聊天和回忆录证据检索都走 pgvector，去掉 Postgres FTS/content_tsv，新迁移删掉 content_tsv 列（部署要先 alembic upgrade）。

Embedding 端口增加 is_available()，聊天和回忆录日志用统一方式表示向量是否真能调用。

记忆整理（compaction）支持 Beat 定期扫用户；

事实抽取提示与 subject 归一化，减少同一人多种称呼；

api/app/adapters/embedding/zhipu.py

@@ -7,6 +7,9 @@ import asyncio
 from zai import ZhipuAiClient
 
 from app.core.embedding import MEMORY_EMBEDDING_DIMENSION
+from app.core.logging import get_logger
+
+_logger = get_logger(__name__)
 
 # 单次请求最多 64 条文本（智谱 Embedding-3 文档）
 _EMBED_BATCH_SIZE = 64
@@ -22,6 +25,9 @@ class ZhipuEmbeddingProvider:
     ) -> None:
         self._model = model
         if not api_key:
+            _logger.warning(
+                "ZhipuEmbeddingProvider: api_key 为空，embedding 将不可用（记忆检索与 ingest 向量写入会降级）"
+            )
             self._client = None
         elif base_url:
             self._client = ZhipuAiClient(
@@ -31,6 +37,9 @@ class ZhipuEmbeddingProvider:
         else:
             self._client = ZhipuAiClient(api_key=api_key)
 
+    def is_available(self) -> bool:
+        return self._client is not None
+
     def _create_vectors_sync(self, texts: list[str]) -> list[list[float]]:
         assert self._client is not None
         resp = self._client.embeddings.create(
@@ -54,3 +63,16 @@ class ZhipuEmbeddingProvider:
             part = await asyncio.to_thread(self._create_vectors_sync, batch)
             out.extend(part)
         return out
+
+    def embed_text_sync(self, text: str) -> list[float]:
+        vecs = self.embed_texts_sync([text])
+        return vecs[0] if vecs else []
+
+    def embed_texts_sync(self, texts: list[str]) -> list[list[float]]:
+        if not self._client or not texts:
+            return []
+        out: list[list[float]] = []
+        for i in range(0, len(texts), _EMBED_BATCH_SIZE):
+            batch = texts[i : i + _EMBED_BATCH_SIZE]
+            out.extend(self._create_vectors_sync(batch))
+        return out