[Feature] Embeddingストレージ（SQLite ベクトル格納）

[Kewton]

概要

生成されたEmbeddingベクトルをSQLite（symbols.db）に格納し、ベクトル検索（コサイン類似度）を実行できるようにする。

背景・動機

Semantic Searchを実現するために、生成されたembeddingを永続化し、高速なベクトル類似度検索ができるストレージ層が必要。

提案する解決策

スキーマ

CREATE TABLE embeddings (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    file_path TEXT NOT NULL,
    section_heading TEXT,          -- 見出し（NULL = ファイル全体）
    embedding BLOB NOT NULL,       -- f32配列をバイナリ格納
    dimension INTEGER NOT NULL,    -- ベクトル次元数
    model_name TEXT NOT NULL,      -- 生成に使用したモデル名
    file_hash TEXT NOT NULL,       -- キャッシュ用ハッシュ
    created_at TEXT NOT NULL
);
CREATE INDEX idx_embeddings_path ON embeddings(file_path);
CREATE INDEX idx_embeddings_hash ON embeddings(file_hash);

ベクトル格納方式

• Vec<f32> を byteorder crateで BLOB に変換して格納
• 読み出し時に BLOB → Vec<f32> に復元
• 次元数は dimension カラムで管理（モデル変更時の検出用）

コサイン類似度検索

pub fn search_similar(
    &self,
    query_embedding: &[f32],
    top_k: usize,
) -> Result<Vec<(String, String, f32)>>  // (file_path, section, similarity)

• 全ベクトルをメモリにロードし、コサイン類似度を計算
• 想定規模（1500ファイル × 数セクション = 数千ベクトル）ではブルートフォースで十分
• 将来的にANN（近似最近傍）が必要になれば別途対応

スキーマバージョン

• CURRENT_SYMBOL_SCHEMA_VERSION をインクリメント
• 既存DBはバージョン不一致時に clean & rebuild で対応

delete/update連携

• SymbolStore::delete_by_file() に embeddings の DELETE を追加
• ファイル更新時は delete-before-insert パターン

受け入れ基準

• embeddingsテーブルにベクトルを格納できる
• 格納したベクトルを正しく読み出せる（BLOB ↔ Vec変換）
• コサイン類似度検索でtop-k件を取得できる
• delete_by_fileでembeddingレコードも削除される
• スキーマバージョンがインクリメントされている
• cargo test / clippy / fmt 全パス

依存 Issue

• なし（Phase 4完了が前提）

[Kewton]

UAT結果 (2026-03-22)

テスト	結果
AT-62-1	PASS
AT-62-2	PASS
総合結果: ALL PASS ✅
Branch: develop