refactor(memory): 核心不再适配具体模型——公共 embedding provider SPI + 注册表

问题：cmd/homed 里 `case "onnx": qwen.New(modelDir)` 把模型适配写进了核心，
`type=onnx` 名义上是格式、实际写死了一个模型家族；2117 行 Qwen 专属代码
（BPE、chat template、M-RoPE、Vision_gN 命名）住在内核树里，还带着一对
`//go:build onnxruntime` 的 stub。加任何新模型都要改内核。

现在核心只认一个模型无关的公共契约（pkg/embedding）：
- 输入是不透明的 Data+MIME，解码/预处理/时序分组全归 provider
- 能力是数据（Info.Modalities），不是接口方法——新增模态无需改核心接口
- 不支持的模态返回 embedding.ErrUnsupportedModality（可 errors.Is 识别）
- 按名字注册，重复注册 panic；Options 是 provider 私有命名空间，核心不解释

改动：
- 新增 pkg/embedding：Modality/Purpose/Input/Info/Provider/Config + 注册表
  （Open 校验 Info，ValidateVector 在入库前拦下维度错与非有限值）
- providers/qwen3vl：Qwen 实现整体移出内核（git mv），实现公共 SPI 并自注册
- internal/memory/vector：新增 ProviderAdapter（公共 SPI → 内部小接口）；
  ErrModalityUnsupported 改为公共哨兵别名；删除 VideoEmbedder 可选接口
  （那正是「核心为每个新模态长方法」的坏味道）
- http embedder 也变成普通 provider（注册名 http）
- cmd/homed：删除 qwen import 与 onnx/http 分支，改为按 provider 名打开 +
  透传 options.*；provider 打开失败只警告并禁用多模态检索，不影响启动
- config：multimodal_space.type/onnx./http.* → provider + options.*
- 删除 internal/memory/qwen（整体搬迁）

测试：
- pkg/embedding：注册表隔离/未知名字/非法 Info 自动关闭/ValidateVector
- vector：适配器原样透传字节与 MIME、维度错被拦、Close 幂等且停止使用、
  两个哨兵 errors.Is 互通
- providers/qwen3vl：新增公共 SPI 全链路集成测试（Open→Info→Embed→
  未知模态哨兵），并明确断言 Info 不声明 video

已知未完成（不得当作已验证）：
- 视频冻结回归 TestEmbedderVideoMatchesONNXReference **显式跳过**：Go 侧
  video 模板缺少 processor 按时间组插入的字面时间戳文本
  （<0.0 seconds>/<1.0 seconds>），同一输入 Python seq=1190(1152+38)、
  Go 只有 22 个文本 token。时间戳也占 M-RoPE 位置，故现有 M-RoPE 自洽断言
  通过不能证明与官方实现一致。修复属 provider 内部工作。
- 视觉侧三档已导出并逐档校验通过（cos 1.000000119/1.000000119/1.000000000）

验证：go build ./... ；go vet -tags onnxruntime ./... ；
go test -short ./internal/memory/... ./internal/agent/core/... ./internal/sdk/... ./pkg/...
；onnxruntime 下 providers/qwen3vl 全绿（视频为显式 skip）

providers/qwen3vl/model_input.go

@@ -0,0 +1,130 @@
+//go:build onnxruntime
+
+package qwen3vl
+
+import (
+	"fmt"
+	"strings"
+)
+
+// 视觉输入（图像与视频）的模型输入构造。
+//
+// 图像与视频的模板结构完全一致，只有两点不同：
+//   1. 占位符：<|image_pad|>（id 151655）vs <|video_pad|>（id 151656）；
+//   2. 时间组数：图像恒为 1 组（576 个视觉 token），视频为 G 组（G×576）。
+//
+// 因此两者共用同一个构造器。分开写两份必然漂移，而漂移的表现是
+// 「嵌入略有不同」——不报错，只是检索慢慢变差。
+
+// visionModelInput 构造视觉输入的 token 序列与 M-RoPE 位置。
+//
+// padToken 是 <|image_pad|> 或 <|video_pad|>；groups 是时间组数。
+func (t *Tokenizer) visionModelInput(instruction, padToken string, groups, maxLen int) (ids []int, attention, position []int64, visual []bool, err error) {
+	if instruction == "" {
+		instruction = DefaultInstruction
+	}
+	if groups < 1 {
+		return nil, nil, nil, nil, fmt.Errorf("qwen: vision groups must be >= 1, got %d", groups)
+	}
+	if _, ok := t.SpecialID(padToken); !ok {
+		return nil, nil, nil, nil, fmt.Errorf("tokenizer.json 缺少 %s", padToken)
+	}
+	text := "<|im_start|>system\n" + instruction +
+		"<|im_end|>\n<|im_start|>user\n<|vision_start|>" +
+		strings.Repeat(padToken, groups*qwenVisualTokens) +
+		"<|vision_end|><|im_end|>\n<|im_start|>assistant\n"
+	ids, err = t.encodeModelInput(text, maxLen)
+	if err != nil {
+		return nil, nil, nil, nil, err
+	}
+	padID, _ := t.SpecialID(padToken)
+
+	visual = make([]bool, len(ids))
+	attention = make([]int64, len(ids))
+	position = make([]int64, 3*len(ids))
+	for i, id := range ids {
+		attention[i] = 1
+		visual[i] = id == padID
+	}
+
+	current := int64(0)
+	for start := 0; start < len(ids); {
+		isVisual := visual[start]
+		end := start + 1
+		for end < len(ids) && visual[end] == isVisual {
+			end++
+		}
+		if !isVisual {
+			for i := start; i < end; i++ {
+				p := current + int64(i-start)
+				position[i] = p
+				position[len(ids)+i] = p
+				position[2*len(ids)+i] = p
+			}
+			current += int64(end - start)
+		} else {
+			run := end - start
+			if run != groups*qwenVisualTokens {
+				return nil, nil, nil, nil, fmt.Errorf("qwen: %s run=%d, want %d (groups=%d)",
+					padToken, run, groups*qwenVisualTokens, groups)
+			}
+			// 每个时间组独立取位置：t 在组内固定为 base，h/w 在组内递增，
+			// 组间 base 前进一个视觉步长。
+			//
+			// 与 transformers 的实现对应：get_rope_index 对视频先把
+			// video_grid_thw 按 grid_t 展开成 G 个 (1,h,w) 的 grid 项，
+			// 每项单独调用 get_vision_position_ids(current_pos, (1,h,w))，
+			// 然后 current_pos += max(h,w)/spatial_merge。因为每项 t=1，
+			// 其 temporal 分量就等于 current_pos，h/w 从 current_pos 起递增。
+			for g := 0; g < groups; g++ {
+				base := current
+				for j := 0; j < qwenVisualTokens; j++ {
+					i := start + g*qwenVisualTokens + j
+					position[i] = base
+					position[len(ids)+i] = base + int64(j/qwenVisionScale)
+					position[2*len(ids)+i] = base + int64(j%qwenVisionScale)
+				}
+				current += int64(qwenVisionScale)
+			}
+		}
+		start = end
+	}
+	return ids, attention, position, visual, nil
+}
+
+// imageModelInput 构造 Qwen3-VL 单图对话模板及对应 M-RoPE 位置。
+// 固定 768×768 视觉塔产生 576 个合并后的视觉 token。
+func (t *Tokenizer) imageModelInput(instruction string, maxLen int) (ids []int, attention, position []int64, visual []bool, err error) {
+	return t.visionModelInput(instruction, "<|image_pad|>", 1, maxLen)
+}
+
+// videoModelInput 构造 Qwen3-VL 视频对话模板及对应 M-RoPE 位置。
+//
+// groups 是时间组数（每组合 2 帧），共 2×groups 帧、groups×576 个视觉 token。
+// 占位符是 <|video_pad|>（id 151656），与图像的 <|image_pad|> 不同——
+// 用错占位符不会报错，只会让模型把它当成另一种模态。
+//
+// 这里不限制 groups 上限：哪些档位真的可用由产物目录（Vision_g{N}.onnx）决定，
+// 硬编码一份清单在这里只会与导出脚本漂移。序列过长会因 tokenizer 截断
+// 而在下面的视觉区间长度校验处明确报错。
+func (t *Tokenizer) videoModelInput(instruction string, groups, maxLen int) (ids []int, attention, position []int64, visual []bool, err error) {
+	return t.visionModelInput(instruction, "<|video_pad|>", groups, maxLen)
+}
+
+// textModelInput 执行完整 tokenizer post_processor，并构造纯文本标准 RoPE 位置。
+func (t *Tokenizer) textModelInput(instruction, text string, maxLen int) (ids []int, attention, position []int64, visual []bool, err error) {
+	ids, err = t.encodeModelInput(renderInstructionInput(instruction, text), maxLen)
+	if err != nil {
+		return nil, nil, nil, nil, err
+	}
+	attention = make([]int64, len(ids))
+	position = make([]int64, 3*len(ids))
+	visual = make([]bool, len(ids))
+	for i := range ids {
+		attention[i] = 1
+		position[i] = int64(i)
+		position[len(ids)+i] = int64(i)
+		position[2*len(ids)+i] = int64(i)
+	}
+	return ids, attention, position, visual, nil
+}