Add Knowledgebase MCP server — persistent memory for Claude conversations

PostgreSQL-backed knowledge store with hybrid search:
- Full-text search via tsvector (always available)
- Semantic reranking via Voyage AI embeddings + Python cosine similarity
- Tables: kb_memories, kb_sessions, kb_messages
- Tools: store_memory, store_conversation, search, get_context, get_recent, stats

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

claude-memory/MEMORY.md

@@ -10,5 +10,7 @@
 - [Graph email import](project_graph_email_import.md) — import JNJ emailů do schránky vladimir.buzalka@buzalka.cz přes Graph API
 - [Memory sync přes Giteu](setup_memory_sync.md) — paměť je v `claude-memory/` v janssen repu, junction + git push synchronizuje mezi PC
 - [MCP soubory](project_mcp_soubory.md) — MCP server nad PG fulltextem + Mongo metadaty pro soubory studií (search/read/duplicates/by_author/...)
+- [Knowledgebase MCP](project_knowledgebase_mcp.md) — persistentní paměť konverzací/znalostí; PG+tsvector+cosine; nástroje: get_context/store_memory/store_conversation/search
 - [MCP emaily](project_mcp_emaily.md) — MCP server nad PG fulltextem + Mongo emailů z Graph importu (9 schránek, ~268k mailů; search/read_email/by_sender/conversation_thread/find_attachment/...)
+- [Python-runner pipeline](project_python_runner.md) — Docker kontejner na Unraidu, email pipeline 2×/den, auto-install deps, report z reports@buzalka.cz
 - [Claude Code learning path](project_claude_learning.md) — Level 2 Intermediate, mezery: Skills/Subagenty/Hooks/Print mode, tutoriál v `claude-howto/`

claude-memory/project_knowledgebase_mcp.md

@@ -0,0 +1,50 @@
+---
+name: project-knowledgebase-mcp
+description: "Knowledgebase MCP server — persistentní paměť pro Claude konverzace a znalosti, PostgreSQL, Voyage AI embeddingy"
+metadata: 
+  node_type: memory
+  type: project
+  originSessionId: 31aa5741-7484-4b3c-b608-1a5833b91602
+---
+
+Knowledgebase MCP server pro persistentní paměť konverzací a znalostí.
+
+**Why:** Claude má statická file-based memories v claude-memory/, ale bez fulltextového/sémantického vyhledávání. Tento systém umožňuje efektivní retrospektivní dotazy přes všechny minulé konverzace a uložené znalosti.
+
+**How to apply:** Na začátku relevantní konverzace zavolej `get_context("téma")` pro orientaci. Na konci konverzace zavolej `store_conversation(...)` se summary a `key_memories`. Fakta/rozhodnutí ukládej průběžně přes `store_memory(...)`.
+
+## Technický stack
+
+- **Server:** `U:/janssen/Knowledgebase/server.py` (FastMCP, stdio transport)
+- **DB:** PostgreSQL `knowledgebase` @ 192.168.1.76:5432
+- **Tabulky:** `kb_memories`, `kb_sessions`, `kb_messages`
+- **Vyhledávání:** Full-text (tsvector, vždy) + Python-side cosine similarity (pokud VOYAGE_API_KEY)
+- **Embeddingy:** Voyage AI voyage-3-lite (1024-dim) — volitelné, bez nich funguje FTS
+
+## MCP nástroje
+
+- `store_memory(content, mem_type, title, tags, project, importance)` — uloží fakt/rozhodnutí/preferenci
+- `store_conversation(messages, session_id, title, summary, project, key_memories)` — uloží celou konverzaci
+- `search(query, types, project, tags, limit)` — hybridní vyhledávání
+- `get_context(topic, project)` — kontext pro novou konverzaci (search + preferences)
+- `get_recent(limit, mem_type, project)` — nejnovější záznamy
+- `list_sessions(limit, project)` — přehled konverzací
+- `get_session(session_id)` — detail konverzace s messages
+- `update_memory(id, ...)` — aktualizace
+- `delete_memory(id)` — soft/hard delete
+- `stats()` — přehled obsahu DB
+
+## mem_type hodnoty
+
+fact | decision | preference | summary | document | email | project | person | other
+
+## Konfigurace
+
+MCP server je zaregistrován v `claude_desktop_config.json` jako `"knowledgebase"`.
+Pro Voyage AI embeddingy nastav `VOYAGE_API_KEY` v env sekci configu.
+
+## Workflow
+
+1. `get_context("téma")` na začátku session
+2. `store_memory(...)` pro klíčová fakta/rozhodnutí průběžně
+3. `store_conversation(messages, session_id, summary, key_memories=[...])` na konci session

claude-memory/project_python_runner.md

@@ -0,0 +1,33 @@
+---
+name: python-runner
+description: "Docker kontejner na Unraidu s email pipeline — architektura, závislosti, scheduling, hlášení"
+metadata: 
+  node_type: memory
+  type: project
+  originSessionId: ec13e72a-c0a8-4862-93d9-6da9b29b82f3
+---
+
+Email pipeline běží v Docker kontejneru `python-runner` na Unraidu (192.168.1.76).
+Skripty jsou v `/mnt/user/Scripts/` (volume → `/scripts/`).
+
+**Pipeline** spouštěna 2× denně cronem (`0 6,18 * * *`) přes `run_pipeline.sh`:
+- `1b` — Graph delta sync (nové/změněné emaily → MongoDB)
+- `3` — Download attachments
+- `4` — Unwrap S/MIME
+- `5` — Enrich fulltext → PostgreSQL
+
+**Wrapper:** `0_run_pipeline_v1.0.py`
+- Na začátku auto-install: `pip install -q -r /scripts/requirements.txt` — odolné vůči recreate kontejneru
+- Na konci email report: HTML tabulka výsledků z `reports@buzalka.cz` → `vladimir.buzalka@buzalka.cz`; při chybě přiloží log selhavšího kroku
+
+**Závislosti:** `requirements.txt` v `/scripts/` + v repo `Python-runner/requirements.txt`
+Klíčové: `msal`, `asn1crypto`, `pymongo`, `psycopg`, `extract-msg`, `beautifulsoup4`
+
+**Incident 2026-06-05:** kontejner byl recreated → ztraceny balíčky → pipeline padala 24h (kroky 1b/3/4 FAIL s ModuleNotFoundError). Opraveno auto-installem.
+
+**Knihovna pro odesílání emailů:** `Knihovny/EmailMessagingGraph.py` (kopie na serveru `/scripts/EmailMessagingGraph.py`)
+- SENDER: `reports@buzalka.cz`, tenant TrialHelp s.r.o.
+
+**Logy:** `/mnt/user/Scripts/logs/pipeline_YYYYMMDD_HHMM.log`, symlink `pipeline_latest.log`, retence 30 dní.
+
+Souvisí s [[graph-email-import]], [[project-mcp-emaily]].