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.

backend/app/chat.py

@@ -20,6 +20,7 @@ from typing import Iterable, Sequence
 from .corpus import canonical_book
 from .config import Settings
 from .embedding import Embedder
+from .retrieval import Retriever, VectorRetriever
 from .llm import SYSTEM_PROMPT, LLMProvider
 from .vector_store import SearchResult, VectorStore
 
@@ -94,7 +95,9 @@ class Source:
     def from_result(cls, result: SearchResult) -> "Source":
         return cls(
             reference=result.reference,
-            text=result.text,
+            # O usuário vê o versículo citado, não a janela de contexto que foi
+            # para o modelo: a referência exibida precisa corresponder ao texto.
+            text=result.cited_text,
             book=result.book,
             chapter=result.chapter,
             verse=result.verse,
@@ -178,11 +181,20 @@ class ChatService:
         store: VectorStore,
         embedder: Embedder,
         provider: LLMProvider,
+        retriever: Retriever | None = None,
     ):
         self.settings = settings
         self.store = store
         self.embedder = embedder
         self.provider = provider
+        # Sem retriever injetado, mantém o comportamento vetorial simples — os
+        # testes existentes e qualquer uso embutido seguem iguais.
+        self.retriever: Retriever = retriever or VectorRetriever(
+            store=store,
+            embedder=embedder,
+            top_k=settings.top_k,
+            min_similarity=settings.min_similarity,
+        )
 
     # ------------------------------------------------------------------ #
     # Recuperação
@@ -192,7 +204,8 @@ class ChatService:
         """Recupera os trechos que sustentam a resposta.
 
         Perguntas com referência explícita (`João 3:16`) usam busca determinística
-        por metadados; as demais usam similaridade semântica.
+        por metadados; as demais passam pelo retriever configurado (híbrido em
+        produção: vetorial + BM25).
         """
         reference = extract_reference(message)
         if reference is not None:
@@ -201,12 +214,7 @@ class ChatService:
             if exact:
                 return exact
 
-        vector = self.embedder.encode([message])[0]
-        return self.store.query(
-            vector,
-            n_results=self.settings.top_k,
-            min_similarity=self.settings.min_similarity,
-        )
+        return self.retriever.search(message)
 
     # ------------------------------------------------------------------ #
     # Contexto