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/indexer.py

@@ -17,7 +17,7 @@ from datetime import datetime, timezone
 from pathlib import Path
 
 from .config import Settings
-from .corpus import CorpusParseError, VerseChunk, parse_usfx
+from .corpus import CorpusParseError, parse_usfx
 from .embedding import Embedder
 from .vector_store import VectorStore
 
@@ -198,7 +198,13 @@ class Indexer:
         self.report_progress(source.name, 0, 0)
 
         try:
-            chunks = list(parse_usfx(source, file_name=source.name))
+            chunks = list(
+                parse_usfx(
+                    source,
+                    file_name=source.name,
+                    context_window=self.settings.context_window,
+                )
+            )
         except CorpusParseError as exc:
             self._manifest[source.name] = _ManifestEntry(
                 sha256=file_hash, state=STATE_ERROR, indexed_at=_now()
@@ -224,7 +230,7 @@ class Indexer:
         batch_size = max(1, self.settings.index_batch_size)
         for start in range(0, total, batch_size):
             batch = chunks[start : start + batch_size]
-            vectors = self.embedder.encode([chunk.text for chunk in batch])
+            vectors = self.embedder.encode([chunk.embedding_text for chunk in batch])
             self.store.upsert(batch, vectors)
             self.report_progress(source.name, min(start + batch_size, total), total)