feat(clip): 多模态向量器（CLIP ONNX）——文本/图像 512 维共享空间 + 媒体向量写入与重算

- internal/memory/clip：CLIP ONNX 向量器（onnxruntime 构建标签控制，默认构建不链接 ONNX）
  - clip.New(modelDir) 加载 text.onnx/vision.onnx（输出 text_embed/image_embed [batch,512]）
  - 实现 vector.Vectorizer + vector.MultimodalEmbedder（Vectorize/EmbedImage + Dense 变体）
  - 词级 BPE tokenizer：merges 合并后词末片段带 </w> 查 vocab，与官方 encode 逐 id 对齐
  - EmbedImage：解码→resize 224→NCHW→normalize→vision session
  - Fingerprint（text+vision 文件 sha256）供模型切换检测
  - stub 版（无 onnxruntime 标签）保持默认构建行为不变
- vector/store.go：新增 MultimodalEmbedder 接口
- media.Store：新增 StaleVecDigests(currentModel)——查 vec_model 不匹配/缺失的图片
- agent core：AgentConfig.ClipEmbedder + Agent.clipEmb 接线；
  describePendingMedia 描述成功后 EmbedImageDense→SetVec；
  新增 reembedStaleMedia 启动补算历史无向量图片
- config：core.memory.media.clip_model_dir（未配置退化为现有 fastText/TF-IDF 行为）
- cmd/homed：读 clip_model_dir 加载 CLIP，失败仅记日志不阻塞启动

测试：TestSmokeLoadAndEncode（文本语义 cat>dog 0.914>physics 0.740）、
TestCrossModalAlignment（red-image vs red-text 0.063>blue -0.009，与 Python 一致）、
TestTokEnd（与官方 encode 逐 id 对齐）、TestStaleVecDigests，含 -race 全绿

internal/agent/core/agent.go

@@ -13,6 +13,7 @@ import (
 	"gitcode.com/JianFeeeee/HomeAgent/internal/events"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/knowledge"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/memory"
+	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/clip"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/document"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/media"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/memory/social"
@@ -144,6 +145,9 @@ type Agent struct {
 	// 词嵌入模型，用于实体语义相似度计算
 	embedder *memory.StaticEmbedder
 
+	// clipEmb 是 CLIP 多模态嵌入（可选），nil 时跳过视觉向量计算。
+	clipEmb *clip.Embedder
+
 	// 技能索引提供者：由 skillmgr 插件实现，向 system prompt 注入轻量技能索引
 	skillIndex SkillIndexProvider
 }
@@ -174,6 +178,7 @@ type AgentConfig struct {
 	MediaGCInterval    time.Duration
 	MediaGCMinAge      time.Duration
 	MediaDescribe      bool
+	ClipEmbedder       *clip.Embedder
 	Personality        *agentPkg.Personality
 	PluginReg          *plugin.Registry
 	PluginDir          string
@@ -279,6 +284,7 @@ func New(cfg AgentConfig) *Agent {
 		thinkingEnabled: cfg.ThinkingEnabled,
 		inputCfg:        cfg.InputProcessing,
 		embedder:        embedder,
+		clipEmb:         cfg.ClipEmbedder,
 		noMergeMarkers:  make(map[string]int),
 		lastInput:       make(map[string]time.Time),
 	}
@@ -296,6 +302,7 @@ func (a *Agent) Start() {
 	go a.reviewLoop()
 	go a.mediaGCLoop()
 	go a.mediaDescribeLoop()
+	a.reembedStaleMedia()
 	log.Printf("[agent] %s started, waiting for IO interrupts", a.id)
 }
 

internal/agent/core/medialoop.go

@@ -179,5 +179,64 @@ func (a *Agent) describePendingMedia() {
 			continue
 		}
 		log.Printf("[media] 已描述 %s (%s, %d 字, 源=%s)", shortDigest(it.Digest), kind, len([]rune(desc)), srcName)
+
+		// 描述成功后，若 CLIP 嵌入器可用且是图片，计算视觉向量。
+		// 这是"描述 + 向量"两步同步完成的路径；对于历史已有描述但无向量的媒体，
+		// 由启动时的 reembedStaleMedia 补算。
+		if a.clipEmb != nil && kind == "image" && it.Kind == media.KindImage {
+			vec, err := a.clipEmb.EmbedImageDense(data, mime)
+			if err != nil {
+				log.Printf("[media] 视觉嵌入失败 %s: %v", shortDigest(it.Digest), err)
+			} else if err := a.mediaStore.SetVec(it.Digest, vec, a.clipEmb.Fingerprint()); err != nil {
+				log.Printf("[media] 写向量失败 %s: %v", shortDigest(it.Digest), err)
+			} else {
+				log.Printf("[media] 已嵌入 %s (dim=%d)", shortDigest(it.Digest), len(vec))
+			}
+		}
 	}
 }
+
+// reembedStaleMedia 在启动时为历史已有描述但无 CLIP 向量的图片补算视觉向量。
+// 避免安装 CLIP 后，旧图片永远只有描述文本、没有视觉向量，直到下次 Describe 才能写入。
+func (a *Agent) reembedStaleMedia() {
+	if a.clipEmb == nil || a.mediaStore == nil {
+		return
+	}
+	fp := a.clipEmb.Fingerprint()
+	digests, err := a.mediaStore.StaleVecDigests(fp)
+	if err != nil {
+		log.Printf("[media] 查询需重算向量的媒体失败: %v", err)
+		return
+	}
+	if len(digests) == 0 {
+		log.Printf("[media] 无历史媒体需要补算视觉向量")
+		return
+	}
+	log.Printf("[media] 启动补算视觉向量: %d 条 (fp=%s...)", len(digests), fp[:min(12, len(fp))])
+	done := 0
+	for _, d := range digests {
+		it, err := a.mediaStore.Stat(d)
+		if err != nil {
+			continue
+		}
+		data, err := a.mediaStore.Get(d)
+		if err != nil {
+			continue
+		}
+		mime := it.MIME
+		if mime == "" {
+			mime = "image/png"
+		}
+		vec, err := a.clipEmb.EmbedImageDense(data, mime)
+		if err != nil {
+			log.Printf("[media] 启动补算失败 %s: %v", shortDigest(d), err)
+			continue
+		}
+		if err := a.mediaStore.SetVec(d, vec, fp); err != nil {
+			log.Printf("[media] 启动写入向量失败 %s: %v", shortDigest(d), err)
+			continue
+		}
+		done++
+	}
+	log.Printf("[media] 启动补算完成: %d/%d", done, len(digests))
+}