feat: busca híbrida (vetorial + BM25 com fusão RRF) e janela de contexto

Recuperação:
- keyword.py: tokenizador PT (acentos, stopwords, dígitos), BM25 Okapi com
  índice invertido, e reciprocal_rank_fusion com desempate determinístico
- retrieval.py: VectorRetriever e HybridRetriever; fusão por posição, não por
  nota (cosseno 0..1 e BM25 sem teto são escalas incomparáveis)
- identidade de fusão é a coordenada (arquivo,livro,capítulo,versículo): o mesmo
  versículo chega das duas buscas com distance diferente e o dataclass nunca os
  igualaria, então o RRF não premiaria o que ambas confirmam
- ChatService recebe retriever injetado; referência explícita mantém precedência

Contexto:
- VerseChunk ganha context (janela de CONTEXT_WINDOW vizinhos por lado, dentro
  do livro, atravessando capítulos) e embedding_text
- store grava a janela como documento e o versículo em verse_text; a UI mostra o
  versículo citado e o modelo recebe a janela
- snapshot() nos dois stores: o BM25 é em memória e o Chroma persiste, então o
  arranque precisa reconstruir o índice lexical ou a busca degrada em silêncio

Motivação medida em 5703 versículos reais: a busca vetorial não liga 'estou com
medo do futuro' a 'não temas' (0,19, nível de par sem relação), e e5-small tem
faixa de similaridade de só 0,02 — inutilizaria o piso de evidência.

.env.example

@@ -40,6 +40,9 @@ EMBEDDING_MODEL=paraphrase-multilingual-MiniLM-L12-v2
 
 # ---------------------------------------------------------------------------
 # Busca
+# A recuperação é híbrida: similaridade vetorial + BM25, fundidos por posição
+# (RRF). MIN_SIMILARITY é o piso do lado vetorial; abaixo dele o trecho só entra
+# se o BM25 o encontrar.
 # ---------------------------------------------------------------------------
 TOP_K=6
 MIN_SIMILARITY=0.35
@@ -47,10 +50,14 @@ MIN_SIMILARITY=0.35
 # ---------------------------------------------------------------------------
 # Ingestão do corpus
 # Diretório com os arquivos USFX (*.xml), montado somente-leitura em /data/corpus.
-# Tamanho do lote gravado no banco vetorial por vez.
+# INDEX_BATCH_SIZE: versículos gravados no banco vetorial por lote.
+# CONTEXT_WINDOW: vizinhos indexados junto com cada versículo. Um versículo
+# isolado é curto demais para o embedding captar o tema; a referência exibida
+# continua sendo a do versículo central.
 # ---------------------------------------------------------------------------
 # CORPUS_DIR=/data/corpus
 INDEX_BATCH_SIZE=512
+CONTEXT_WINDOW=2
 
 # ---------------------------------------------------------------------------
 # API