refactor: remove deprecated retriever module

RecursiveRetriever was a failed approach, not carried into TRM5.
- delete app/retriever/ (empty placeholder)
- drop retriever + train blocks from config/default.yaml
- renumber fidelity checklist 13->12 items (drop #4, shift up)
- sync core-goal text, dir tree, module-interaction diagrams
  across CLAUDE.md, ARCHITECTURE.md, overview.md, README.md
- reference/ kept intact as historical code

research-wiki/ARCHITECTURE.md

@@ -8,7 +8,7 @@
 
 ## §1 核心定位
 
-**项目目标**：在层次化视频树上构建可自我进化的搜索 Agent + 可训练的递归检索器，实现长视频理解。目标会议 EMNLP 2026。
+**项目目标**：在层次化视频树上构建可自我进化的搜索 Agent，实现长视频理解。目标会议 EMNLP 2026。
 
 **系统类比**——自进化循环对标 PyTorch 训练：
 
@@ -29,7 +29,7 @@
 | 模块 | 目录 | 一句话定义 |
 |------|------|-----------|
 | 建树 | `app/tree/` | 离线预处理——VLM 生成三层 TreeIndex（L1段落→L2片段→L3帧），支持字幕注入和后增强 |
-| 训练 | `app/harness/` + `core/` | 自进化循环（推理→诊断→进化）+ RecursiveRetriever 参数训练 |
+| 训练 | `app/harness/` + `core/` | 自进化循环（推理→诊断→进化）+ CE-Gate 信息阶梯 |
 | 新题构建 | `app/question_gen/` | 生成 Video-MME 风格训练题，原始 benchmark 作 held-out 泛化评测 |
 
 ---
@@ -55,7 +55,6 @@ flowchart TB
         HARNESS["app/harness/\n训练循环"]
         QGEN["app/question_gen/\n新题构建"]
         SEARCH["app/search/\nAgent 装配"]
-        RET["app/retriever/\n可训练检索器"]
         PORTS["app/ports.py"]
     end
 
@@ -68,7 +67,7 @@ flowchart TB
     AD_LLM & AD_VLM & AD_EMB & AD_CACHE & AD_TEL -->|实现| CPROTO & PORTS
     HARNESS --> AGENT & EVO
     SEARCH --> AGENT
-    TREE & RET & QGEN --> PORTS
+    TREE & QGEN --> PORTS
     AGENT & EVO -->|定义| CPROTO
 ```
 
@@ -81,7 +80,6 @@ flowchart TD
     CLI["main.py CLI"] --> RUNNER["app/harness/runner.py\n训练循环编排"]
     CLI --> BUILD["app/tree/video_builder.py\n建树"]
     CLI --> QGEN["app/question_gen/loader.py\n新题构建"]
-    CLI --> TRAIN_RET["app/retriever/train.py\n检索器训练"]
 
     RUNNER --> INF["app/harness/inference.py\n推理 step"]
     RUNNER --> DIAG["core/evolution/diagnose.py\n诊断"]
@@ -147,10 +145,6 @@ project_root/
 │   │   ├── summarizer.py    # 两轮 LLM 摘要（view_node / search_similar 用）
 │   │   ├── vision.py        # observe_frame（VLM 两轮 + OCR 注入）
 │   │   └── tools.py         # SearchToolDispatcher（实现 ToolDispatcher）
-│   ├── retriever/           # 可训练检索器
-│   │   ├── recursive.py     # RecursiveRetriever (CrossAttention+ACT)
-│   │   ├── losses.py        # NavigationLoss + ACTLoss
-│   │   └── train.py         # 两阶段训练入口
 │   └── ports.py             # 应用层特有端口
 │
 ├── adapters/                # 外部实现层
@@ -316,23 +310,22 @@ chat(messages) →
 
 ## §6 核心算法保真清单
 
-迁移时逐一比对参考代码，不可简化。建树 4 项 + 训练 9 项 = 13 项：
+迁移时逐一比对参考代码，不可简化。建树 4 项 + 训练 8 项 = 12 项：
 
 | # | 算法 | 参考文件 | 核心逻辑 |
 |---|------|---------|---------|
 | 1 | L2 轴心建树策略 | `reference/video_tree_trm/video_tree_builder.py` | L2 先行→L3 向下→L1 向上，asyncio 链式并发 |
 | 2 | VLM 批量帧描述 + JSON fallback | `reference/video_tree_trm/video_tree_builder.py` | `_L3_BATCH_SIZE=5` 批量调用，解析失败逐帧 fallback |
 | 3 | 断点续跑机制 | `reference/video_tree_trm/video_tree_builder.py` | `progress.json` + L1 中间 JSON，按段恢复 |
-| 4 | RecursiveRetriever | `reference/docs/architecture.md §5` | Cross-Attention 选择器 + ACT halt + z 状态累积 |
-| 5 | CE-Gate e-process | TRM4 `core/harness/eprocess.py` | 截断 Beta 混合、四出口门控 |
-| 6 | 信息阶梯 | TRM4 `core/harness/gate_ladder.py` | 冷启动 2:1、gamma-EMA、反泄漏 |
-| 7 | 块顺序验证 | TRM4 `core/harness/validate.py` | 基线缓存、INFRA 护栏、配对翻转 |
-| 8 | 诊断瀑布 | TRM4 `core/harness/diagnose.py` | 错误归因级联、缺陷 vs 失误、D1-D5 |
-| 9 | 进化 patch 引擎 | TRM4 `core/harness/evolve.py` + `patch.py` | 保护跨度、rank-and-clip、附录/动量 |
-| 10 | Mini-batch 构建 | TRM4 `core/harness/batching.py` | FFD + round-robin + 正确率混合 |
-| 11 | Agent Loop | TRM4 `core/loop.py` | Thinking+JSON、json_repair、pluggy hook |
-| 12 | 树环境语义搜索 | TRM4 `core/tree/environment.py` | 分块 embedding、祖先去重、锚定验证 |
-| 13 | 训练循环编排 | TRM4 `core/harness/runner.py` | 三级嵌套、慢更新10步、断点续训 |
+| 4 | CE-Gate e-process | TRM4 `core/harness/eprocess.py` | 截断 Beta 混合、四出口门控 |
+| 5 | 信息阶梯 | TRM4 `core/harness/gate_ladder.py` | 冷启动 2:1、gamma-EMA、反泄漏 |
+| 6 | 块顺序验证 | TRM4 `core/harness/validate.py` | 基线缓存、INFRA 护栏、配对翻转 |
+| 7 | 诊断瀑布 | TRM4 `core/harness/diagnose.py` | 错误归因级联、缺陷 vs 失误、D1-D5 |
+| 8 | 进化 patch 引擎 | TRM4 `core/harness/evolve.py` + `patch.py` | 保护跨度、rank-and-clip、附录/动量 |
+| 9 | Mini-batch 构建 | TRM4 `core/harness/batching.py` | FFD + round-robin + 正确率混合 |
+| 10 | Agent Loop | TRM4 `core/loop.py` | Thinking+JSON、json_repair、pluggy hook |
+| 11 | 树环境语义搜索 | TRM4 `core/tree/environment.py` | 分块 embedding、祖先去重、锚定验证 |
+| 12 | 训练循环编排 | TRM4 `core/harness/runner.py` | 三级嵌套、慢更新10步、断点续训 |
 
 > **TRM4** 指 `/home/iomgaa/Projects/Video-Tree-TRM4/`，**reference** 指 `/home/iomgaa/Projects/Video-Tree-TRM5/reference/`。
 

research-wiki/designs/2026-07-07-tree-module-design.md

@@ -10,7 +10,7 @@ status: approved
 
 ## 1. 背景与动机
 
-TRM5 的三大模块（建树、训练 harness、新题构建）中，建树是一切的地基——搜索 Agent、训练循环、检索器全部依赖树结构。当前 `app/tree/` 目录为空，需要从 reference 代码和 TRM4 迁移建树能力。
+TRM5 的三大模块（建树、训练 harness、新题构建）中，建树是一切的地基——搜索 Agent、训练循环全部依赖树结构。当前 `app/tree/` 目录为空，需要从 reference 代码和 TRM4 迁移建树能力。
 
 ### 1.1 现状
 

research-wiki/overview.md

@@ -1,6 +1,6 @@
 # 系统总览 (Overview)
 
-> Video-Tree-TRM5：在层次化视频树上构建可自我进化的搜索 Agent + 可训练递归检索器，通过 Harness Engineering 持续改进实现长视频理解。目标会议 EMNLP 2026。
+> Video-Tree-TRM5：在层次化视频树上构建可自我进化的搜索 Agent，通过 Harness Engineering 持续改进实现长视频理解。目标会议 EMNLP 2026。
 
 ## 1. 核心思想：自进化循环对标 PyTorch 训练
 
@@ -25,7 +25,6 @@ flowchart TD
     main[main.py CLI 入口] --> runner[app/harness/runner.py 训练循环]
     main --> build[app/tree/video_builder.py 建树]
     main --> qgen[app/question_gen/generator.py 新题构建]
-    main --> train_ret[app/retriever/train.py 检索器训练]
 
     runner --> inf[app/harness/inference.py 推理]
     runner --> diag[core/evolution/diagnose.py 诊断]
@@ -46,7 +45,6 @@ flowchart TD
 | `app/harness/` | 训练 harness：runner 循环编排、推理 step、mini-batch、信息阶梯、workspace 版本管理 |
 | `app/question_gen/` | 新题构建：题目生成、基线校准、去重 |
 | `app/search/` | 搜索 Agent 装配：PromptManager + SkillRegistry |
-| `app/retriever/` | 可训练检索器：RecursiveRetriever（CrossAttention+ACT）、两阶段训练 |
 | `core/agent/` | AgentLoop 引擎：Thinking+JSON 推理循环，pluggy hook 驱动 |
 | `core/evolution/` | 诊断+进化引擎：两阶段诊断、patch/rewrite 进化、CE-Gate e-process |
 | `adapters/` | 外部实现层：GovernedLLMClient（遥测+熔断+缓存）、VLM、Embedding、ASR、OCR |