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/memory/document/document.go

@@ -37,6 +37,7 @@ type Doc struct {
 	Blocks      []memory.MemoryBlock `json:"blocks,omitempty"`    // 一等记忆块（text/image/video/audio）
 	Vector      tfidf.Vector         `json:"vector,omitempty"`    // TF-IDF 稀疏向量（fallback 时持久化）
 	DenseVec    []float64            `json:"dense_vec,omitempty"` // 多模态稠密向量（主路径）
+	DenseFP     string               `json:"dense_fp,omitempty"`  // DenseVec 所属统一空间指纹，变化时触发重算
 }
 
 // Store — 文档记忆存储。
@@ -113,7 +114,7 @@ func (s *Store) SetDenseSpace(ds vector.MultimodalEmbedder) {
 	s.denseSpace = ds
 }
 
-// BuildDenseIndex 为所有文档计算稠密向量。
+// BuildDenseIndex 为所有文档计算稠密向量（文本 ⊕ 媒体块）。
 func (s *Store) BuildDenseIndex(ds vector.MultimodalEmbedder) {
 	if ds == nil || !ds.Loaded() {
 		return
@@ -123,21 +124,42 @@ func (s *Store) BuildDenseIndex(ds vector.MultimodalEmbedder) {
 	log.Printf("[document memory] building dense index for %d docs (dim=%d)", len(s.docs), ds.Dim())
 	count := 0
 	for _, doc := range s.docs {
-		if doc.DenseVec != nil && len(doc.DenseVec) == ds.Dim() {
+		if doc.DenseVec != nil && len(doc.DenseVec) == ds.Dim() && doc.DenseFP == ds.Fingerprint() {
 			continue
 		}
-		text := doc.Summary + " " + doc.Content
-		vec, err := ds.VectorizeDense(text)
-		if err != nil {
-			log.Printf("[document memory] dense embed failed %s: %v", doc.ID[:min(16, len(doc.ID))], err)
+		vec := s.denseFor(doc)
+		if vec == nil {
 			continue
 		}
 		doc.DenseVec = vec
+		doc.DenseFP = ds.Fingerprint()
 		count++
 	}
 	log.Printf("[document memory] dense index built: %d new vectors", count)
 }
 
+// denseFor 计算文档的稠密向量：文本向量与其一等记忆块的媒体向量融合。
+//
+// 只有与当前统一空间同指纹的块向量才参与融合：不同模型/维度的旧向量
+// 属于另一个坐标系，混进去会算出一个两边都不像的方向。
+// 任意一路缺失时退化为另一路；都不可用返回 nil。
+func (s *Store) denseFor(doc *Doc) []float64 {
+	if s.denseSpace == nil || !s.denseSpace.Loaded() {
+		return nil
+	}
+	fp := s.denseSpace.Fingerprint()
+	var parts [][]float64
+	if tv, err := s.denseSpace.VectorizeDense(doc.Summary + " " + doc.Content); err == nil && len(tv) > 0 {
+		parts = append(parts, tv)
+	}
+	for _, b := range doc.Blocks {
+		if len(b.Vector) > 0 && b.Fingerprint == fp {
+			parts = append(parts, b.Vector)
+		}
+	}
+	return vector.FuseVectors(parts...)
+}
+
 // Reindex 重建 TF-IDF 索引（fallback 路径变更时调用）。
 func (s *Store) Reindex() {
 	s.mu.Lock()
@@ -172,11 +194,10 @@ func (s *Store) Insert(doc *Doc) error {
 
 	text := doc.Summary + " " + doc.Content
 
-	// 主路径：稠密向量
+	// 主路径：稠密向量（文本 ⊕ 媒体块）
 	if s.denseSpace != nil && s.denseSpace.Loaded() && len(doc.DenseVec) == 0 {
-		if dv, err := s.denseSpace.VectorizeDense(text); err == nil {
-			doc.DenseVec = dv
-		}
+		doc.DenseVec = s.denseFor(doc)
+		doc.DenseFP = s.denseSpace.Fingerprint()
 	}
 
 	// Fallback 路径：缓存文本，延迟训练
@@ -232,6 +253,10 @@ func (s *Store) ContextToDoc(source string, entries []ContextEntry, _ interface{
 			d.Tags = tags
 			d.Entities = entities
 			d.Blocks = blocksFromEntries(entries)
+			d.DenseVec = s.denseFor(d)
+			if s.denseSpace != nil {
+				d.DenseFP = s.denseSpace.Fingerprint()
+			}
 			s.dirty = true
 			return d, nil
 		}
@@ -249,6 +274,10 @@ func (s *Store) ContextToDoc(source string, entries []ContextEntry, _ interface{
 		Blocks: blocksFromEntries(entries),
 	}
 	s.docs[id] = doc
+	doc.DenseVec = s.denseFor(doc)
+	if s.denseSpace != nil {
+		doc.DenseFP = s.denseSpace.Fingerprint()
+	}
 	text := summary + " " + content
 	if s.tfidfIdx != nil {
 		s.tfidfIdx.Add(id, text)