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/memory/media/media_vec_test.go

@@ -149,25 +149,26 @@ func TestStaleVecDigests(t *testing.T) {
 	// 有描述但从未嵌入（vec_model 空）→ stale
 	d3, _ := s.Put([]byte("img3"), Item{MIME: "image/png", Description: "图三"})
 
-	// 无描述 → 不参与（描述流程外）
-	s.Put([]byte("img4"), Item{MIME: "image/png"})
+	// 无描述但有图片 → 也应被迁移（描述是可选语义通道，图片应独立于描述参与向量空间）
+	d4, _ := s.Put([]byte("img4"), Item{MIME: "image/png"})
 
-	// 音频不属于图片 → 不算 stale
+	// 音频不参与图片迁移（StaleVecDigests 只查 kind='image'）
 	s.Put([]byte("aud1"), Item{MIME: "audio/wav", Description: "语音"})
 
 	stale, err := s.StaleVecDigests("clip-vit-b32")
 	if err != nil {
 		t.Fatal(err)
 	}
-	if len(stale) != 2 {
-		t.Fatalf("expected 2 stale digests (d2 旧模型 + d3 未嵌入), got %d: %v", len(stale), stale)
+	// d1 匹配模型 → 非 stale；d2 旧模型 + d3 未嵌入 + d4 无描述图片 = 3 stale；aud1 不算
+	if len(stale) != 3 {
+		t.Fatalf("expected 3 stale digests (d2 旧模型 + d3 未嵌入 + d4 无描述), got %d: %v", len(stale), stale)
 	}
 	got := map[string]bool{}
 	for _, d := range stale {
 		got[d] = true
 	}
-	if !got[d2] || !got[d3] {
-		t.Errorf("expected d2 and d3 stale, got %v", stale)
+	if !got[d2] || !got[d3] || !got[d4] {
+		t.Errorf("expected d2, d3, d4 stale, got %v", stale)
 	}
 	if got[d1] {
 		t.Errorf("d1 (匹配模型) 不应 stale")