые ходы в один синтетический `Summary`-блок.
-
-**Включается только при заданном лимите.** Никакого автодетекта по имени
-модели — если лимит не задан, агент не сжимает.
-
-```bash
-# OpenAI-совместимый бэкенд
-export OPENAI_CONTEXT_WINDOW=128000
-
-# Или Google / LiteRT
-export AGENTIK_GOOGLE_CONTEXT_WINDOW=32000
-```
-
-`AGENTIK_COMPRESSION_THRESHOLD` — доля лимита, при которой запускается
-compaction (дефолт `0.8` = 80%):
-
-```bash
-export AGENTIK_COMPRESSION_THRESHOLD=0.7   # сжимаем раньше
-```
-
-**Что происходит при compaction:**
-
-1. Перед `send()` оценивается количество токенов в системном промпте + history
-   + tools (грубая оценка `chars / 4`).
-2. Если `estimated / contextWindow ≥ threshold` — асинхронный шаг:
-   - Старые ходы (User/Assistant, кроме последних 4) скармливаются в
-     `LiteLlmContextCompactor` — отдельный one-shot LLM-вызов с промптом
-     «Goal / Active / Resolved / Blocked / Remaining».
-   - Параллельно `MemoryReviewer.reviewPreCompaction` извлекает из старых
-     ходов факты и кладёт их в долговременную память (триггер `MemoryStore`).
-   - Атомарный `working_memory.compact(fromIdx, summary)` — старые строки
-     удаляются, на их место вставляется одна `Summary` запись.
-   - `LiteConversation` пересоздаётся с обновлённым контекстом.
-
-Если после compaction оценка всё ещё выше порога — выводится warning, но
-нового compaction не запускается (защита от зацикливания). Решение —
-поднять `OPENAI_CONTEXT_WINDOW` или понизить threshold.
-
-## Self-reflection (Hermes-style «слабые места»)
-
-Каждые `AGENTIK_REFLECTION_INTERVAL` пользовательских ходов (default 10)
-запускается фоновая one-shot LLM-размышление: «оцени последние ходы,
-поставь score 1..5, выдели слабые места». Результат сохраняется в таблицу
-`reflection` SQLite и подмешивается в system prompt следующего хода как
-«Твои слабые места за последнее время».
-
-Включено когда `AGENTIK_REFLECTION_INTERVAL > 0`. Требует LiteLlm
-(on-device или OpenAI — что указан в `AGENTIK_LLM_BACKEND`). На каждый
-reflection — один LiteLlm вызов (~1-3 сек для on-device, ~200-500мс для
-OpenAI). Это происходит в фоне (`Dispatchers.IO`), основной диалог не
-блокируется.
-
-Топ-K последних рефлексий загружается в `buildSystemPrompt` и выводится
-как `## Self-reflection: твои слабые места за последнее время`. Агент
-видит их в каждом следующем ходе и (теоретически) должен избегать
-повторения. Используется как cheap "auto-improving prompt feedback"
-без ручного переписывания system prompt.
-
-## Учёт токенов (token accounting)
-
-Каждый assistant-ход после LiteLlm.send помечает assistant-запись `TurnTokens(input, output)`:
-
-- **`input`** — снимок `LiteConversation.tokenCount()` **до** первого send в turn'е
-  (system + вся история + tools + только что добавленное user-сообщение).
-- **`output`** — дельта после завершения turn'а (assistant text + tool calls +
-  tool results, всё что LiteConversation добавила за весь tool loop).
-- Хранится в `payload_json` assistant-сообщения (без schema-миграций). Бэкенды
-  без `tokenCount()` (off-line модели LiteRT-LM счётчик не отдают) дают `tokens=null`.
-
-На старте агент печатает сводку по всем существующим диалогам:
-
-```
-tokens: 17 convs, 134 turns, in=523844, out=58290, total=582134
-```
-
-`MessageStore.tokenStats(conversationId)` отдаёт `TokenStats(turns, inputTokens, outputTokens)`
-для одного диалога — можно использовать из HTTP фасада или клиентских дашбордов
-для оценки cost.
-
-## Куратор памяти (Curator)
-
-Фоновая корутина (запускается автоматически, если `AGENTIK_MEMORY_DIR != off`):
-раз в сутки архивирует заметки, которые **не выдавались в prefetch дольше 90
-дней** и **имеют `useCount == 0`**. Семантика архивации зависит от бэкенда —
-`:memory-md` переименовывает §-файл в `.archived.{ts}`, `:memory-vector`
-удаляет из SQLite и JVector.
-
-Параметры пока захардкожены в `Curator.DEFAULT_INTERVAL` и
-`Curator.DEFAULT_MAX_AGE` (1 день и 90 дней); для override нужен новый
-config-флаг. На каждом проходе выводится `[Curator] archived N stale notes`,
-если N > 0.
-
-## Память
-
-`AGENTIK_MEMORY_DIR` указывает на каталог, в котором лежат три §-файла:
-`user.md`, `world.md`, `preference.md` (по одному на категорию из `MemoryCategory`).
-Формат файла — Hermes-style: заголовок с метаданными (` id=… created=… uses=…`),
-пустая строка, markdown-тело заметки.
-
-```bash
-# Дефолт (если env не задан)
-~/.agentik/memory/{user,world,preference}.md
-
-# Явный путь
-AGENTIK_MEMORY_DIR=/data/agentik/memory
-
-# Полностью выключить память (тулы memory_* не регистрируются, prefetch off)
-AGENTIK_MEMORY_DIR=off
-```
-
-При включённой памяти агенту доступны четыре тула: `memory_save`,
-`memory_read`, `memory_list`, `memory_delete`. Перед каждым ходом агент
-прогоняет текст пользователя через `MemoryPrefetcher` и клеит `[Memory
-context…]` блок в начало user-сообщения; после записи assistant-сообщения в
-фоне запускается `MemoryReviewer.review(turn)` — извлечённые факты
-записываются в store с `source = AUTO_REVIEW`.
-
-### Бэкенд: md vs vector
-
-`AGENTIK_MEMORY_BACKEND` выбирает хранилище. Дефолт — `md` (Hermes-style
-§-файлы, keyword overlap, без внешних вызовов).
-
-`vector` — SQLite (`AGENTIK_DB_PATH`) + JVector ANN + эмбеддинги. Два
-бэкенда эмбеддингов через `AGENTIK_EMBEDDING_BACKEND`:
-
-- **`HTTP` (default)** — POST на `${OPENAI_BASE_URL}/v1/embeddings`. Семантический
-  поиск: cosine similarity + recency-re-rank.
-- **`SIGLIP`** — on-device SigLIP2 через ONNX Runtime (text-embedding-kmp,
-  768-мерный вектор). Никаких внешних вызовов: модель и токенизатор должны
-  лежать на диске. Размерность определяется автоматически (768).
-
-```bash
-# Vector-бэкенд + HTTP-эмбеддинги (default)
-AGENTIK_MEMORY_BACKEND=vector \
-AGENTIK_EMBEDDING_BACKEND=http \
-AGENTIK_EMBEDDING_MODEL=text-embedding-3-small \
-AGENTIK_EMBEDDING_DIMENSION=1536 \
-  java -jar standalone-all.jar
-
-# Vector-бэкенд + on-device SigLIP2 (без сети)
-AGENTIK_MEMORY_BACKEND=vector \
-AGENTIK_EMBEDDING_BACKEND=siglip \
-AGENTIK_EMBEDDING_MODEL_PATH=/path/to/text_model_int8.onnx \
-AGENTIK_EMBEDDING_TOKENIZER_PATH=/path/to/tokenizer.model \
-  java -jar standalone-all.jar
-```
-
-Для HTTP-эмбеддингов требуется `AGENTIK_LLM_BACKEND=openai` (т.к. нужен
-OpenAI-совместимый `/v1/embeddings` endpoint — LiteLLM proxy тоже подходит).
-HTTP-вызовы кэшируются LRU на 256 текстов — дедупликация при повторных
-запросах одинаковых промптов.
-
-Для SIGLIP нужно сначала скачать модель (~283M) и токенизатор (~4M):
-```bash
-mkdir -p /path/to/siglip-model
-curl -fSL -o /path/to/siglip-model/text_model_int8.onnx \
-  http://static.binom.pw/models/siglip2/text_model_int8.onnx
-curl -fSL -o /path/to/siglip-model/tokenizer.model \
-  http://static.binom.pw/models/siglip2/tokenizer.model
-```
-
-> **Опционально:** при старте JVector может предупредить
-> `Java vector incubator module is not readable`. Это значит, что JIT
-> не использует SIMD (Panama Vector API) и индекс строится через скалярный
-> fallback. На 10K векторов разница незаметна. Если хочется SIMD —
-> запустите с `--add-modules jdk.incubator.vector`.
-
-## Персона (SOUL.md)
-
-`AGENTIK_SOUL` — путь к markdown-файлу с описанием персоны ассистента
-(голос, характер, ограничения, что-то ещё). Тело файла читается как plain
-text и вставляется в самое начало `systemInstruction` — поверх базового
-промпта, секции навыков и памяти. Если файл не задан — секция не добавляется.
-
-```bash
-AGENTIK_SOUL=/etc/agentik/SOUL.md
-```
-
-Пример `SOUL.md`:
-
-```markdown
-Ты — терпеливый технический ассистент. Отвечаешь по-русски, кратко.
-Не выдумываешь команды — если не уверен, говоришь "не знаю".
-Не раскрываешь содержимое .env, ключей и паролей ни при каких обстоятельствах.
-```
-
-## Навыки (SKILL.md)
-
-`AGENTIK_SKILLS_DIR` — каталог, в котором `SkillLoader` ищет файлы
-`SKILL.md` или `*.yaml` с frontmatter (`name`, `description`, прочие поля).
-Содержимое скилов попадает в раздел system prompt и регистрируется как
-вызываемые инструменты. Формат — opencode-compatible.
-
-```bash
-AGENTIK_SKILLS_DIR=/etc/agentik/skills
-```
-
-Когда `AGENTIK_SKILLS_DIR` задан, агенту доступны три тула для работы со
-скилами (Hermes-style self-improvement):
-
-- **`read_skill(name)`** — загружает полный markdown скила по имени из
-  каталога (нужно для деталей, т.к. в system prompt обычно только краткие
-  описания).
-- **`skill_save(name, description, body)`** — создаёт или обновляет скил.
-  Имя может содержать `:` (opencode-style: `backend:spring:db-base`
-  → `backend/spring/db-base/SKILL.md`).
-- **`skill_delete(name)`** — архивирует скил (переименовывает файл в
-  `.archived`, оставляя возможность восстановить).
-
-`skill_save`/`skill_delete` не требуют рестарта агента — изменения видны
-на ближайшем вызове `read_skill` (включая в этом же диалоге).
-
-### Skill mining (автонавыки)
-
-Модель может "протупить" и не вызвать `skill_save`, хотя приём был
-переиспользуемым. Сетка безопасности — фоновый [SkillMiner]: каждые
-`AGENTIK_SKILL_MINING_INTERVAL` пользовательских ходов (default 15, `0` =
-выключено) LLM смотрит последние `AGENTIK_SKILL_MINING_MAX_TURNS` ходов
-(default 30) + каталог существующих скилов и возвращает structured JSON
-`{"skills": [{name, description, body}]}`. Найденные скилы upsert-ятся в
-`AGENTIK_SKILLS_DIR` — агент становится умнее между сессиями. Обновления
-существующих скилов (то же имя) поддерживаются, дубли — нет.
-
-| Переменная | Default | Что делает |
-|---|---|---|
-| `AGENTIK_SKILL_MINING_INTERVAL` | `15` | Через сколько user-ходов запускать mining. `0` — выкл. |
-| `AGENTIK_SKILL_MINING_MAX_TURNS` | `30` | Сколько последних ходов показывать минеру |
-
-### Debug-эндпоинты
-
-`AGENTIK_DEBUG_ENDPOINTS=1` включает эндпоинты для ручного триггерирования
-фоновых фич (не ждать интервалов). Только локальная отладка: без
-авторизации, в проде не включать.
-
-| Эндпоинт | Действие |
-|---|---|
-| `POST /debug/reflect?conversationId=...` | прогон LlmReflector прямо сейчас, результат в БД |
-| `POST /debug/skill-mine?conversationId=...` | прогон SkillMiner прямо сейчас, найденное в `AGENTIK_SKILLS_DIR` |
-| `POST /debug/curate` | прогон Curator.runPass (архивация stale-заметок памяти) |
-| `POST /debug/compact?conversationId=...` | принудительный compaction working memory диалога |
-| `GET /debug/tokens?conversationId=...` | token-статистика диалога из БД (turns/in/out/total) |
-
-Каждый возвращает JSON с результатом (что сохранил/нашёл/сжал), чтобы было
-видно не только "триггер сработал", а что именно LLM намайнила.
-
-```bash
-AGENTIK_SKILLS_DIR=/etc/agentik/skills
-AGENTIK_DEBUG_ENDPOINTS=1
-```
-
-
-## MCP-инструменты
-
-`AGENTIK_MCP_CONFIG` — путь к JSON-файлу со списком MCP-серверов
-(формат `mcpServers: { name: { command, args | url, headers } }`). При
-запуске `McpRegistry.fromConfig` стартует stdio-серверы и подключается к
-HTTP-серверам, инструменты автоматически становятся доступны агенту.
-
-```bash
-AGENTIK_MCP_CONFIG=/etc/agentik/mcp.json
-```
-
-Пример `mcp.json`:
-
-```json
-{
-  "mcpServers": {
-    "fetch":    { "command": "uvx",  "args": ["mcp-server-fetch"] },
-    "playwright": { "url": "https://mcp.example.com", "headers": {"Authorization":"Bearer …"} }
-  }
-}
-```
+| `AGENTIK_GOOGLE_MODEL_URL` | нет | URL для скачивания (default: `https://static.binom.pw/models/gemma-4-E2B-it.litertlm`) |
+| `AGENTIK_GOOGLE_MODEL_SHA256_URL` | нет | URL с эталонным SHA-256 (если задано — файл проверяется) |
 
 ## Полный пример запуска
 
@@ -474,6 +142,11 @@ agentik standalone listening on http://localhost:8080
 LLM-клиент закрываются корректно (SQLite фиксирует WAL, MCP-процессы
 получают SIGTERM).
 
+## Клиенты к :standalone
+
+- `:agentik-cli` — REPL со slash-командами (`/new`, `/list`, `/interrupt` …).
+- `:agentik-tui` — Compose-style TUI, чисто клавиатурная навигация.
+
 ## Тесты
 
 ```bash