memory: SigLIP2 on-device embedding (text-embedding-kmp v3)

Добавляет второй бэкенд эмбеддингов для vector-памяти: on-device SigLIP2
через ONNX Runtime. Не требует сети (HTTP), не светят тексты заметок наружу.

* gradle/libs.versions.toml: text-embedding-kmp = "3.0.0-SNAPSHOT", модули
  api-jvm / siglip-jvm (group переехал с pw.binom.voice.embeddingtext на
  pw.binom.ai.embeddingtext).
* settings.gradle.kts: mavenLocal() добавлен в dependencyResolutionManagement
  (text-embedding-kmp публикуется локально как snapshot).
* memory-vector/SiglipEmbeddingProvider (jvmMain) — адаптер
  pw.binom.voice.embeddingtext.TextEmbeddingExtractor → EmbeddingProvider:
  оборачивает blocking embed() в withContext(Dispatchers.IO) + Mutex (ONNX
  сессия не reentrant), размерность пробируется через probe embed("probe")
  (768 для SigLIP2-base).
* memory-vector/build.gradle.kts: api(libs.text.embedding.api) +
  implementation(libs.text.embedding.siglip); jvmTest получает
  SiglipEmbeddingProviderTest — smoke test (skip если модель не найдена).
* standalone/AgentikConfig: новый enum EmbeddingBackend { HTTP, SIGLIP },
  поля embeddingBackend / embeddingModelPath / embeddingTokenizerPath, env:
  AGENTIK_EMBEDDING_BACKEND, AGENTIK_EMBEDDING_MODEL_PATH,
  AGENTIK_EMBEDDING_TOKENIZER_PATH.
* standalone/Main.kt: switch на embeddingBackend при memory-backend=vector;
  для SIGLIP требуются оба пути, иначе ошибка с понятным сообщением.
* standalone/README.md: обновлены env-vars, добавлены две bash-секции
  (HTTP и SIGLIP) + инструкция скачивания модели с static.binom.pw.
* scripts/install-text-embedding-stub.sh: workaround для upstream бага
  (siglip-jvm/*.module ссылается на api без -jvm variant). Создаёт
  stub-артефакт api:3.0.0-SNAPSHOT в mavenLocal с тем же содержимым.
  Удалить когда upstream починит module-metadata.

Smoke test: AGENTIK_MEMORY_BACKEND=vector AGENTIK_EMBEDDING_BACKEND=siglip
+ несуществующий путь → FileNotFoundException с понятным трейсом (значит
ONNX Runtime инициализирован, путь через factory пробрасывается корректно).

Tests: 288 total green. Fatjar 250MB (вырос из-за onnxruntime ~80MB).

Dropped: старый stub-jar pw.binom.voice.embeddingtext:api:2.0.0-SNAPSHOT.

standalone/README.md

@@ -41,8 +41,11 @@ java -jar standalone/build/libs/standalone-all.jar
 | `AGENTIK_SKILLS_DIR` | _выкл._ | Каталог со скилами (`SKILL.md` / `*.yaml`) |
 | `AGENTIK_MEMORY_DIR` | `~/.agentik/memory` (md) или `AGENTIK_DB_PATH` (vector) | Каталог памяти (md); `"off"` отключает |
 | `AGENTIK_MEMORY_BACKEND` | `md` | `md` (Hermes-style §-файлы) / `vector` (SQLite + JVector + LLM-эмбеддинги) / `off` |
-| `AGENTIK_EMBEDDING_MODEL` | `text-embedding-3-small` | Модель эмбеддингов для vector-бэкенда |
-| `AGENTIK_EMBEDDING_DIMENSION` | `1536` | Размерность вектора (должна совпадать с моделью) |
+| `AGENTIK_EMBEDDING_MODEL` | `text-embedding-3-small` | Модель эмбеддингов для vector-бэкенда (только HTTP) |
+| `AGENTIK_EMBEDDING_DIMENSION` | `1536` | Размерность вектора (только HTTP; SIGLIP определяет автоматически) |
+| `AGENTIK_EMBEDDING_BACKEND` | `HTTP` | `HTTP` (POST /v1/embeddings) или `SIGLIP` (on-device, без сети) |
+| `AGENTIK_EMBEDDING_MODEL_PATH` | _только SIGLIP_ | Путь к `text_model_int8.onnx` (SigLIP2) |
+| `AGENTIK_EMBEDDING_TOKENIZER_PATH` | _только SIGLIP_ | Путь к `tokenizer.model` (sentencepiece) |
 | `AGENTIK_SOUL` | _выкл._ | Путь к `SOUL.md` — файл персоны (markdown), вставляется в начало system prompt |
 | `AGENTIK_LLM_BACKEND` | — | `openai` или `google` (см. ниже) |
 | `AGENTIK_MCP_CONFIG` | _выкл._ | Путь к JSON со списком MCP-серверов |
@@ -218,23 +221,45 @@ context…]` блок в начало user-сообщения; после зап
 `AGENTIK_MEMORY_BACKEND` выбирает хранилище. Дефолт — `md` (Hermes-style
 §-файлы, keyword overlap, без внешних вызовов).
 
-`vector` — SQLite (`AGENTIK_DB_PATH`) + JVector ANN + LLM-эмбеддинги
-(запросы на `${OPENAI_BASE_URL}/v1/embeddings`). Семантический поиск:
-cosine similarity + recency-re-rank. Те же четыре тула; та же семантика.
+`vector` — SQLite (`AGENTIK_DB_PATH`) + JVector ANN + эмбеддинги. Два
+бэкенда эмбеддингов через `AGENTIK_EMBEDDING_BACKEND`:
+
+- **`HTTP` (default)** — POST на `${OPENAI_BASE_URL}/v1/embeddings`. Семантический
+  поиск: cosine similarity + recency-re-rank.
+- **`SIGLIP`** — on-device SigLIP2 через ONNX Runtime (text-embedding-kmp,
+  768-мерный вектор). Никаких внешних вызовов: модель и токенизатор должны
+  лежать на диске. Размерность определяется автоматически (768).
 
 ```bash
-# Vector-бэкенд
+# Vector-бэкенд + HTTP-эмбеддинги (default)
 AGENTIK_MEMORY_BACKEND=vector \
+AGENTIK_EMBEDDING_BACKEND=http \
 AGENTIK_EMBEDDING_MODEL=text-embedding-3-small \
 AGENTIK_EMBEDDING_DIMENSION=1536 \
   java -jar standalone-all.jar
+
+# Vector-бэкенд + on-device SigLIP2 (без сети)
+AGENTIK_MEMORY_BACKEND=vector \
+AGENTIK_EMBEDDING_BACKEND=siglip \
+AGENTIK_EMBEDDING_MODEL_PATH=/path/to/text_model_int8.onnx \
+AGENTIK_EMBEDDING_TOKENIZER_PATH=/path/to/tokenizer.model \
+  java -jar standalone-all.jar
 ```
 
-Для vector требуется `AGENTIK_LLM_BACKEND=openai` (т.к. нужен
+Для HTTP-эмбеддингов требуется `AGENTIK_LLM_BACKEND=openai` (т.к. нужен
 OpenAI-совместимый `/v1/embeddings` endpoint — LiteLLM proxy тоже подходит).
-Embedding-вызовы кэшируются LRU на 256 текстов — дедупликация при повторных
+HTTP-вызовы кэшируются LRU на 256 текстов — дедупликация при повторных
 запросах одинаковых промптов.
 
+Для SIGLIP нужно сначала скачать модель (~283M) и токенизатор (~4M):
+```bash
+mkdir -p /path/to/siglip-model
+curl -fSL -o /path/to/siglip-model/text_model_int8.onnx \
+  http://static.binom.pw/models/siglip2/text_model_int8.onnx
+curl -fSL -o /path/to/siglip-model/tokenizer.model \
+  http://static.binom.pw/models/siglip2/tokenizer.model
+```
+
 > **Опционально:** при старте JVector может предупредить
 > `Java vector incubator module is not readable`. Это значит, что JIT
 > не использует SIMD (Panama Vector API) и индекс строится через скалярный

standalone/src/jvmMain/kotlin/pw/binom/agentik/standalone/Main.kt

@@ -12,6 +12,7 @@ import pw.binom.agentik.memory.MemorySystem
 import pw.binom.agentik.memory.md.openMdMemorySystem
 import pw.binom.agentik.memory.vector.VectorMemorySystem
 import pw.binom.agentik.memory.vector.embedding.HttpEmbeddingClient
+import pw.binom.agentik.memory.vector.embedding.SiglipEmbeddingProvider
 import pw.binom.agentik.server.agentikAgent
 import pw.binom.agentik.skills.SkillCatalog
 import pw.binom.agentik.skills.SkillLoader
@@ -93,25 +94,44 @@ fun main() {
             }
         }
         MemoryBackend.VECTOR -> {
-            val llm = config.llm
-            // Берём базовый URL + API key у активного LLM-бэкенда.
-            // Поддерживается только OPENAI (LiteLLM proxy тоже работает, т.к. /v1/embeddings
-            // — это OpenAI-совместимый endpoint).
-            require(llm.backend == LlmBackend.OPENAI) {
-                "AGENTIK_MEMORY_BACKEND=vector требует LLM_BACKEND=openai (нужен /v1/embeddings)"
+            val embedding: pw.binom.agentik.memory.vector.EmbeddingProvider = when (config.embeddingBackend) {
+                AgentikConfig.EmbeddingBackend.HTTP -> {
+                    val llm = config.llm
+                    // Берём базовый URL + API key у активного LLM-бэкенда.
+                    // Поддерживается только OPENAI (LiteLLM proxy тоже работает, т.к. /v1/embeddings
+                    // — это OpenAI-совместимый endpoint).
+                    require(llm.backend == LlmBackend.OPENAI) {
+                        "AGENTIK_EMBEDDING_BACKEND=http требует LLM_BACKEND=openai (нужен /v1/embeddings)"
+                    }
+                    val oa = checkNotNull(llm.openai) { "openai config required for http embedding backend" }
+                    HttpEmbeddingClient(
+                        apiUrl = oa.baseUrl.trimEnd('/'),
+                        apiKey = oa.apiKey,
+                        model = config.embeddingModel,
+                        dimension = config.embeddingDimension,
+                    )
+                }
+                AgentikConfig.EmbeddingBackend.SIGLIP -> {
+                    val modelPath = checkNotNull(config.embeddingModelPath) {
+                        "AGENTIK_EMBEDDING_BACKEND=siglip требует AGENTIK_EMBEDDING_MODEL_PATH"
+                    }
+                    val tokenizerPath = checkNotNull(config.embeddingTokenizerPath) {
+                        "AGENTIK_EMBEDDING_BACKEND=siglip требует AGENTIK_EMBEDDING_TOKENIZER_PATH"
+                    }
+                    SiglipEmbeddingProvider(modelPath = modelPath, tokenizerPath = tokenizerPath)
+                }
             }
-            val oa = checkNotNull(llm.openai) { "openai config required for vector backend" }
-            val embedding = HttpEmbeddingClient(
-                apiUrl = oa.baseUrl.trimEnd('/'),
-                apiKey = oa.apiKey,
-                model = config.embeddingModel,
-                dimension = config.embeddingDimension,
-            )
             VectorMemorySystem.open(
                 dbPath = config.dbPath,
                 embedding = embedding,
             ).also {
-                println("  memory: db=${config.dbPath} (vector-backend, model=${config.embeddingModel}, dim=${config.embeddingDimension})")
+                val backendLabel = when (config.embeddingBackend) {
+                    AgentikConfig.EmbeddingBackend.HTTP ->
+                        "model=${config.embeddingModel}, dim=${config.embeddingDimension}"
+                    AgentikConfig.EmbeddingBackend.SIGLIP ->
+                        "model=siglip2-base (on-device), dim=${embedding.dimension}"
+                }
+                println("  memory: db=${config.dbPath} (vector-backend, $backendLabel)")
             }
         }
     }

standalone/src/jvmMain/kotlin/pw/binom/agentik/standalone/config/AgentikConfig.kt

@@ -56,20 +56,44 @@ data class AgentikConfig(
      */
     val memoryBackend: MemoryBackend = MemoryBackend.MD,
     /**
-     * Имя модели эмбеддингов для vector-бэкенда. Дефолт `text-embedding-3-small`
+     * Имя модели эмбеддингов для vector-бэкенда. Используется только при
+     * [embeddingBackend] = HTTP. Дефолт `text-embedding-3-small`
      * (1536-мерный). Должна быть доступна через тот же baseUrl/apiKey что и LLM.
      */
     val embeddingModel: String = DEFAULT_EMBEDDING_MODEL,
     /**
-     * Размерность эмбеддингов vector-бэкенда. Должна совпадать с реальной
-     * размерностью [embeddingModel]. Дефолт 1536 для `text-embedding-3-small`.
+     * Размерность эмбеддингов vector-бэкенда. Используется только при
+     * [embeddingBackend] = HTTP. Должна совпадать с реальной размерностью
+     * [embeddingModel]. Дефолт 1536 для `text-embedding-3-small`.
+     * Для [embeddingBackend] = SIGLIP размерность определяется самой моделью
+     * (768 для SigLIP2-base), параметр игнорируется.
      */
     val embeddingDimension: Int = DEFAULT_EMBEDDING_DIMENSION,
+    /**
+     * Бэкенд эмбеддингов для vector-памяти:
+     * - HTTP — POST /v1/embeddings к OpenAI-совместимому API (default);
+     * - SIGLIP — on-device SigLIP2 через ONNX Runtime (text-embedding-kmp), без сети.
+     */
+    val embeddingBackend: EmbeddingBackend = EmbeddingBackend.HTTP,
+    /**
+     * Путь к ONNX-модели SigLIP2 (`text_model_int8.onnx`). Используется только при
+     * [embeddingBackend] = SIGLIP.
+     */
+    val embeddingModelPath: String? = null,
+    /**
+     * Путь к sentencepiece-токенизатору (`tokenizer.model`). Используется только при
+     * [embeddingBackend] = SIGLIP.
+     */
+    val embeddingTokenizerPath: String? = null,
 ) {
     /** Бэкенд долговременной памяти. */
     @Serializable
     enum class MemoryBackend { MD, VECTOR, OFF }
 
+    /** Бэкенд эмбеддингов (для memory-backend=vector). */
+    @Serializable
+    enum class EmbeddingBackend { HTTP, SIGLIP }
+
     companion object {
         const val DEFAULT_PORT: Int = 8080
         const val DEFAULT_DB_PATH: String = "./agentik.db"
@@ -99,6 +123,11 @@ data class AgentikConfig(
                 ?: DEFAULT_EMBEDDING_MODEL,
             embeddingDimension = env("AGENTIK_EMBEDDING_DIMENSION")?.toIntOrNull()
                 ?: DEFAULT_EMBEDDING_DIMENSION,
+            embeddingBackend = env("AGENTIK_EMBEDDING_BACKEND")?.let {
+                runCatching { EmbeddingBackend.valueOf(it.uppercase()) }.getOrNull()
+            } ?: EmbeddingBackend.HTTP,
+            embeddingModelPath = env("AGENTIK_EMBEDDING_MODEL_PATH")?.takeIf { it.isNotBlank() },
+            embeddingTokenizerPath = env("AGENTIK_EMBEDDING_TOKENIZER_PATH")?.takeIf { it.isNotBlank() },
         )
     }
 }