feat(secretaria): memória de longo prazo por contato (a partir das conversas)

A secretária passa a "lembrar" do cliente entre conversas:
- tabela sec_contact_memory (fato + embedding JSON), chave = ext_chat_id/contact_name.
- na sumarização (a cada ~10 trocas) extrai fatos duradouros do cliente via LLM
  e salva com embedding + dedup por similaridade (>0.92).
- buildSystemPrompt injeta "MEMÓRIA DO CLIENTE" com os fatos mais relevantes à
  pergunta (cosseno); sem chave de embedding usa os mais recentes; tudo com
  fallback silencioso (não regride).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

newwhats.clube67.com/newwhats.local/plugins/secretaria/brain.ts

@@ -132,6 +132,8 @@ export class ProtocolEngine {
     let summary = conversation.summary
     if (totalMsgs > 0 && (totalMsgs % 10 === 0 || totalMsgs === 5)) {
       summary = await this.summarize(agent, recentMessages, userMessage, response)
+      // Extrai memória duradoura do contato a partir da conversa (não bloqueia a resposta).
+      this.extractContactMemory(agent, conversation, recentMessages, userMessage, response).catch(() => {})
     }
 
     await this.db('sec_conversations')
@@ -182,6 +184,10 @@ export class ProtocolEngine {
     ].join('\n')
     prompt += protocolHeader
 
+    // Memória de longo prazo do contato (fatos de conversas anteriores)
+    const contactMem = await this.contactMemoryContext(conversation, userMessage)
+    if (contactMem) prompt += `=== MEMÓRIA DO CLIENTE (de conversas anteriores) ===\n${contactMem}\n\n`
+
     for (const node of nodes as any[]) {
       switch (node.type) {
         case 'persona':
@@ -285,6 +291,97 @@ export class ProtocolEngine {
     }
   }
 
+  // ── Memória de longo prazo por contato ─────────────────────────────────────
+
+  /** Recupera os fatos do contato relevantes à pergunta (conversas anteriores). */
+  private async contactMemoryContext(conversation: any, userMessage?: string): Promise<string> {
+    const contactKey = conversation.ext_chat_id || conversation.contact_name
+    if (!contactKey) return ''
+    let cfg: any
+    try { cfg = await this.config.get('secretaria') } catch { return '' }
+    try {
+      const mems = await this.db('sec_contact_memory')
+        .where({ agent_id: conversation.agent_id, contact_key: contactKey })
+      if (!mems.length) return ''
+      const qVec = (userMessage?.trim() && hasEmbeddingKey(cfg)) ? await embed(userMessage, cfg) : null
+      if (!qVec) {
+        // Sem embedding da pergunta: usa os fatos mais recentes.
+        return mems.slice(-6).map((m: any) => `- ${m.content}`).join('\n')
+      }
+      const ranked = mems
+        .map((m: any) => {
+          let v: number[] = []
+          try { v = JSON.parse(m.embedding) } catch { v = [] }
+          return { content: m.content, score: cosineSimilarity(qVec, v) }
+        })
+        .sort((a: any, b: any) => b.score - a.score)
+        .slice(0, 6)
+        .filter((r: any) => r.score > 0)
+      return ranked.length ? ranked.map((r: any) => `- ${r.content}`).join('\n') : ''
+    } catch {
+      return ''
+    }
+  }
+
+  /** Extrai fatos duradouros do cliente da conversa e salva (com embedding + dedup). */
+  private async extractContactMemory(
+    agent: any, conversation: any, recentMessages: any[], userMessage: string, response: string,
+  ): Promise<void> {
+    const contactKey = conversation.ext_chat_id || conversation.contact_name
+    if (!contactKey) return
+    let cfg: any
+    try { cfg = await this.config.get('secretaria') } catch { return }
+    if (!hasEmbeddingKey(cfg)) return  // sem embedding não há como armazenar/buscar
+
+    const transcript = [
+      ...recentMessages.map((m: any) => ({ role: m.role, content: m.content })),
+      { role: 'user', content: userMessage },
+      { role: 'assistant', content: response },
+    ].map((m) => `${m.role === 'user' ? 'Cliente' : 'Atendente'}: ${m.content}`).join('\n')
+
+    const sys = [
+      'Extraia FATOS DURADOUROS sobre o CLIENTE desta conversa, úteis em atendimentos futuros',
+      '(preferências, dados pessoais, decisões, contexto recorrente).',
+      '- Uma frase curta por fato, em 3ª pessoa ("O cliente ...").',
+      '- Ignore saudações, agradecimentos e o que é efêmero.',
+      '- Se não houver nada digno de memória, responda exatamente: NADA',
+      'Responda só a lista, uma por linha, sem numerar.',
+    ].join('\n')
+
+    let factsText = ''
+    try {
+      const r = await this.callAI(agent, sys, [{ role: 'user', content: transcript }])
+      factsText = r.text ?? ''
+    } catch { return }
+    if (!factsText.trim() || /^\s*NADA\s*$/i.test(factsText.trim())) return
+
+    const facts = factsText.split('\n')
+      .map((s) => s.replace(/^[-*\d.\s]+/, '').trim())
+      .filter((f) => f.length > 3)
+      .slice(0, 8)
+    if (!facts.length) return
+
+    const existing = await this.db('sec_contact_memory')
+      .where({ agent_id: agent.id, contact_key: contactKey })
+    const vecs: number[][] = existing.map((e: any) => { try { return JSON.parse(e.embedding) } catch { return [] } })
+
+    for (const fact of facts) {
+      const vec = await embed(fact, cfg)
+      if (!vec) continue
+      if (vecs.some((ev) => ev.length && cosineSimilarity(vec, ev) > 0.92)) continue // dedup
+      await this.db('sec_contact_memory').insert({
+        id: this.uuid(),
+        agent_id: agent.id,
+        contact_key: contactKey,
+        content: fact,
+        embedding: JSON.stringify(vec),
+        created_at: new Date(),
+        updated_at: new Date(),
+      })
+      vecs.push(vec)
+    }
+  }
+
   // ── Finalize Protocol ─────────────────────────────────────────────────────
 
   async finalizeProtocol(conversationId: string): Promise<{ summary: string; protocol_number: string }> {