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/clip/embedder_test.go

@@ -58,12 +58,12 @@ func TestSmokeLoadAndEncode(t *testing.T) {
 		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")
+	// 稠密 VectorizeDense 再次调用验证可重复
+	vAgain, _ := emb.VectorizeDense("hello world")
+	if len(vAgain) != 512 {
+		t.Errorf("dense VectorizeDense len = %d, want 512", len(vAgain))
 	}
-	fmt.Printf("sparse len = %d\n", len(sparseVec))
+	fmt.Printf("dense len = %d\n", len(vAgain))
 }
 
 // TestCrossModalAlignment 验证图文在同一向量空间可比：