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/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