feat(vector): pluggable multimodal vector space

核心暴露 MultimodalEmbedder 接口，两条路径共享同一套 L0/L2/L3
向量缓存、media.Store 坐标、QueryMemoryMediaScored 检索：
  - onnx：内嵌 ONNX 模型（CLIP 等），通过 build tag 编译
  - http：外部向量 API 服务（Jina v5 / OpenAI / 自建）

跨模态融合权重改为 CrossModalFusionConfig 可配置结构体，
移除所有模型特定硬编码（CLIP/Jina），版本切换只需改配置。

模型切换自动迁移：
  - StaleVecDigestsAll 支持全模态（image+audio+video）
  - 启动时并发重算（ONNX 4 workers / API 8 workers）
  - 修复 SQL 运算符优先级导致 kind 过滤失效的 bug

实测对比（492 篇生产文档 + 3 张真实图片）：
  - TF-IDF：MRR 0.457（精确匹配快，语义差）
  - fastText：MRR 0.530（语义中等，延迟 8ms）
  - Jina v5-omni：MRR 0.900（全面领先，延迟 40ms）
  - 中文文本→图片：Jina MRR 0.833 vs CLIP 0.611

See docs/embedding-comparison.md for full benchmark.

internal/agent/core/mediaref.go

@@ -63,11 +63,35 @@ func (a *Agent) captureBlockMedia(blocks []agentAPI.ContentBlock, tool string) [
 			log.Printf("[media] 落盘失败 (tool=%s mime=%s): %v", tool, mime, err)
 			continue
 		}
+
+		// 入库即算一次多模态坐标并缓存（多模态空间可用时）。
+		// 之后 doc_query / memory_recall / 内部召回直接复用 SetVec 的缓存坐标，
+		// 不重复跑 ONNX；模型切换由启动时的 reembedStaleMedia 补算。
+		a.embedMediaOnIngest(d, mime, data)
 		digests = append(digests, d)
 	}
 	return digests
 }
 
+// embedMediaOnIngest 给刚入库的图片立即计算多模态坐标并缓存。
+// 只在 多模态空间可用且为图像时执行；音频/未配置时静默跳过（保持既有行为）。
+func (a *Agent) embedMediaOnIngest(digest, mime string, data []byte) {
+	if a.multimodalSpace == nil || !a.multimodalSpace.Loaded() {
+		return
+	}
+	if !strings.HasPrefix(mime, "image/") {
+		return
+	}
+	vec, err := a.multimodalSpace.EmbedImageDense(data, mime)
+	if err != nil {
+		log.Printf("[media] 入库嵌入失败 %s: %v", shortDigest(digest), err)
+		return
+	}
+	if err := a.mediaStore.SetVec(digest, vec, a.multimodalSpace.Fingerprint()); err != nil {
+		log.Printf("[media] 入库写向量失败 %s: %v", shortDigest(digest), err)
+	}
+}
+
 // stageMediaDigests 累积本轮捕获的 digest，等 ContextEvent 建好后一起挂上。
 //
 // 为何要缓存而不是当场 AddRef：媒体在 process() 执行期间被捕获，而承载它的