refactor(clip): CLIP 收敛为稠密 MultimodalEmbedder，不污染稀疏 Vectorizer/TF-IDF 语义

文本相似度检索是层次化系统：TF-IDF 高频削弱加权（idf<0.1 丢弃）+
倒排剪枝（只召回共享特征者）+ cosine。CLIP 512 维稠密向量若以
map[string]float64 稀疏形式实现 vector.Vectorizer 并塞进 vector.Store，
会让 512 维全部成为倒排 key → 候选集≈全库、剪枝失效，且绕过 TF-IDF
高频削弱，与既有文本检索语义错配。

收敛：
- vector.MultimodalEmbedder 改为独立稠密接口（VectorizeDense/
  EmbedImageDense/Fingerprint/Dim/Loaded/Close），不再继承稀疏 Vectorizer
- clip.Embedder 删除稀疏垫片 Vectorize/EmbedImage/denseToVector，
  只产出稠密向量；文档/知识/上下文层继续用 TF-IDF/fastText 稀疏路径
- 分层明确：文本→文本走 TF-IDF/fastText；文本↔图像、图像↔图像走
  CLIP 稠密 QueryMedia（媒体层独立稠密余弦，原样保留）

internal/memory/clip/embedder.go

@@ -1,20 +1,22 @@
 //go:build onnxruntime
 
-// Package clip 提供基于 CLIP ONNX 的多模态向量化器。
+// Package clip 提供基于 CLIP ONNX 的稠密多模态编码器。
 //
 // 构建标签 onnxruntime 控制是否编译此实现（与 internal/nlp/onnx.go 同模式）。
 // 未配置 clip_model_dir 时不会初始化 ONNX Runtime，现有 fastText/TF-IDF 行为不变。
 //
 // 支持的模型文件（统一放置于 clip_model_dir 目录）：
 //
-//	text.onnx   — CLIP 文本编码器（input_ids + attention_mask → text_features [1,512]）
-//	vision.onnx — CLIP 图像编码器（pixel_values → image_features [1,512]）
+//	text.onnx   — CLIP 文本编码器（input_ids + attention_mask → text_embed [1,512]）
+//	vision.onnx — CLIP 图像编码器（pixel_values → image_embed [1,512]）
 //	clip_config.json — 模型元数据（dimension, context_length, image_size, mean, std）
 //	tokenizer.json — HuggingFace tokenizer.json（含 vocab + merges）
-//	merges.txt     — BPE merges 文件（CLIP 使用的字节级 BPE）
+//	merges.txt     — BPE merges 文件
 //
-// 设计：同时满足 vector.Vectorizer 接口（稀疏 map，供文档检索复用）和直接返回
-// []float64 的方法（供媒体嵌入与 QueryMedia 直接调用）。
+// 设计：只产出**稠密** 512 维向量（VectorizeDense / EmbedImageDense），供媒体层
+// media.Store 的稠密余弦检索（QueryMedia）消费。刻意不实现 vector.Vectorizer
+// （稀疏词向量）——文档/知识/上下文层的文本相似度检索保留 TF-IDF 高频削弱加权 +
+// 倒排剪枝 + fastText 稀疏词向量的既有设计，CLIP 稠密空间不混入那套索引。
 package clip
 
 import (
@@ -30,11 +32,9 @@ import (
 	"math"
 	"os"
 	"path/filepath"
-	"strconv"
 	"strings"
 	"sync"
 
-	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/vector"
 	ort "github.com/yalue/onnxruntime_go"
 )
 
@@ -48,7 +48,12 @@ type clipConfig struct {
 	Std           []float64 `json:"std"`
 }
 
-// Embedder 实现 vector.Vectorizer，提供文本向量化与图像向量化。
+// Embedder 是 CLIP 多模态稠密编码器，实现 vector.MultimodalEmbedder。
+// 产出 512 维共享稠密空间向量，供 media.Store 的稠密余弦检索。
+//
+// 刻意**不**实现 vector.Vectorizer（稀疏词向量）：CLIP 稠密向量若以
+// map[string]float64 稀疏形式塞进文档/知识层的 vector.Store，会破坏其
+// TF-IDF 高频削弱加权与倒排剪枝语义。文本层的相似度检索保持 TF-IDF/fastText。
 type Embedder struct {
 	mu          sync.RWMutex
 	config      clipConfig
@@ -83,25 +88,6 @@ func (e *Embedder) Loaded() bool {
 	return e.loaded
 }
 
-// Vectorize 将文本转为向量，供 vector.Vectorizer 接口使用（稀疏 map）。
-func (e *Embedder) Vectorize(text string) vector.Vector {
-	dense, err := e.VectorizeDense(text)
-	if err != nil {
-		log.Printf("[clip] Vectorize 失败: %v", err)
-		return vector.Vector{}
-	}
-	return denseToVector(dense)
-}
-
-// EmbedImage 将图像字节转为向量，供 vector.Vectorizer 接口使用（稀疏 map）。
-func (e *Embedder) EmbedImage(img []byte, mime string) (vector.Vector, error) {
-	dense, err := e.EmbedImageDense(img, mime)
-	if err != nil {
-		return nil, err
-	}
-	return denseToVector(dense), nil
-}
-
 // VectorizeDense 将文本转为归一化的 []float64 向量（CLIP 共享空间）。
 func (e *Embedder) VectorizeDense(text string) ([]float64, error) {
 	e.mu.RLock()
@@ -378,17 +364,6 @@ func resizeImage(src image.Image, dstW, dstH int) image.Image {
 	return dst
 }
 
-// denseToVector 将 []float64 稀疏化为 vector.Vector（CLIP 维度通常 512，不会太大）。
-func denseToVector(d []float64) vector.Vector {
-	vec := make(vector.Vector, len(d))
-	for i, v := range d {
-		if v != 0 {
-			vec[strconv.Itoa(i)] = v
-		}
-	}
-	return vec
-}
-
 // ---- BPE Tokenizer ----
 
 // loadTokenizerVocab 从 HuggingFace tokenizer.json 中提取 vocab（token→id 映射）。

internal/memory/clip/embedder_stub.go

@@ -4,12 +4,10 @@ package clip
 
 import (
 	"fmt"
-
-	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/vector"
 )
 
 // Embedder 在未启用 onnxruntime 时为 no-op 实现。
-// 构建时不链接 onnxruntime，default 构建保持原有 fastText/TF-IDF 行为不变。
+// 构建时不链接 onnxruntime，默认构建保持原有 fastText/TF-IDF 行为不变。
 type Embedder struct {
 	loaded bool
 }
@@ -18,17 +16,13 @@ func New(_ string) (*Embedder, error) {
 	return nil, fmt.Errorf("clip embedder requires build tag 'onnxruntime' (go build -tags onnxruntime)")
 }
 
-func (e *Embedder) Fingerprint() string              { return "" }
-func (e *Embedder) Dim() int                         { return 0 }
-func (e *Embedder) Loaded() bool                     { return e.loaded }
-func (e *Embedder) Vectorize(_ string) vector.Vector { return nil }
-func (e *Embedder) EmbedImage(_ []byte, _ string) (vector.Vector, error) {
-	return nil, fmt.Errorf("clip embedder not available")
-}
+func (e *Embedder) Fingerprint() string { return "" }
+func (e *Embedder) Dim() int            { return 0 }
+func (e *Embedder) Loaded() bool        { return e.loaded }
+func (e *Embedder) Close()              {}
 func (e *Embedder) VectorizeDense(_ string) ([]float64, error) {
 	return nil, fmt.Errorf("clip embedder not available")
 }
 func (e *Embedder) EmbedImageDense(_ []byte, _ string) ([]float64, error) {
 	return nil, fmt.Errorf("clip embedder not available")
 }
-func (e *Embedder) Close() {}

internal/memory/clip/embedder_test.go

@@ -58,12 +58,12 @@ func TestSmokeLoadAndEncode(t *testing.T) {
 		t.Errorf("cat-dog sim (%.4f) should be > cat-physics sim (%.4f)", sim12, sim13)
 	}
 
-	// 通过 Vectorizer 接口（稀疏 map）
-	sparseVec := emb.Vectorize("hello world")
-	if len(sparseVec) == 0 {
-		t.Error("sparse Vectorize should return non-empty")
+	// 稠密 VectorizeDense 再次调用验证可重复
+	vAgain, _ := emb.VectorizeDense("hello world")
+	if len(vAgain) != 512 {
+		t.Errorf("dense VectorizeDense len = %d, want 512", len(vAgain))
 	}
-	fmt.Printf("sparse len = %d\n", len(sparseVec))
+	fmt.Printf("dense len = %d\n", len(vAgain))
 }
 
 // TestCrossModalAlignment 验证图文在同一向量空间可比：

internal/memory/vector/store.go

@@ -17,10 +17,12 @@ type Vectorizer interface {
 	EmbedImage(img []byte, mime string) (Vector, error)
 }
 
-// MultimodalEmbedder 扩展 Vectorizer，提供直接返回 dense 向量的方法
-// 与模型生命周期管理。CLIP 等视觉向量化器实现此接口；未启用时用空 stub。
+// MultimodalEmbedder 是稠密多模态编码器的接口（CLIP 等视觉-文本联合模型）。
+//
+// 与 Vectorizer（稀疏词向量，供 TF-IDF/倒排检索）刻意区分：多模态模型产出的
+// 是共享稠密空间（如 CLIP 512 维），直接用于 media.Store 的稠密余弦检索，
+// **不得**塞进文档/知识层的稀疏 vector.Store（会破坏倒排剪枝与 TF-IDF 语义）。
 type MultimodalEmbedder interface {
-	Vectorizer
 	VectorizeDense(text string) ([]float64, error)
 	EmbedImageDense(img []byte, mime string) ([]float64, error)
 	Fingerprint() string