fix(knowledge): 名称规范化/路径安全 + IDF 增量维护 + 多模态稠密路 + 派生数据落盘

一次知识库子系统的集中加固，四类缺陷各有实测复现：

1. 名称与路径（数据安全，最严重）
   - sanitize 不过滤 .. ⇒ Remove("..") 直接 RemoveAll 掉整个数据目录
     （实测把 <data> 整棵删掉，含 memory/documents/media），且返回 nil，
     工具层回报"已删除"；Add("../../x") 写到知识根外，重启扫不回来
     ⇒ 幽灵条目。
   - Add 整串 sanitize 而建目录逐段 sanitize，内存键与盘上目录从**第一次
     落盘起**就不一致；重启后 name 漂移，knowledge_delete 静默删不掉
     （RemoveAll 删空目录返 nil）。同一个根因。
   - 修法：新增 normalizeName 作为唯一入口（逐段 + 拒绝空段/点段/隐藏段）；
     Remove 改为取条目自记的 Path（不再用名字重拼）+ 返回 ErrNotFound。
   - resolve 三层退让（原样 → 规范名 → 叶名大小写不敏感，唯一命中才接受）：
     scanDir 按盘上目录原样建键，遗留大写目录若只查规范名会变成
     "List 看得到、Remove 报不存在"。删的路径仍取自 Path，退让无风险。

2. IDF 与索引不同步（功能缺陷，非优化）
   - TFIDF Vectorize 跳过 df<=0 的特征，而 Add 只往只增不减的 summaries
     追文本、从不更新 DF ⇒ 库满(≥3篇) + 新词时，新知识**当场搜不到**，
     重启才恢复（实测 Search("量子纠缠") == []）。
   - 修法：vector.Store 新增 AddDoc/RemoveDoc（文档级去重口径与 Train 一致，
     totalDocs 下界守卫，零频 DF 删除防表膨胀）；knowledge 删掉 summaries，
     改 index/unindex/retrain 三件套，覆盖写先 RemoveDoc 旧文本。

3. 多模态稠密路（此前知识库端到端纯文本）
   - 新增 SetDenseSpace/SetMediaGetter/ReindexDense/DenseStats 与
     AddWithMedia/AttachMedia，媒体成为一等节点参与跨模态召回。
   - 维度与指纹双守卫：维度不符的向量会被 FuseVectors 按最大维度拼成错维度
     结果且被当成"已对齐"永久错下去（docStore 踩过）；模态不支持(音频)时
     静默跳过该媒体、退化为纯文本向量，绝不拿别的模型的向量顶替。
   - 未注入多模态空间时行为与此前逐字一致（退化为 0.5/0.5 两路融合）。

4. 派生数据落盘 + 分层参与召回
   - 媒体引用是**作者数据**（丢失即丢信息）→ 条目目录内 .media.json；
     稠密向量是**派生数据**（可重算）→ 全局 .dense.json，tmp+rename 原子。
     混存会让派生数据损坏连带作者数据一起丢。
   - 新增 SearchIn(query, category, topK)：分类前缀匹配子树，让分层真正
     参与召回（此前检索全库平铺，分层只是存储布局）。归一化取作用域内
     最大值，否则范围外的强命中会把域内分数压没。
   - 删除 SearchTree/SearchCategories 死代码（零调用方，且停留在 Search
     修复前的单路口径：无词法融合、0.05 阈值）。

顺带修掉 Add 的 O(N)/写：buildTreeLocked 逐条重算向量（s.vec 里已有）
改为一次建表复用；.index.json 改为标脏 + Flush/Stop 收口。实测单条 Add
2.1ms@50 → 13.7ms@400 压平到 ~400µs（34×）。

存量目录改名迁移落在 migrate_names.go，只报告不改名（os.Rename 不可逆），
冲突整批拒绝以免半迁移。

internal/memory/vector/store.go

@@ -254,22 +254,87 @@ func (v *TFIDFVectorizer) Train(docs []string) {
 	defer v.mu.Unlock()
 
 	v.docFreq = make(map[string]float64)
-	v.totalDocs = len(docs)
+	v.totalDocs = 0
 
 	seen := make(map[string]map[string]bool)
 	for _, doc := range docs {
-		features := v.tokenizer(doc)
-		key := doc
-		if seen[key] == nil {
-			seen[key] = make(map[string]bool)
-		}
-		for _, f := range features {
-			if !seen[key][f] {
-				seen[key][f] = true
-				v.docFreq[f]++
+		v.addDocLocked(doc, seen)
+	}
+}
+
+// AddDoc 把一篇新文档计入 DF 统计（增量）。
+//
+// 存在的理由：Train 是全量重训，而知识库的 Add 是逐条发生的。此前 Add 只把
+// 文本追进一个 summaries 切片、不更新 DF，于是**新引入的词 df=0**，
+// 而 Vectorize 会跳过 df<=0 的特征 —— 运行时新增的知识当场搜不到，
+// 重启（重新 Train）后才恢复。这不是优化项，是功能缺陷。
+//
+// 注意：document 是**文档级去重**的（同一词在同篇里多次出现只记 1 次 df），
+// 与 Train 里那份 seen 表的语义必须一致，否则 IDF 会随写入路径不同而漂移。
+func (v *TFIDFVectorizer) AddDoc(doc string) {
+	v.mu.Lock()
+	defer v.mu.Unlock()
+	v.addDocLocked(doc, nil)
+}
+
+// RemoveDoc 把一篇文档从 DF 统计中移出（AddDoc 的逆操作）。
+//
+// totalDocs 可能减到 0；此后 Vectorize 会走 totalDocs < 3 的退化分支
+// （直接给 tf，不乘 IDF），这是可接受的行为 —— 库里都没东西了，
+// IDF 本来也无从谈起。采用**下界守卫**：减到 0 后即使 RemoveDoc 被多调
+// 一次，也不会变成负数。
+func (v *TFIDFVectorizer) RemoveDoc(doc string) {
+	v.mu.Lock()
+	defer v.mu.Unlock()
+
+	for f := range v.seenFeatures(doc) {
+		if v.docFreq[f] > 0 {
+			v.docFreq[f]--
+			if v.docFreq[f] == 0 {
+				// 删掉零频条目：否则 DF 表会被"曾经出现过一次"的词永久撑大，
+				// 而这正是 summaries 只增不减之外的第二处泄漏。
+				delete(v.docFreq, f)
 			}
 		}
 	}
+	if v.totalDocs > 0 {
+		v.totalDocs--
+	}
+}
+
+// addDocLocked 是 AddDoc/Train 共用的记账内核。seen 非 nil 时复用调用方的表
+// （Train 的整轮去重），nil 时本函数内使用自己的表。
+//
+// 调用方必须已持写锁。
+func (v *TFIDFVectorizer) addDocLocked(doc string, seen map[string]map[string]bool) {
+	var local map[string]bool
+	if seen != nil {
+		if seen[doc] == nil {
+			seen[doc] = make(map[string]bool)
+		}
+		local = seen[doc]
+	} else {
+		local = make(map[string]bool)
+	}
+
+	for _, f := range v.tokenizer(doc) {
+		if local[f] {
+			continue
+		}
+		local[f] = true
+		v.docFreq[f]++
+	}
+	v.totalDocs++
+}
+
+// seenFeatures 返回一篇文档的**去重**特征集（与 addDocLocked 的口径一致）。
+// 调用方必须已持写锁。
+func (v *TFIDFVectorizer) seenFeatures(doc string) map[string]bool {
+	out := make(map[string]bool)
+	for _, f := range v.tokenizer(doc) {
+		out[f] = true
+	}
+	return out
 }
 
 func (v *TFIDFVectorizer) Vectorize(text string) Vector {