feat: RAG 核心链 — embedding(provider) + Milvus 真连 + 入库/检索

mcp-go 接通向量 RAG：embedding(OpenAI 兼容 provider 抽象) + Milvus 真实连接，
kb_ingest 入库、wiki_search 真检索。retriever 节点一行不改即从桩变真。

- mcp-go internal/rag: embed.go(OpenAI 兼容 /embeddings 客户端) + milvus.go(milvus-sdk-go
  真连，集合按首次 embedding 维度懒建+AUTOINDEX/COSINE索引+加载，insert/向量search) +
  rag.go(Engine: 切块→embed→insert / embed query→search；embedding 或 Milvus 缺则降级)
- mcp-go gateway: 新工具 kb_ingest，wiki_search 换真(RAG 向量检索，kb 过滤 topK)
- mcp-go main: rag.Open 读 MILVUS_ADDR/EMBED_BASE_URL/EMBED_API_KEY/EMBED_MODEL 环境变量
- gateway: POST /api/v1/kb/ingest → kb_ingest（供知识库页/脚本）
- scripts/mock_embeddings.py: 确定性词法向量(字+bigram 哈希)，无真 key 验证检索
- 开发期 embedding 接在线 API(无真 key 用 mock)，见 llm-provider-strategy
- 验证: 全模块 build✓ + e2e PASS; live——入库5条→Milvus；retriever 节点查'向量数据库'
  →召回 Milvus 那条→DeepSeek 答'Milvus'；查'知识图谱'→Neo4j（向量检索区分正确）

注: 当前向量单路；Bleve/Neo4j 融合 + rerank + 真实语义 embedding 为后续。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

sundynix-mcp-go/internal/rag/rag.go

@@ -0,0 +1,97 @@
+// Package rag 实现 RAG 核心链：embedding(provider 抽象) + Milvus 向量库 + 入库/检索。
+// 是 LLM Wiki 混合检索的向量路；Bleve/Neo4j 融合为后续扩展。
+package rag
+
+import (
+	"context"
+	"errors"
+	"log"
+	"strings"
+)
+
+// Engine 聚合 embedding 与 Milvus，对外提供入库/检索。
+type Engine struct {
+	emb *embedClient
+	mv  *milvusStore
+}
+
+// Open 建立 RAG 引擎。embedding 未配 / Milvus 连不上 → 降级（检索返回空，不阻断工具服务）。
+func Open(ctx context.Context, milvusAddr, embBase, embKey, embModel string) *Engine {
+	e := &Engine{}
+	if embBase != "" && embModel != "" {
+		e.emb = newEmbedClient(embBase, embKey, embModel)
+		log.Printf("[rag] embedding: %s model=%s", embBase, embModel)
+	} else {
+		log.Println("[rag] embedding 未配置，向量检索降级")
+	}
+	if milvusAddr != "" {
+		mv, err := openMilvus(ctx, milvusAddr)
+		if err != nil {
+			log.Printf("[rag] Milvus 不可用，向量检索降级: %v", err)
+		} else {
+			e.mv = mv
+			log.Printf("[rag] Milvus connected %s", milvusAddr)
+		}
+	}
+	return e
+}
+
+// Ready 报告 RAG 是否可用（embedding + Milvus 均就绪）。
+func (e *Engine) Ready() bool { return e.emb.ready() && e.mv != nil }
+
+// Ingest 把一段文本切块 → 向量化 → 写入 Milvus，返回块数。
+func (e *Engine) Ingest(ctx context.Context, kb, text string) (int, error) {
+	if !e.Ready() {
+		return 0, errors.New("rag 未配置（需 embedding + Milvus）")
+	}
+	chunks := chunk(text)
+	if len(chunks) == 0 {
+		return 0, nil
+	}
+	vecs, err := e.emb.Embed(ctx, chunks)
+	if err != nil {
+		return 0, err
+	}
+	if err := e.mv.insert(ctx, kb, chunks, vecs); err != nil {
+		return 0, err
+	}
+	return len(chunks), nil
+}
+
+// Search 向量化查询 → Milvus topK 检索。降级时返回空。
+func (e *Engine) Search(ctx context.Context, kb, query string, topK int) ([]Hit, error) {
+	if !e.Ready() {
+		return nil, nil
+	}
+	if topK <= 0 {
+		topK = 5
+	}
+	vecs, err := e.emb.Embed(ctx, []string{query})
+	if err != nil || len(vecs) == 0 {
+		return nil, err
+	}
+	return e.mv.search(ctx, kb, vecs[0], topK)
+}
+
+func (e *Engine) Close() {
+	if e.mv != nil {
+		e.mv.close()
+	}
+}
+
+// chunk 朴素切块：按行切，去空白；过长再按长度切。真实系统应做版面/语义切块。
+func chunk(text string) []string {
+	var out []string
+	for _, line := range strings.Split(text, "\n") {
+		s := strings.TrimSpace(line)
+		if s == "" {
+			continue
+		}
+		for len(s) > 2000 {
+			out = append(out, s[:2000])
+			s = s[2000:]
+		}
+		out = append(out, s)
+	}
+	return out
+}