refactor(memory): 拆除描述式媒体索引，媒体成为一等块并按原生向量融合

背景：此前媒体是靠「生成的描述文本」将就进记忆的——写 marker 进正文、
再由正则反解成 media_refs 与图库里的 type=Media 实体。这条链路有三个
致命缺陷：描述由异步模型生成（未生成前媒体等于不存在）、语义检索实质上
只搜描述文字、图库里的「媒体节点」是描述文本的投影而不是媒体本身。

本提交把这条链路整体拆除，媒体改为按自己的原生向量参与记忆：

一、描述链彻底删除（无残留、无兼容分支）
- media.Item 去掉 Description/DescribedBy 与对应列；
- 删除 Store.Describe / Store.Search / Store.Pending；
- 删除 Agent.mediaDescribeLoop / describePendingMedia 与配置项
  core.memory.media.describe_on_ingest；
- SDK 侧 MediaAttachment 去掉 Description（见 SDK 仓独立提交）。

二、marker 机制删除，媒体归属改为结构化块边
- 删除 mediaMarkerLine/parseMediaMarkers/mediaEntityName/mediaTriplesFromText/
  extractMediaDigests/sentenceWithMediaMarkers/docMediaContext；
- memory.Triple 新增 MediaDigests 结构化字段；句子文本保持原样，
  不再被 marker 污染；
- 块以 sentence --contains--> block / document --contains--> block 结构边
  挂到承载节点（新增 documents 表与 document 节点种类）；
- 模型未给原句时用「主谓宾。」拼一句自然语言作落点，不造 marker 文本。

三、旧数据迁移（幂等）
- 新增 GraphDB.MigrateLegacyMediaEntities：把 type=Media 的旧实体按短 digest
  还原成原生块、挂回原句子、删除旧实体与描述关系；Agent 启动时执行；
- CleanupOrphanedSentences 同时看关系引用与块边，避免把只靠块存活的句子
  连同块边一起删掉。

四、向量融合：媒体按图本身被召回
- 新增 vector.FuseVectors（逐维求和 + L2 归一化）；
- Doc.DenseVec = 文本向量 ⊕ 文档块的媒体向量（同 fingerprint 才融合），
  新增 Doc.DenseFP，指纹变化触发重算；
- ContextEvent.DenseVec 同理融合事件块；事件新增 DenseFP，Prune 只在
  同一统一空间内比稠密余弦；
- 跨模态视觉路只召回「仍被某层记忆块持有」的媒体，CAS 全库字节不再
  直接充当记忆检索结果。

五、同时纳入本分支既有的嵌入基础改造（此前工作区未提交，缺它 HEAD 不可构建）
- internal/tfidf 懒回退包、千问三段式多模态 ONNX 空间的 Go 侧
  （qwen/embedder.go、image.go、model_input.go）、CLIP 移除、
  sdk.NewStore 分词器签名与调用点、embed 侧车 systemd 单元。

验证：go build ./... 、go vet ./...（含 -tags medialive）均通过；
在 HEAD 的独立 worktree 上重放本次暂存集后 go test -short ./internal/...
全部通过（端口冲突类用例在隔离环境中亦通过）。未提交工作区中与本改造
无关的改动（HarmonyOS、waiter、devicebridge、plan.md 等）。

internal/agent/core/context.go

@@ -38,6 +38,7 @@ type ContextEvent struct {
 	Blocks   []memory.MemoryBlock `json:"blocks,omitempty"` // 一等记忆块（text/image/video/audio）
 	Vector   vector.Vector        `json:"-"`                // 稀疏词向量（TF-IDF/fastText 空间）
 	DenseVec []float64            `json:"-"`                // 稠密多模态向量（与媒体/文档共享空间）
+	DenseFP  string               `json:"-"`                // DenseVec 所属统一空间指纹（缓存字段，不持久化）
 }
 
 const contextFlushInterval = 5 * time.Second
@@ -196,16 +197,29 @@ func (c *RelevanceContext) channelCleanerForDoc() document.ChannelCleaner {
 
 func (c *RelevanceContext) computeVector(evt *ContextEvent) {
 	text := textForVector(evt, c.toolDefLookup, c.channelDefLookup)
-	if text == "" {
-		return
-	}
 	// 稀疏向量始终计算（TF-IDF/fastText，退化时仍可用）
-	evt.Vector = c.embedder.Vectorize(text)
-	// 稠密向量仅在配置了多模态空间时计算
+	if text != "" {
+		evt.Vector = c.embedder.Vectorize(text)
+	}
+	// 稠密向量：文本向量 ⊕ 本事件持有的一等记忆块媒体向量（同一统一空间）。
+	// 只有媒体的输入（无文本）也要有可比较的坐标，因此不再按 text=="" 提前返回。
 	if c.denseSpace != nil && c.denseSpace.Loaded() {
-		if dv, err := c.denseSpace.VectorizeDense(text); err == nil {
-			evt.DenseVec = dv
+		fp := c.denseSpace.Fingerprint()
+		var parts [][]float64
+		if text != "" {
+			if dv, err := c.denseSpace.VectorizeDense(text); err == nil && len(dv) > 0 {
+				parts = append(parts, dv)
+			}
 		}
+		for _, b := range evt.Blocks {
+			// 只融合同指纹的块向量：另一套坐标系的向量混进来会算出
+			// 两边都不像的方向。
+			if len(b.Vector) > 0 && b.Fingerprint == fp {
+				parts = append(parts, b.Vector)
+			}
+		}
+		evt.DenseVec = vector.FuseVectors(parts...)
+		evt.DenseFP = fp
 	}
 }
 
@@ -312,9 +326,11 @@ func (c *RelevanceContext) Prune(currentInput string, topK int, docStore *docume
 	// 优先使用稠密向量余弦（与媒体/文档共享空间）；退化到稀疏词向量。
 	var queryDense []float64
 	useDense := false
+	queryFP := ""
 	if c.denseSpace != nil && c.denseSpace.Loaded() {
 		if dv, err := c.denseSpace.VectorizeDense(currentInput); err == nil {
 			queryDense = dv
+			queryFP = c.denseSpace.Fingerprint()
 			useDense = true
 		}
 	}
@@ -323,7 +339,9 @@ func (c *RelevanceContext) Prune(currentInput string, topK int, docStore *docume
 	scoredEvents := make([]scoredEvent, len(candidates))
 	for i, evt := range candidates {
 		var score float64
-		if useDense && len(evt.DenseVec) == len(queryDense) {
+		// 只在同一统一空间内比稠密余弦：换了模型/维度后旧事件的向量
+		// 属于另一个坐标系，拿来比会得到无意义的分数。
+		if useDense && evt.DenseFP == queryFP && len(evt.DenseVec) == len(queryDense) {
 			score = vector.DenseCosine(queryDense, evt.DenseVec)
 		} else {
 			score = vector.CosineSimilarity(queryVec, evt.Vector)