fix(memory): 场景召回按块向量余弦排序 + 召回 query 可见性 + 对话回执放宽

① 场景召回是每轮常驻注入，此前按「场景权重→时间倒序」排，与 query 无关：
   老图库的 rt/rtchild/inputch 等历史事实常年霸榜，实测 1833 字符里九成是它们，
   刚聊的群聊内容一句没有 —— 这就是"忘事"的机制。
   块里本来就存着向量，相关性就是一次余弦比较：RecallByScene 带出端点/原句块
   向量，Indexer 按 max(cos) 排序并设 0.20 下限，取前 8。
   无稠密空间时保持原顺序（不能用字面匹配冒充语义 —— 既有判据要求
   「措辞与记忆零字面重合时场景路必须兜住」）。

② recall query 可见性：cleaner 缺失/生效/回空三种情况都打日志。此前静默回退
   原文，"召回 query 其实是工具原始回执"这件事在日志里完全看不到。
   实测 qq_get_message: 199 -> 27 bytes（cleaner 生效）。

③ 对话正文类工具（get_message/get_history/list_chats）时间线渲染放宽到 400 字
   （160 字会把群聊上下文切成碎片）。

判据：internal/memory/scene_relevance_test.go

internal/memory/scene_relevance_test.go

@@ -0,0 +1,72 @@
+package memory
+
+// 场景召回必须按**块向量余弦**与当前 query 相关，而不是按历史热度/时间。
+//
+// 现场（2026-10-27）：群里聊平板/机型，注入的 1833 字记忆里九成是
+// `rt 标签 / rtchild / inputch` 这类老图库高频三元组 —— 模型"忘事"就是
+// 这么来的。块里本来就存着向量，所以相关性只是一次余弦比较。
+
+import (
+	"math"
+	"strings"
+	"testing"
+)
+
+func TestDenseCosineBasics(t *testing.T) {
+	if got := denseCosine([]float64{1, 0}, []float64{1, 0}); math.Abs(got-1) > 1e-9 {
+		t.Fatalf("同向余弦应为 1，实际 %v", got)
+	}
+	if got := denseCosine([]float64{1, 0}, []float64{0, 1}); math.Abs(got) > 1e-9 {
+		t.Fatalf("正交余弦应为 0，实际 %v", got)
+	}
+	if got := denseCosine([]float64{0, 0}, []float64{1, 0}); got != 0 {
+		t.Fatalf("零向量余弦应为 0，实际 %v", got)
+	}
+}
+
+// fakeEmbedder 把文本映射成固定向量：包含 "平板" ⇒ 与 query 同向；
+// "rt" ⇒ 正交。用来验证"闸门按语义而不是字面"。
+type fakeEmbedder struct{}
+
+func (fakeEmbedder) Loaded() bool        { return true }
+func (fakeEmbedder) Dim() int            { return 2 }
+func (fakeEmbedder) Fingerprint() string { return "fake" }
+func (fakeEmbedder) VectorizeDense(text string) ([]float64, error) {
+	if hasSub(text, "平板") || hasSub(text, "机型") {
+		return []float64{1, 0}, nil
+	}
+	return []float64{0, 1}, nil
+}
+func (fakeEmbedder) Vectorize([]string) [][]float64 { return nil }
+
+// EmbedImageDense / Close 满足 vector.MultimodalEmbedder 的完整接口
+// （测试只用文本路；图片与生命周期在真空间里才有意义）。
+func (fakeEmbedder) EmbedImageDense([]byte, string) ([]float64, error) { return nil, nil }
+
+func (fakeEmbedder) Close() {}
+
+func hasSub(s, sub string) bool {
+	return strings.Contains(s, sub)
+}
+
+func TestRankSceneRelationsByVectorDropsUnrelated(t *testing.T) {
+	idx := NewIndexer(nil)
+	idx.SetDenseSpace(fakeEmbedder{})
+	rels := []Relation{
+		{SourceName: "rt标签", TargetName: "内核", SourceVec: []float64{0, 1}, TargetVec: []float64{0, 1}},
+		{SourceName: "平板", TargetName: "promax", SourceVec: []float64{1, 0}, TargetVec: []float64{0.9, 0.1}},
+	}
+	kept := idx.rankSceneRelationsByVector("群友在聊平板机型", rels)
+	if len(kept) != 1 || kept[0].SourceName != "平板" {
+		t.Fatalf("只应保留与 query 语义相关的三元组，实际 %+v", kept)
+	}
+}
+
+func TestRankSceneRelationsByVectorNoEmbedderKeepsOrder(t *testing.T) {
+	idx := NewIndexer(nil) // 未注入稠密空间
+	rels := []Relation{{SourceName: "a"}, {SourceName: "b"}}
+	kept := idx.rankSceneRelationsByVector("随便问问", rels)
+	if len(kept) != 2 || kept[0].SourceName != "a" {
+		t.Fatalf("无稠密空间时应保留原顺序（不能用字面匹配冒充语义），实际 %+v", kept)
+	}
+}