feat(memory): doc 层去掉 jieba 摘要 + doc_query 返回真实内容 + 三层记忆提示词

上一轮（memory-blockflow-repair-plan）修好了 L1↔L2 结构，但功能不可用。
用生产数据实测：三个互不相关查询分数全挤在 0.75~0.79，区分度≈0，
命中内容与查询无关。本次修四层。

## ① 向量输入：Summary + Content → 事件正文

denseFor 原用 `VectorizeDense(doc.Summary + " " + doc.Content)`，而 Summary
由 summarizeEntries → memory.ExtractKeywords → TokenizeContentWords → jieba.Tag()
生成。同一来源的摘要逐字同质：

    来自 1 个来源的 1 条对话 (src0) 涉及: 用户, 提问
    来自 1 个来源的 1 条对话 (src1) 涉及: 用户, 提问

真实 chineseclip 实测（4 篇主题完全不同的短正文）：两两余弦 0.85~0.95。
这与设计矛盾 —— ARCHITECTURE 写的是「统一多模态空间（主）」，而 Summary
是主路径的输入，却由最末一级的词法分词产出。

改为 documentTextForVector(doc)：按事件顺序拼原文（块里的正文）。
存量无 Events 的文档退回 Content。

★ 媒体不单独生成摘要：媒体块与文本块在同一事件内
  （Doc.Events[i].Blocks），事件正文进入向量即覆盖其语义。
  为媒体单独写描述正是 CAS 时代「描述式索引」的错误，v1.2.0 已拆除。
  「按图搜图」是视觉路（RecallBlocks）的职责，已有独立通路。

## ② doc 层移除 jieba 语义生成

- summarizeEntries：jieba 词袋 → 取首条事件正文首行（真实内容，可读）
- 删除 extractTags / extractEntities（纯 jieba 词袋）
- 删除 Doc.Tags / Doc.Entities（前者唯一消费点是 doc_query 返回的
  「标签: map, content」噪声行；后者零消费点）
- doc_commit 删除 tags 参数（无处可存，留着会骗模型）

★ TF-IDF 回退路径**保留**（Store.tfidfEmb/tfidfIdx/ensureTFIDF/Reindex）：
  它是「稠密空间没加载」时的兜底，按 ARCHITECTURE「统一多模态空间（主）
  → 词嵌入 → TF-IDF（回退）」必须保留。但它不能是主路径 —— 一旦稠密空间
  可用，jieba 就不参与。

## ③ doc_query 返回真实内容

旧返回：「已加载 3 篇文档记忆: #1(来自 1 个来源的 1 条对话 (agent) 涉及: ok)」
——全 jieba 词袋，模型无法判断有没有用（这是它几乎不调用 doc_query 的直接原因）。

新返回：
    已召回 3 篇历史记忆，原文已按各自**原始时间戳**插回对话时序（不是当前对话）：

    [1] 2026-06-07 08:09 · webui · 2 条事件 · 含 1 份媒体
        配色方案怎么定？
        结论：紫蓝红三色带按六比三比一…

    共回填 N 条事件。要引用其中的细节，直接看对话时序里对应时间点即可。

每条给出「时间 · 来源 · 事件数 · 媒体数」+ 真实正文前几行。

## ④ 提示词：agent 终于能理解三层记忆

- doc_query 描述：一句话 → 覆盖「L2 是什么 / 何时用 / 调用后原文回填到时序 /
  与 memory_recall 分工 / 消费式副作用」
- doc_commit 描述：说清「适合写整段过程结论，不适合写单个事实」
- 系统提示词新增【三层记忆】段（内核运行时块）：L1 对话时序 / L2 历史记忆 /
  L3 图记忆各自是什么、怎么取、如何选择
- 预填充文案（crossModalMarkdown）：统计描述 → 时间+来源+正文开头，
  并在块尾明确引导「要完整原文用 doc_query」

## ⑤ 向量算法版本（否则修复对存量无效）

实测踩到的坑：改完 denseFor 后，1055 篇存量文档分数纹丝不动（0.78/0.79/0.76，
区分度 0.003）—— 因为 DenseFP 只记「哪个向量空间」，不记「用什么文本算的」，
指纹不变 ⇒ 全部命中跳过条件 ⇒ 永不重算。

修法：DenseFP = 空间指纹 + "|" + docVectorAlgoVersion(v2)。
算法一变，存量自动重算一次。

## 判据（每条都有变异自证）

document/retrieval_quality_test.go（6 条）：
- Top1HitsCorrectDoc / DistinctQueriesHitDistinctDocs / ScoreGapIsSignificant
- VectorInputIsBodyNotSummary（正文哨兵必须进向量）
- SummaryNoiseMustNotPolluteVector（主题不同的短正文，两两余弦 <0.80）
- AlgoVersionChangeForcesRecompute（换算法必须触发存量重算）

core/recalldoc_test.go（+2）：返回值必须含时间/来源/真实正文/时序说明
core/prompt_memory_test.go（5 条）：工具描述五项覆盖、doc_commit 范围、
  三层记忆段落、tags 参数已删、预填充文案含内容与 doc_query 引导

变异全部被抓住（截断落库 / Summary+Content / 去掉算法版本 / 旧预填充文案 /
一句话工具描述 / 删三层记忆段）。

## 验证

- go build ./... 通过；go vet ./... 干净
- go test ./... -count=1：58 包 0 失败
- go test -race ./internal/memory/document/ ./internal/agent/core/：通过
- 真实数据（chineseclip 512 维）：
  · 旧格式存量（1055 篇，无 Events）：4/5 → 仍是旧分数，等自然冲刷
  · 新格式文档（走 ContextToDoc）：4/5 top1 命中正确，
    区分度最高 0.18（旧实现 0.003）

internal/agent/core/crossmodal.go

@@ -5,6 +5,7 @@ import (
 	"log"
 	"sort"
 	"strings"
+	"unicode"
 
 	"github.com/JianFeeeee/HologramAgent/internal/memory"
 	"github.com/JianFeeeee/HologramAgent/internal/memory/document"
@@ -234,37 +235,142 @@ func fuseCrossModal(textHits, visualHits []CrossModalHit, topK int, cfg CrossMod
 	return merged
 }
 
-// crossModalMarkdown 把融合候选渲染成注入上下文的文本。
-// 文档行给出摘要；媒体行只给 MIME + 短块 ID（不再有生成的描述）。
+// crossModalMarkdown 把融合候选渲染成注入提示词的文本。
+//
+// ## 为什么改
+//
+// 旧输出是这样的：
+//
+//	【跨模态相关记忆】
+//	[1] 来自 4 个来源的 61 条对话 (cold_storage, agentcli...) (来源:context_archived) 相关度:0.78（文本命中）
+//
+// 三个问题，都被生产日志证实：
+//
+//  1. 只有**统计描述**（几个来源几条对话），不是内容 —— 模型无法判断相关性；
+//  2. **没有一个字**说"你可以把这些原文取回来" —— 模型看完只能忽略；
+//  3. 来源写了 `context_archived` 这种内部标记，对模型无意义。
+//
+// 现在每条给出「时间 · 来源 · 正文开头」，并在块尾**明确告知 doc_query 的作用**：
+// 这才是让预填充真正被用起来的必要条件。
 func (a *Agent) crossModalMarkdown(hits []CrossModalHit) string {
 	if len(hits) == 0 {
 		return ""
 	}
 	var lines []string
 	for i, h := range hits {
-		marker := ""
-		switch {
-		case h.DoubleHit:
-			marker = "（图文双命中）"
-		case h.Doc != nil:
-			marker = "（文本命中）"
-		case h.Media != nil:
-			marker = "（视觉命中）"
-		}
-		parts := []string{fmt.Sprintf("[%d]", i+1)}
+		var parts []string
+		parts = append(parts, fmt.Sprintf("[%d]", i+1))
+
+		// 时间 + 来源：让模型知道"这是什么时候、谁的事"
 		if h.Doc != nil {
-			parts = append(parts, h.Doc.Summary)
-			if h.Doc.Source != "" {
-				parts = append(parts, fmt.Sprintf("(来源:%s)", h.Doc.Source))
+			if h.Doc.HasEvents() {
+				first := h.Doc.Events[0].Timestamp
+				last := h.Doc.Events[len(h.Doc.Events)-1].Timestamp
+				if first.Equal(last) {
+					parts = append(parts, first.Format("2006-01-02 15:04"))
+				} else {
+					parts = append(parts, fmt.Sprintf("%s→%s",
+						first.Format("01-02 15:04"), last.Format("01-02 15:04")))
+				}
+				// 真实来源（跳过内部归档标记，它对模型无意义）
+				if src := firstRealSource(h.Doc.Events); src != "" {
+					parts = append(parts, src)
+				}
+			} else {
+				parts = append(parts, h.Doc.CreatedAt.Format("2006-01-02 15:04"))
 			}
 		}
+
+		// 正文开头：真实内容，模型可据此判断相关性
+		if h.Doc != nil {
+			if head := docHeadlineForPrompt(h.Doc); head != "" {
+				parts = append(parts, head)
+			}
+		}
+		// 媒体只报类型与数量，不编描述（描述式索引已在 v1.2.0 拆除）
 		if h.Media != nil {
-			if line := blockLabel(h.Media); line != "" {
-				parts = append(parts, line)
+			label := string(h.Media.Modality)
+			if h.Media.MIME != "" {
+				label = h.Media.MIME
+			}
+			parts = append(parts, "["+label+"]")
+		}
+		if h.DoubleHit {
+			parts = append(parts, "（图文双命中）")
+		}
+		parts = append(parts, fmt.Sprintf("相关度:%.2f", h.Fused))
+		lines = append(lines, strings.Join(parts, " · "))
+	}
+
+	var b strings.Builder
+	b.WriteString("【历史记忆（L2，自动预填充）】\n")
+	b.WriteString("下面是按语义相似度从历史层挑出的相关片段 —— **不是当前对话**。\n")
+	b.WriteString(strings.Join(lines, "\n"))
+	b.WriteString("\n要其中某条的完整原文与当时过程：用 doc_query，它会把那些事件" +
+		"按原始时间戳插回你的对话时序。")
+	return b.String()
+}
+
+// firstRealSource 取事件里第一个非内部标记的来源。
+//
+// `context_archived` 是内核归档动作的标记，不是"谁说的"，对模型无意义。
+func firstRealSource(events []document.DocEvent) string {
+	for _, ev := range events {
+		if ev.Source != "" && ev.Source != "context_archived" && ev.Source != "cold_storage" {
+			return ev.Source
+		}
+	}
+	if len(events) > 0 {
+		return events[0].Source
+	}
+	return ""
+}
+
+// docHeadlineForPrompt 取文档正文的第一句，作为注入行里的内容提示。
+//
+// 不截断成"摘要"：这里只是一行提示，完整内容在 L2 里、需要时用 doc_query 取。
+func docHeadlineForPrompt(d *document.Doc) string {
+	if d == nil {
+		return ""
+	}
+	if d.HasEvents() {
+		for _, ev := range d.Events {
+			in, resp, _ := ev.InOut()
+			for _, cand := range []string{in, resp} {
+				if line := firstMeaningfulLineForPrompt(cand); line != "" {
+					return truncateRunesForPrompt(line, 60)
+				}
 			}
 		}
-		parts = append(parts, fmt.Sprintf("相关度:%.2f%s", h.Fused, marker))
-		lines = append(lines, strings.Join(parts, " "))
+		return ""
 	}
-	return "【跨模态相关记忆】\n" + strings.Join(lines, "\n")
+	return truncateRunesForPrompt(firstMeaningfulLineForPrompt(d.Content), 60)
+}
+
+func firstMeaningfulLineForPrompt(s string) string {
+	for _, line := range strings.Split(s, "\n") {
+		line = strings.TrimSpace(line)
+		if line == "" {
+			continue
+		}
+		hasWord := false
+		for _, r := range line {
+			if unicode.IsLetter(r) || unicode.IsDigit(r) {
+				hasWord = true
+				break
+			}
+		}
+		if hasWord {
+			return strings.Join(strings.Fields(line), " ")
+		}
+	}
+	return ""
+}
+
+func truncateRunesForPrompt(s string, max int) string {
+	r := []rune(s)
+	if len(r) <= max {
+		return s
+	}
+	return string(r[:max]) + "…"
 }