feat(memory): 千问文本塔 ONNX 嵌入器（onnxruntime 标签，含 stub）

与 internal/memory/clip 同模式：`//go:build onnxruntime` 编真实实现，无标签时
走 stub，默认构建不链接 onnxruntime、行为不变。

加载契约（目录由 core.memory.multimodal_space.model_dir 指定）：
TextTower.onnx + 外部权重分片、tokenizer.json、embed_config.json。
图内已含 last-token 池化，输出即 [batch, dim]；L2 归一化在 Go 侧做。

两个刻意的设计选择：

1. **EmbedImageDense 明确报错，不返回零向量**
   导出的是文本塔，视觉塔未导出。返回零向量会让「写入了但检索不到」，
   把跨模态检索失效变成静默故障；明确报错则调用方（mediaref.go）log 后
   跳过写向量，文本路径不受影响。

2. **Fingerprint 只哈希图文件 + 配置 + 外部权重的文件名与大小**
   该目录有 6.5GB 权重分片，启动时全读一遍要几十秒、会阻塞 homeagent 启动。
   换模型必然改变文件集合或大小，足以识别切换；代价是理论上存在
   「大小相同但内容不同」的漏判，对本地单机部署可接受。已写入注释。

模板渲染（renderInstructionInput）放在无构建标签的 tokenizer.go，因此可被
测试覆盖：参考数据里有该模板串的用例，逐 token 对齐验证——模板差一个字符，
池化取到的「最后一个有效 token」位置就变，向量就不同，且不会报错。

验证：6 个测试全绿；go build ./...（stub）与 go build -tags onnxruntime
（真实实现）均通过。

internal/memory/qwen/tokenizer_test.go

@@ -144,6 +144,34 @@ func TestTokenizerEdgeCases(t *testing.T) {
 	}
 }
 
+// 模板渲染必须与参考数据里的整串完全一致，且逐 token 对齐。
+//
+// 这是嵌入正确性的前提：模板差一个字符，池化取到的「最后一个有效 token」
+// 位置就变了，向量也就不同——而且不会报错。
+func TestRenderInstructionInputMatchesTemplate(t *testing.T) {
+	ref := loadRef(t)
+	tok := loadTokenizer(t)
+
+	const want = "<|im_start|>system\nRepresent the user's input.<|im_end|>\n" +
+		"<|im_start|>user\n你好<|im_end|>\n<|im_start|>assistant\n"
+
+	got := renderInstructionInput("", "你好")
+	if got != want {
+		t.Fatalf("模板渲染不一致:\n got  %q\n want %q", got, want)
+	}
+
+	for _, c := range ref.Cases {
+		if c.Text != want {
+			continue
+		}
+		if ids := tok.Encode(got); !sameIDs(ids, c.IDs) {
+			t.Fatalf("模板串 token 不一致:\n got  %v\n want %v", ids, c.IDs)
+		}
+		return
+	}
+	t.Fatal("参考数据里缺少该模板串用例")
+}
+
 // byteEnc 必须是双射：256 个字节映射到 256 个互不相同的码点。
 // 有碰撞就会让不同字节编成同一个 token，静默产生错误输入。
 func TestBytesToUnicodeBijective(t *testing.T) {