fix(memory): 增量向量化 + 单分片逐条隔离，召回请求数降一个数量级（M61）

M15（2026-10-13）登记的两条放大源落在记忆层，本次一并收口：

1. 整理轮/入库审查**只嵌增量**：新加 vector.Index.Vectors（SQLite/PG 实现，
   按 id 取已存向量、维度不符当未命中），Store.embedIncremental 先复用索引里的
   向量、只嵌缺的那些，并把手算出的向量回填索引 ⇒ 同一分区第二轮起零请求。
   判据写明为「向量存在性 + 维度一致」（正文在本仓不可就地改写，故无需哈希）。
   维度与当前 embedder 不一致时禁用复用并 WARN（不混两种表示）。
2. 嵌入链对单个慢分片有韧性：embedIsolated 整批失败后逐条隔离，坏的那几条
   记缺口、其余照常返回；一条都没拿到才报错降级。请求数上界 1+B（B=8 ⇒ 9），
   服务整体挂死时一次即收手，不用「请求放大」换韧性。
3. 缺口/复用/回填条数进日志（缺口走 WARN），review 的被审条目拿不到向量时
   如实返回错误 ⇒ 走既有词项余弦降级（不把「算不出来」说成「没有重复」）。

请求数（单测内假 OpenAI 兼容服务端计数，生产 API embedder + 真 SQLite 索引）：
  24 条存量：修复前每轮 3 → 第一轮 3、第二轮 0
  12 条分区整理轮：第一轮 2 → 第二轮 0
  20 条候选的入库审查：26（201÷8）→ 第一条 3、第二条 0
  一条坏正文：保住 7/8 条，代价 9 个请求；整体性故障 9 个请求后收手

internal/runtime/memory/tidy_recall.go

@@ -256,26 +256,24 @@ func vectorSimFunc(vecs []embedding.Vector) func(i, j int) float64 {
 	}
 }
 
-// embedItems 分批把分区内条目向量化。单批失败即整体失败（调用方决定回退到
-// 词项余弦还是如实上报），不半途改用混合表示 —— 混用会让召回范围不可预测。
+// embedItems 给分区内条目取向量：**索引里已有的直接复用，只嵌缺的**
+// （判据与回填口径见 embed_incremental.go）。
+//
+// 2026-10-13 M15 登记的两条放大源在这里收口：
+//   - 「整理轮每轮把整个分区重新向量化」（user 分区一轮 ≈250 个请求）⇒
+//     第二轮起趋近 0（第一轮把算出来的向量回填索引）；
+//   - 「一个分片失败 ⇒ 整条 Embed 失败」⇒ 逐条隔离（embedIsolated），
+//     一条慢/坏分片只损失它自己，其余条目照常带向量参与比对。
+//
+// 返回切片恒与 items 等长，缺口位置为 nil（相似度按 0 计 ⇒ 那一对不进候选）。
+// 一条向量都拿不到时返回错误，调用方按既有语义降级到词项余弦。
 func (t *Tidier) embedItems(ctx context.Context, items []MemoryItem) ([]embedding.Vector, error) {
-	out := make([]embedding.Vector, 0, len(items))
-	for start := 0; start < len(items); start += tidyEmbedBatch {
-		end := min(start+tidyEmbedBatch, len(items))
-		texts := make([]string, 0, end-start)
-		for _, it := range items[start:end] {
-			texts = append(texts, it.Content)
-		}
-		vecs, err := t.deps.Embedder.Embed(ctx, texts)
-		if err != nil {
-			return nil, err
-		}
-		if len(vecs) != len(texts) {
-			return nil, ErrTidyEmbedCount
-		}
-		out = append(out, vecs...)
+	vecs, stats, err := t.deps.Store.embedIncremental(ctx, t.deps.Embedder, items, tidyEmbedBatch)
+	if err != nil {
+		return nil, err
 	}
-	return out, nil
+	logEmbedReuse(t.log, "tidy", stats, tidyEmbedBatch)
+	return vecs, nil
 }
 
 // lexicalSimilarity 是零依赖的相似度回退：两条内容词项集合的余弦。