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/vector_store.py

@@ -16,19 +16,29 @@ logger = logging.getLogger(__name__)
 
 @dataclass(frozen=True)
 class SearchResult:
-    """Trecho recuperado da busca vetorial."""
+    """Trecho recuperado da busca.
+
+    `text` é a janela de contexto que a busca encontrou (e que vai para o LLM);
+    `verse_text` é só o versículo citado, que é o que o usuário vê.
+    """
 
     book: str
     chapter: int
     verse: int
     file: str
     text: str
+    verse_text: str = ""
     distance: float = 0.0
 
     @property
     def reference(self) -> str:
         return f"{self.book} {self.chapter}:{self.verse}"
 
+    @property
+    def cited_text(self) -> str:
+        """Texto a exibir como citação: o versículo, ou a janela se não houver."""
+        return self.verse_text or self.text
+
     @property
     def score(self) -> float:
         """Similaridade em escala 0..1 (1 = idêntico)."""
@@ -84,13 +94,17 @@ class VectorStore:
         self._collection.upsert(
             ids=[chunk.chunk_id for chunk in chunk_list],
             embeddings=[list(vector) for vector in vectors],
-            documents=[chunk.text for chunk in chunk_list],
+            # O documento gravado é a janela de contexto: é ela que foi embeddada
+            # e é ela que serve de evidência ao LLM. O versículo citado vai no
+            # metadado, para a UI mostrar a referência exata.
+            documents=[chunk.embedding_text for chunk in chunk_list],
             metadatas=[
                 {
                     "book": chunk.book,
                     "chapter": chunk.chapter,
                     "verse": chunk.verse,
                     "file": chunk.file,
+                    "verse_text": chunk.text,
                     "reference": f"{chunk.book} {chunk.chapter}:{chunk.verse}",
                 }
                 for chunk in chunk_list
@@ -134,6 +148,7 @@ class VectorStore:
                     verse=int(metadata.get("verse", 0)),
                     file=str(metadata.get("file", "")),
                     text=document or "",
+                    verse_text=str(metadata.get("verse_text", "") or ""),
                     distance=float(distance),
                 )
             )
@@ -162,11 +177,36 @@ class VectorStore:
                 verse=int(metadata.get("verse", verse)),
                 file=str(metadata.get("file", "")),
                 text=document or "",
+                verse_text=str(metadata.get("verse_text", "") or ""),
                 distance=0.0,
             )
             for document, metadata in zip(documents, metadatas)
         ]
 
+    def snapshot(self) -> list[SearchResult]:
+        """Inventário de todos os trechos indexados, sem pontuação.
+
+        Serve para (re)construir o índice de palavras-chave depois de uma
+        reinicialização, quando o Chroma persistiu mas o BM25 em memória não.
+        `distance=1.0` deixa `score` em 0: snapshot não é ranking e não pode
+        fingir similaridade.
+        """
+        raw = self._collection.get(include=["documents", "metadatas"])
+        documents = raw.get("documents") or []
+        metadatas = raw.get("metadatas") or []
+        return [
+            SearchResult(
+                book=str(metadata.get("book", "")),
+                chapter=int(metadata.get("chapter", 0)),
+                verse=int(metadata.get("verse", 0)),
+                file=str(metadata.get("file", "")),
+                text=document or "",
+                verse_text=str(metadata.get("verse_text", "") or ""),
+                distance=1.0,
+            )
+            for document, metadata in zip(documents, metadatas)
+        ]
+
     def count(self) -> int:
         """Total de chunks indexados."""
         return int(self._collection.count())
@@ -212,7 +252,8 @@ class InMemoryVectorStore:
                     chapter=chunk.chapter,
                     verse=chunk.verse,
                     file=chunk.file,
-                    text=chunk.text,
+                    text=chunk.embedding_text,
+                    verse_text=chunk.text,
                     distance=1.0 - similarity,
                 )
             )
@@ -228,12 +269,28 @@ class InMemoryVectorStore:
                 chapter=chunk.chapter,
                 verse=chunk.verse,
                 file=chunk.file,
-                text=chunk.text,
+                text=chunk.embedding_text,
+                verse_text=chunk.text,
                 distance=0.0,
             )
             for chunk in self._chunks.values()
             if chunk.book == book and chunk.chapter == chapter and chunk.verse == verse
         ]
 
+    def snapshot(self) -> list[SearchResult]:
+        """Inventário de todos os trechos indexados, sem pontuação."""
+        return [
+            SearchResult(
+                book=chunk.book,
+                chapter=chunk.chapter,
+                verse=chunk.verse,
+                file=chunk.file,
+                text=chunk.embedding_text,
+                verse_text=chunk.text,
+                distance=1.0,
+            )
+            for chunk in self._chunks.values()
+        ]
+
     def count(self) -> int:
         return len(self._chunks)