feat: hybrid retrieval (BM25 + vettoriale, RRF) opt-in via hybrid=true

- sparse vector bm25 (modifier IDF) + indice TEXT su text
- migrazione automatica: create_vector_name su collection esistente + backfill dei punti privi di sparse
- write: sparse vector a ogni upsert (fastembed Qdrant/bm25)
- search: hybrid=true → prefetch denso (min_score anti-rumore) + sparso, fusione RRF; default invariato (punteggi cosine)
- qdrant-client 1.13.0 → 1.19.0 (create_vector_name, query_points; search rimosso in 1.19)
- fastembed 0.5.1 + pre-download modello BM25 nel Dockerfile (appuser)
- estensione: parametro hybrid in qmem_search
- verificato sul server: migrazione + backfill OK, termine esatto trovato con RRF 1.0 (istanza di test)

extensions/index.ts

@@ -279,6 +279,14 @@ export default function qmemExtension(pi: ExtensionAPI) {
 				}),
 			),
 			top_k: Type.Optional(Type.Integer({ description: "Numero massimo di risultati (default: 5, max 20)." })),
+			hybrid: Type.Optional(
+				Type.Boolean({
+					description:
+						"True = hybrid retrieval (BM25 + vettoriale, fusione RRF): migliore recall su nomi propri, ID, codici, " +
+						"acronimi e termini esatti. I punteggi risultanti sono RRF, non cosine: interpretali come ranking, " +
+						"non come similarità. min_score resta applicato al ramo vettoriale (anti-rumore).",
+				}),
+			),
 		}),
 		async execute(toolCallId, params, signal, onUpdate, ctx) {
 			const cfg = loadConfig();
@@ -302,6 +310,7 @@ export default function qmemExtension(pi: ExtensionAPI) {
 					include_superseded: p.include_superseded ?? false,
 					min_score: p.min_score ?? 0.45,
 					top_k: p.top_k ?? 5,
+					hybrid: p.hybrid ?? false,
 				},
 				signal,
 			);