feat: Phase 1 apprentissage — greffe TargetMemoryStore sur V4

Greffe minimale du mécanisme d'apprentissage persistant (Fiche #18,
target_memory_store.py) sur le pipeline streaming V4 sans toucher à V3.

Architecture (docs/PLAN_APPRENTISSAGE_LEA.md) :
- Lookup mémoire AVANT la cascade résolution coûteuse OCR/template/VLM
  dans _resolve_target_sync → hit = <10ms, miss = overhead zéro
- Record APRÈS validation post-condition (title_match strict)
  dans /replay/result → 2 succès → cristallisation par répétition
- Single source of truth : l'agent remplit report.actual_position avec
  les coords effectivement cliquées, le serveur les lit directement.
  Pas de cache intermédiaire (option C du plan).

Signature écran V4 : sha256(normalize(window_title))[:16]. Robuste aux
données variables, faux positifs rattrapés par le post-cond qui
décrémente la fiabilité via record_failure().

Fichiers :
- agent_v0/server_v1/replay_memory.py : nouveau wrapper 316 lignes
  exposant compute_screen_sig/memory_lookup/record_success/failure,
  lazy-init du store, normalisation texte stable, garde sanity coords
- agent_v0/server_v1/resolve_engine.py : lookup mémoire en tête de
  _resolve_target_sync (30 lignes)
- agent_v0/server_v1/replay_engine.py : _create_replay_state stocke
  une copie slim des actions (sans anchor base64) pour retrouver le
  target_spec par current_action_index
- agent_v0/server_v1/api_stream.py : 4 callers passent actions=...,
  record success/failure dans /replay/result lit actual_position
  du rapport (click-only), correction du commentaire Pydantic
- agent_v0/agent_v1/core/executor.py : remplit result["actual_position"]
  après self._click(), transmis dans le report de poll_and_execute

Tests : 56 E2E + Phase0 passent, zéro régression. Cycle Phase 1 validé
en simulation : miss → record → miss → record → HIT au 3ème passage.

Le deploy copy executor.py a une divergence pré-existante de 1302
lignes non committées — traité séparément lors du cleanup prochain.

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

agent_v0/server_v1/resolve_engine.py

@@ -1558,6 +1558,36 @@ def _resolve_target_sync(
     """
     anchor_image_b64 = target_spec.get("anchor_image_base64", "")
 
+    # ===================================================================
+    # PHASE 1 APPRENTISSAGE : Lookup mémoire persistante (Fiche #18)
+    # ===================================================================
+    # Avant TOUTE résolution coûteuse (OCR/template/VLM), on consulte la
+    # mémoire persistante (TargetMemoryStore). Si cette cible a été résolue
+    # avec succès ≥2 fois sur cet écran (fail_ratio < 30%), on retourne
+    # directement les coordonnées mémorisées.
+    #
+    # Hit mémoire : <10ms (vs 300ms-15s de résolution)
+    # Miss mémoire : aucun overhead, on continue la cascade normale
+    #
+    # Les coords stockées sont celles qui ont PASSÉ la post-condition
+    # (title_match strict) lors des replays précédents. C'est la
+    # cristallisation par répétition : Léa = stagiaire qui apprend.
+    try:
+        from .replay_memory import memory_lookup
+
+        _window_title = target_spec.get("window_title", "") or ""
+        if _window_title:
+            _mem_result = memory_lookup(
+                window_title=_window_title,
+                target_spec=target_spec,
+            )
+            if _mem_result:
+                # Hit mémoire : on skip toute la cascade.
+                # Les coordonnées sont sanity-checked dans memory_lookup().
+                return _mem_result
+    except Exception as _exc:
+        logger.debug("Memory lookup skipped : %s", _exc)
+
     # ===================================================================
     # V4 : Résolution pilotée par le plan pré-compilé
     # ===================================================================