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/memory/clip/embedder_test.go

@@ -0,0 +1,154 @@
+//go:build onnxruntime
+
+package clip
+
+import (
+	"bytes"
+	"fmt"
+	"image"
+	"image/color"
+	"image/png"
+	"os"
+	"testing"
+)
+
+func TestSmokeLoadAndEncode(t *testing.T) {
+	modelDir := os.Getenv("CLIP_MODEL_DIR")
+	if modelDir == "" {
+		modelDir = "/home/newqqagent/models/clip-vit-b32"
+	}
+	if _, err := os.Stat(modelDir + "/text.onnx"); err != nil {
+		t.Skipf("模型目录不存在: %v", err)
+	}
+
+	emb, err := New(modelDir)
+	if err != nil {
+		t.Fatalf("New: %v", err)
+	}
+	defer emb.Close()
+
+	if !emb.Loaded() {
+		t.Fatal("loaded should be true")
+	}
+	if emb.Dim() != 512 {
+		t.Fatalf("dim = %d, want 512", emb.Dim())
+	}
+	if emb.Fingerprint() == "" {
+		t.Fatal("fingerprint should not be empty")
+	}
+
+	// 文本编码
+	textVec, err := emb.VectorizeDense("a photo of a cat")
+	if err != nil {
+		t.Fatalf("VectorizeDense: %v", err)
+	}
+	if len(textVec) != 512 {
+		t.Fatalf("text vec len = %d, want 512", len(textVec))
+	}
+	fmt.Printf("text vec[:5] = %v\n", textVec[:5])
+
+	// 同义文本应比远义文本更相似
+	textVec2, _ := emb.VectorizeDense("a photograph of a dog")
+	textVec3, _ := emb.VectorizeDense("quantum physics equations")
+
+	sim12 := cosineSim(textVec, textVec2)
+	sim13 := cosineSim(textVec, textVec3)
+	fmt.Printf("cat vs dog = %.4f, cat vs physics = %.4f\n", sim12, sim13)
+	if sim12 <= sim13 {
+		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")
+	}
+	fmt.Printf("sparse len = %d\n", len(sparseVec))
+}
+
+// TestCrossModalAlignment 验证图文在同一向量空间可比：
+// 红底图的向量应与 "a red image" 更相似，而非 "a blue image"。
+func TestCrossModalAlignment(t *testing.T) {
+	modelDir := os.Getenv("CLIP_MODEL_DIR")
+	if modelDir == "" {
+		modelDir = "/home/newqqagent/models/clip-vit-b32"
+	}
+	emb, err := New(modelDir)
+	if err != nil {
+		t.Fatalf("New: %v", err)
+	}
+	defer emb.Close()
+
+	// 生成 224x224 纯红底 PNG
+	img := image.NewRGBA(image.Rect(0, 0, 224, 224))
+	red := color.RGBA{220, 40, 40, 255}
+	for y := 0; y < 224; y++ {
+		for x := 0; x < 224; x++ {
+			img.Set(x, y, red)
+		}
+	}
+	var buf bytes.Buffer
+	if err := png.Encode(&buf, img); err != nil {
+		t.Fatal(err)
+	}
+
+	imgVec, err := emb.EmbedImageDense(buf.Bytes(), "image/png")
+	if err != nil {
+		t.Fatalf("EmbedImageDense: %v", err)
+	}
+	if len(imgVec) != 512 {
+		t.Fatalf("img vec len = %d, want 512", len(imgVec))
+	}
+
+	redText, _ := emb.VectorizeDense("a red image")
+	blueText, _ := emb.VectorizeDense("a blue image")
+	redSim := cosineSim(imgVec, redText)
+	blueSim := cosineSim(imgVec, blueText)
+	fmt.Printf("red-image vs red-text = %.4f, vs blue-text = %.4f\n", redSim, blueSim)
+	if redSim <= blueSim {
+		t.Errorf("red image should align better with red text (%.4f) than blue (%.4f)", redSim, blueSim)
+	}
+
+	// 同图应比异图更相似：存两张不同颜色，query 用红底图应召回红图
+	d1 := imgVec
+	blueImg := image.NewRGBA(image.Rect(0, 0, 224, 224))
+	blue := color.RGBA{40, 40, 220, 255}
+	for y := 0; y < 224; y++ {
+		for x := 0; x < 224; x++ {
+			blueImg.Set(x, y, blue)
+		}
+	}
+	var buf2 bytes.Buffer
+	png.Encode(&buf2, blueImg)
+	d2, _ := emb.EmbedImageDense(buf2.Bytes(), "image/png")
+	if cosineSim(d1, d2) >= 0.99 {
+		t.Errorf("red and blue images should differ (got sim %.4f)", cosineSim(d1, d2))
+	}
+}
+
+func cosineSim(a, b []float64) float64 {
+	if len(a) != len(b) {
+		return 0
+	}
+	var dot, na, nb float64
+	for i := range a {
+		dot += a[i] * b[i]
+		na += a[i] * a[i]
+		nb += b[i] * b[i]
+	}
+	if na == 0 || nb == 0 {
+		return 0
+	}
+	return dot / (sqrt(na) * sqrt(nb))
+}
+
+func sqrt(x float64) float64 {
+	if x <= 0 {
+		return 0
+	}
+	z := x
+	for i := 0; i < 50; i++ {
+		z = (z + x/z) / 2
+	}
+	return z
+}