refactor: troca PDF+OCR por corpus USFX em domínio público

- corpus/: Almeida (João Ferreira de Almeida) em USFX, domínio público,
  66 livros / 1189 capítulos / 31098 versículos, versionado com SHA-256
- app/corpus.py: parser USFX (texto no tail de <v/>), nomes canônicos dos
  livros, aliases (abreviaturas e numerais romanos), VerseChunk sem página
- indexer: descobre *.xml em CORPUS_DIR, progresso em versículos, lote
  configurável, manifesto incremental por SHA-256
- remove extraction.py, parallel.py, bible_parser.py, Tesseract e PyMuPDF
- campo page removido de Source/SearchResult/StatusResponse e do frontend
- embedder: propriedade name; status reporta o embedder em uso, não o do .env
- create_app constrói o embedder ANTES do store (o default HashEmbedder do
  VectorStore impedia o modelo configurado de ser carregado em produção)
- fallback do modelo agora aparece em /api/status.errors
- torch 2.6.0 + transformers 5.22.1 pinados (transformers 5.x exige torch>=2.6)

backend/tests/test_main.py

@@ -45,18 +45,18 @@ class FakeIndexer:
         self.release.wait(timeout=10)
         from app.indexer import IndexStatus
 
-        return IndexStatus(state="ready", pdfs_total=1, pdfs_indexed=1, chunks=42)
+        return IndexStatus(state="ready", sources_total=1, sources_indexed=1, chunks=42)
 
     def status(self):
         from app.indexer import IndexStatus
 
-        return IndexStatus(state="ready", pdfs_total=1, pdfs_indexed=1, chunks=42)
+        return IndexStatus(state="ready", sources_total=1, sources_indexed=1, chunks=42)
 
 
 @pytest.fixture
 def settings(tmp_path):
     return Settings(
-        pdf_dir=tmp_path / "pdfs",
+        corpus_dir=tmp_path / "corpus",
         vector_db_dir=tmp_path / "vector_db",
         embedding_model="hash-test",
         llm_provider="stub",
@@ -156,7 +156,7 @@ def test_chat_rejects_message_above_the_limit(client):
 
 
 def test_chat_streams_sources_token_and_done(client):
-    from app.bible_parser import VerseChunk
+    from app.corpus import VerseChunk
 
     embedder = HashEmbedder(dimensions=64)
     store = client.app.state.services.store
@@ -164,8 +164,7 @@ def test_chat_streams_sources_token_and_done(client):
         book="Gênesis",
         chapter=1,
         verse=1,
-        page=6,
-        file="biblia.pdf",
+        file="biblia.usfx.xml",
         text="No princípio criou Deus os céus e a terra.",
     )
     store.upsert([chunk], embedder.encode([chunk.text]))
@@ -213,3 +212,69 @@ def test_sources_endpoint_returns_a_list(client):
 
     assert response.status_code == 200
     assert "sources" in response.json()
+
+
+def test_create_app_builds_the_configured_embedder(monkeypatch, tmp_path):
+    """Produção: o modelo configurado precisa ser construído de fato.
+
+    O `VectorStore` default para `HashEmbedder` quando nasce sem embedder. Se a
+    aplicação criar o store primeiro e depois herdar o embedder dele, o modelo
+    configurado nunca é carregado e a busca roda sem semântica nenhuma — com
+    `/api/status` ainda anunciando o nome do modelo.
+    """
+    import app.main as main_module
+
+    built: list[str] = []
+
+    class FakeSentenceTransformer:
+        def __init__(self, model_name, batch_size=32, device="cpu", module=None):
+            built.append(model_name)
+            self.name = model_name
+            self.dimensions = 8
+
+        def encode(self, texts):
+            return [[0.0] * 8 for _ in texts]
+
+    monkeypatch.setattr(main_module, "SentenceTransformerEmbedder", FakeSentenceTransformer)
+
+    settings = Settings(
+        corpus_dir=tmp_path / "corpus",
+        vector_db_dir=tmp_path / "vector_db",
+        embedding_model="modelo-configurado",
+        llm_provider="stub",
+        auto_index=False,
+    )
+
+    app = main_module.create_app(settings=settings)
+    services = app.state.services
+
+    assert built == ["modelo-configurado"]
+    assert services.embedder.name == "modelo-configurado"
+    assert services.store.embedder.name == "modelo-configurado"
+    assert services.embedder_warning is None
+
+
+def test_embedder_fallback_is_surfaced_in_status(monkeypatch, tmp_path):
+    """Se o modelo não carrega, o status precisa dizer que a busca está sem semântica."""
+    import app.main as main_module
+
+    def explode(*args, **kwargs):
+        raise RuntimeError("PyTorch >= 2.6 is required but found 2.5.1")
+
+    monkeypatch.setattr(main_module, "SentenceTransformerEmbedder", explode)
+
+    settings = Settings(
+        corpus_dir=tmp_path / "corpus",
+        vector_db_dir=tmp_path / "vector_db",
+        embedding_model="modelo-configurado",
+        llm_provider="stub",
+        auto_index=False,
+    )
+
+    app = main_module.create_app(
+        settings=settings, indexer=FakeIndexer(), provider=StubProvider()
+    )
+    body = TestClient(app).get("/api/status").json()
+
+    assert any("semântica" in error for error in body["errors"])
+    assert app.state.services.embedder.name == HashEmbedder.name