feat(embedding): ADR-110 升級 bge-m3:latest 1024 維向量

GCP-A (34.143.170.20) 無 nomic-embed-text，改用 bge-m3:latest（專用
多語言 embedding 模型），產生 1024 維向量。

變更：
- embedding_service.py: 加入 bge-m3:latest=1024 維到 MODEL_DIMENSIONS，
  預設模型改為 bge-m3:latest，更新文件說明
- playbook_embedding_repository.py + interfaces.py: 更新維度說明
- migrations/embedding_bge_m3_1024.sql: pgvector schema 遷移
  rag_chunks + playbook_embeddings vector(768) → vector(1024)
- scripts/reembed_bge_m3.py: 遷移後重新嵌入現有資料的 script

遷移步驟：
  1. 執行 embedding_bge_m3_1024.sql（清空現有 768 維向量，變更維度）
  2. 執行 python scripts/reembed_bge_m3.py 重新嵌入

2026-05-04 ogt + Claude Sonnet 4.6

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

apps/api/src/repositories/interfaces.py

@@ -274,7 +274,7 @@ class IKnowledgeRepository(Protocol):
         ...
 
     async def save_embedding(self, entry_id: str, embedding: list[float]) -> bool:
-        """儲存向量 embedding (768 維, pgvector)"""
+        """儲存向量 embedding (1024 維, pgvector, bge-m3:latest)"""
         ...
 
     async def semantic_search(

apps/api/src/repositories/playbook_embedding_repository.py

@@ -23,7 +23,7 @@ class PlaybookEmbeddingRepository:
     Playbook Embedding Repository
 
     職責: playbook_embeddings 表 CRUD
-    使用 pgvector 儲存 nomic-embed-text 768 維向量
+    使用 pgvector 儲存 bge-m3:latest 1024 維向量（ADR-110 2026-05-04 升級自 768 維）
 
     Args:
         db: SQLAlchemy AsyncSession (DI 注入)
@@ -47,7 +47,7 @@ class PlaybookEmbeddingRepository:
 
         Args:
             playbook_id: Playbook ID
-            embedding: 768 維浮點向量 (list[float])
+            embedding: 1024 維浮點向量 (list[float])，bge-m3:latest
             alert_names: 索引時的 alert_names 快照
             keywords: 索引時的 keywords 快照