feat(memory): add :memory-md-vector hybrid backend + :reflection-api + outbox/journal entity splits

- :memory-md-vector (KMP jvm+linuxX64+mingwX64): .md-файлы как source of
  truth, векторный индекс (sqlite-vec) как derived cache. reconcile()
  на старте: orphan-cleanup + content-hash-gated re-embed. Гибридный
  скор 0.7*vector + 0.3*keyword. Заменяет EmbeddingProvider на
  KMP-TextEmbeddingExecutor из :memory-api.

- :reflection-api: новый 4-й API-модуль (Reflection, ReflectionStore,
  ReflectionEvent). Зависит только от :memory-api.

- :journal-api получил ConversationRecord/ConversationStore/Ids (бывший
  :message-store-api, полностью удалён). :outbox-api получил Event,
  CommonEvent, AgentEvent (бывший :event-store).

- :memory-api получил MemoryVectorIndex + NoteMatches +
  TextEmbeddingExecutor (suspend-обёртка над TextEmbeddingExtractor).

- :memory-vector KMP-цели достигнуты через commonMain-only TextEmbedding-
  Executor, EmbeddingProvider выпилен; :memory-md-vector тянет
  text-embedding-api транзитивно через :memory-api.

- :standalone flatten в commonMain/commonTest завершён (тесты из jvmTest
  переехали в commonTest). Включён optional деп :memory-md-vector через
  AGENTIK_MEMORY_BACKEND=md-vector.

jvmTest: 96 задач, 407 тестов, 0 падений.

memory-api/src/commonMain/kotlin/pw/binom/agentik/memory/MemoryVectorIndex.kt

@@ -0,0 +1,58 @@
+package pw.binom.agentik.memory
+
+import pw.binom.agentik.memory.MemoryCategory
+import pw.binom.agentik.memory.MemoryNote
+
+/**
+ * Результат одного hit'а vector-поиска: id заметки + cosine-similarity score
+ * в [0..1]. Чем ближе к 1.0, тем семантически ближе query к заметке.
+ *
+ * Раньше жил в `:memory-vector/commonMain` (`MemoryVectorIndex.kt`),
+ * переехал в `:memory-api` 2026-09-21 чтобы быть доступным из
+ * `:memory-md-vector` (KMP linuxX64/mingwX64), который больше не зависит
+ * от JVM-only `:memory-vector`.
+ */
+data class ScoredVector(
+    val id: String,
+    val score: Float,
+)
+
+/**
+ * Контракт vector-индекса. Реализация отвечает за ANN-поиск top-K ближайших
+ * векторов к query. Метаданные заметок лежат в `MemoryStore` (для
+ * vector-бэкенда — отдельный `MemoryMetaStore` в `:memory-vector`);
+ * индекс хранит только embedding'и + id-маппинг.
+ *
+ * Раньше жил в `:memory-vector/commonMain` (`MemoryVectorIndex.kt`),
+ * переехал в `:memory-api` 2026-09-21 чтобы быть доступным из
+ * `:memory-md-vector` (KMP).
+ *
+ * Потокобезопасность: реализации обязаны быть безопасны для конкурентных
+ * read'ов. write'ы (add/remove) могут требовать внешней синхронизации —
+ * это инвариант JVector (его OnHeapGraphIndex не thread-safe для мутаций).
+ */
+interface MemoryVectorIndex : AutoCloseable {
+    /** Текущая размерность embeddings. Фиксируется при первом [add]. */
+    val dimension: Int
+
+    /** Количество записей в индексе. */
+    suspend fun size(): Long
+
+    /** Добавить или заменить запись по [id]. [embedding] должен иметь длину [dimension]. */
+    suspend fun add(id: String, embedding: FloatArray)
+
+    /** Удалить запись по [id]. Возвращает true если запись была. */
+    suspend fun remove(id: String): Boolean
+
+    /** ANN-поиск: top-[k] ближайших к [query]. [filter] применяется к id. */
+    suspend fun search(
+        query: FloatArray,
+        k: Int,
+        filter: (MemoryNote) -> Boolean = { true },
+    ): List<ScoredVector>
+
+    /** Принудительно переписать on-disk файл из текущего in-RAM состояния. */
+    suspend fun flush()
+
+    override fun close()
+}

memory-api/src/commonMain/kotlin/pw/binom/agentik/memory/NoteMatches.kt

@@ -0,0 +1,22 @@
+package pw.binom.agentik.memory
+
+/**
+ * Доп. контекст для vector-индекса: фильтр по категории и conversationId.
+ *
+ * Раньше жил в `:memory-vector/commonMain` (`MemoryVectorIndex.kt`), но с
+ * переездом `:memory-md-vector` на KMP (linuxX64/mingwX64 и др.) он перенесён
+ * сюда — `:memory-md-vector` больше не зависит от JVM-only `:memory-vector`.
+ *
+ * Реализация `MemoryStore` (и `:memory-md`, и `:memory-vector`, и любые
+ * будущие) должны использовать этот хелпер при фильтрации результатов search,
+ * чтобы контракт был единый.
+ */
+fun noteMatches(
+    note: MemoryNote,
+    category: MemoryCategory? = null,
+    conversationId: String? = null,
+): Boolean {
+    if (category != null && note.category != category) return false
+    if (conversationId != null && note.conversationId != conversationId) return false
+    return true
+}

memory-api/src/commonMain/kotlin/pw/binom/agentik/memory/TextEmbeddingExecutor.kt

@@ -0,0 +1,49 @@
+package pw.binom.agentik.memory
+
+import kotlinx.coroutines.Dispatchers
+import kotlinx.coroutines.withContext
+import pw.binom.voice.embeddingtext.TextEmbeddingExtractor
+
+/**
+ * Suspend-обёртка над [TextEmbeddingExtractor] из `pw.binom.ai.embeddingtext:api`.
+ *
+ * `TextEmbeddingExtractor.embed()` — **блокирующий** (ONNX-инференс, HTTP),
+ * поэтому [embed] оборачивает его в [Dispatchers.Default] — caller'ы получают
+ * честный suspend, а блокирующая работа уходит в background dispatcher.
+ *
+ * Размерность вектора фиксируется extractor'ом (SigLIP2-base = 768, OpenAI
+ * text-embedding-3 = 1536, и т.п.). Если [knownDimension] указан — используем
+ * его; иначе — определяем лениво по первому [embed] (probe-vector на пустом
+ * тексте). `MemoryVectorIndex`-ы требуют размерность на момент конструирования,
+ * так что для prod-использования рекомендуется всегда передавать [knownDimension]
+ * явно (избегаем лишнего embed'а + непредсказуемой стоимости probe'а).
+ *
+ * @param extractor   underlying extractor (не null)
+ * @param knownDimension заранее известная размерность; null = определить по probe
+ */
+class TextEmbeddingExecutor(
+    val extractor: TextEmbeddingExtractor,
+    val knownDimension: Int? = null,
+) : AutoCloseable {
+
+    /** Размерность векторов. Эффективно константа после первого обращения. */
+    val dimension: Int by lazy {
+        knownDimension ?: extractor.embed("").dim
+    }
+
+    /**
+     * Эмбеддинг одного текста. Блокирующий [TextEmbeddingExtractor.embed] уходит
+     * в [Dispatchers.Default] — caller может безопасно await'ить.
+     */
+    suspend fun embed(text: String): FloatArray =
+        withContext(Dispatchers.Default) { extractor.embed(text).values }
+
+    /** Батч-эмбеддинг (последовательно). Для ONNX/HTTP оверхед минимален. */
+    suspend fun embedBatch(texts: List<String>): List<FloatArray> =
+        texts.map { embed(it) }
+
+    /** Делегирует [TextEmbeddingExtractor.close]. Идемпотентно. */
+    override fun close() {
+        extractor.close()
+    }
+}