docs: per-module READMEs (run vs library) + root navigation hub

Every subproject now has README.md:
- 3 runnable modules (:standalone, :agentik-cli, :agentik-tui):
  quickstart, env table, parameters, known limits
- 11 library modules: what it is, which problem solves, how to
  wire it in, where versions live

Root README.md is the navigation hub (Quickstart, Modules table,
publish + CI/CD notes).

Also: ci.yml prunes the :memory-vector -x excludes now that
text-embedding-kmp artifacts are published to caffeine.

518 tests green.

Verified publish pipeline: :proto:publish to caffeine produces
pom.module + per-target klibs + sources for all 9 KMP targets.

🤖 Generated with [opencode]

memory-vector/README.md

@@ -1,72 +1,78 @@
-# :memory-vector — `pw.binom.agentik.memory.vector`
+# `:memory-vector` — ANN/JVector/SQLite память с эмбеддингами (JVM-only)
 
-**Реализация долговременной памяти поверх JVector (ANN-индекс) + SQLite (метаданные) + эмбеддингов.**
-JVM-only (JVector не публикует KMP-таргеты; на Android ART работает через Java 11
-scalar fallback).
+## Что это
 
-## Какую проблему решает
+Реализация `MemoryStore` поверх SQLite + [JVector](https://github.com/jbellis/jvector)
++ LLM-эмбеддинги:
 
-`:memory-md` хорош для малых объёмов и дев-окружения, но при тысячах заметок
-keyword-overlap поиск не справляется. Vector-бэкенд считает **эмбеддинги**
-заметок, складывает в JVector ANN-индекс, ищет по cosine similarity.
-`recency-re-rank` подмешивает свежесть, чтобы новые факты не тонули в старых.
+- **Хранение метаданных** — SQLite (notes, timestamps, источник).
+- **ANN-индекс** — JVector (тот же класс HNSW, что используется в
+  Cassandra DataStax).
+- **Эмбеддинги** — два backendа:
+  - **HTTP** — POST на любой OpenAI-совместимый `/v1/embeddings`
+    (vLLM, LiteLLM, text-embedding-ada-002, и т.д.).
+  - **SigLIP2** — локальная модель через [text-embedding-kmp](https://git.binom.pw/subochev/text-embedding-kmp)
+    (ONNX Runtime, без сети).
 
-## Архитектура
+Решает: семантический поиск по памяти. "Где я рассказывал про
+CI/CD" находит нужный эпизод, даже если формулировка другая. При
+этом offline-capable через SigLIP.
 
-```
-                ┌───────────────────────┐
-   user-query ─►│  EmbeddingProvider    │ (HTTP /v1/embeddings или SIGLIP2 on-device)
-                └─────────┬─────────────┘
-                          ▼
-                ┌───────────────────────┐
-                │  MemoryVectorStore     │
-                │  ├─ JVector (cosine)   │ ◄── ANN-search
-                │  └─ SQLite (мета)      │ ◄── заметки + lastUsedAt + useCount
-                └───────────────────────┘
-```
+## Где используется
 
-Бэкенды эмбеддингов (через `AGENTIK_EMBEDDING_BACKEND`):
+- `:standalone` подключает как `AGENTIK_MEMORY_BACKEND=vector`
+  (с `AGENTIK_EMBEDDING_BACKEND=http|siglip`).
 
-- **`HTTP`** — POST на `${OPENAI_BASE_URL}/v1/embeddings`. Семантический поиск
-  через OpenAI-совместимый endpoint (vLLM, OpenAI, LiteLLM-proxy).
-  Кэширование LRU(256) на уровне `EmbeddingHttpProvider` для дедупликации.
-- **`SIGLIP`** — on-device SigLIP2 через ONNX Runtime (768-мерный вектор).
-  Никаких внешних вызовов; модель и токенизатор должны лежать на диске.
-
-## Подключение
+## Как подключить
 
 ```kotlin
-plugins { kotlin("jvm") }
-
 dependencies {
-    implementation("pw.binom.agentik:memory-vector:$version")
-    // Транзитивно: :memory-api + jvector + sqldelight + text-embedding-kmp
+    implementation("pw.binom.agentik:memory-vector:0.1.0")
+    implementation("pw.binom.agentik:memory-api:0.1.0")
 }
+
+val memory = VectorMemorySystem.open(
+    dbPath = Path("~/.agentik/mem.db"),
+    embedding = HttpEmbeddingClient(
+        apiUrl = "http://192.168.88.135:8001/v1",
+        apiKey = "no-key-needed",
+        model = "text-embedding-3-small",
+        dimension = 1536,
+    ),
+)
 ```
 
-`:standalone` инициализирует бэкенд автоматически по `AGENTIK_MEMORY_BACKEND=vector`
-+ `AGENTIK_EMBEDDING_BACKEND=…`.
+## Версии
 
-## Размерности
+`gradle/libs.versions.toml` → `[versions] agentik-memory-vector`.
 
-| Backend | Модель | Dim |
-|---|---|---|
-| `HTTP` (OpenAI) | `text-embedding-3-small` (default) | 1536 |
-| `HTTP` (OpenAI) | `text-embedding-3-large` | 3072 |
-| `SIGLIP` | SigLIP2-base | 768 (фиксировано) |
+**Зависит от** `pw.binom.ai.embeddingtext:api-jvm:3.0.0-SNAPSHOT`
+и `pw.binom.ai.embeddingtext:siglip-jvm:3.0.0-SNAPSHOT` из репо
+`caffeine` (см. `../gradle/libs.versions.toml`). Оба опубликованы
+вручную (`Binom-PIN-Caffeine`).
 
-Для `HTTP` размерность управляется через `AGENTIK_EMBEDDING_DIMENSION`; для
-`SIGLIP` — определяется автоматически.
+## Как работает embedding-флоу
 
-## Где смотреть версии
+1. `memory.save(cat, "text")` — text → embedding (HTTP или SigLIP)
+   → row в SQLite + вектор в JVector-индекс.
+2. `memory.query(cat, "q")` — q → embedding → ANN top-K (default K=10)
+   → скоры, deduplication, реплес с timestamp.
 
-- `version` из `gradle.properties` (`version=0.1.0`)
-- релизы: `https://git.binom.pw/subochev/agentik/releases`
+## Тесты
 
-## Сборка
-
-```bash
-./gradlew :memory-vector:build
+```
+./gradlew :memory-vector:jvmTest
 ```
 
-JVM-only. Тянет `pw.binom.agentik:memory-api` и `com.github.jvector:jvector:3.0.6`.
+Покрывают: round-trip, ANN top-K, SigLIP (если модель скачана),
+SQLite-migration. SigLIP-тест skipped без модели на диске.
+
+## Чего здесь НЕТ
+
+- Никакого HTTP-клиента к LLM для генерации ответов. Это только
+  embedding-клиент. Сам LLM-вызов — в `:standalone`.
+
+## Текущий статус
+
+Используется продакшеном. Подходит для крупных памятей (10000+
+заметок) и семантических запросов.