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/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() },
         )
     }
 }