feat(memory): anomaly detection on memory writes

**Context:** ROADMAP.md → Memory security → Anomaly detection

---

## Component

Agent (Python runtime)

## Describe the feature

**CloudWatch metrics** on memory write patterns; alarms for burst writes, unusual content size, or suspicious keyword spikes.

## Use case

Memory poisoning attacks may manifest as rapid bulk writes or anomalous content. Operators need early warning before retrieval spreads bad data.

## Proposed solution

1. EMF metrics: write rate, bytes, entries per task/repo.
2. Alarms with sensible defaults + Blueprint overrides.
3. Optional auto-quarantine hook (see quarantine draft).
4. Dashboard panel on operator dashboard.

## Other information

- Design context: `docs/design/MEMORY.md`, `docs/design/OBSERVABILITY.md`.

- [ ] This might be a breaking change

Beginne mit dem Lesen von docs/design/MEMORY.md und docs/design/OBSERVABILITY.md und untersuche anschließend die Einstiegspunkte der Agent Python runtime und des Operator-Dashboards. Lege fest, wie EMF-Metriken, standardmäßige und durch Blueprint überschriebene Alarme, der optionale Quarantäne-Hook und das Dashboard-Panel zusammenpassen. Als abgeschlossen gilt die Aufgabe, wenn die vorgeschlagenen Schreibmuster-Signale und Operator-Steuerungen implementiert und dokumentiert sind.

Vom Indexierungsmodell aus dem Issue-Text verfasst.