perf: rerank修复 + MMR向量复用优化

1. jina_rerank: 修复 API key 从环境变量读取，修复响应格式
   (document对象→文本字符串)，支持 bge-reranker-v2-m3
2. recall: rerank fallback 编码的向量缓存到 candidate._cached_vector，
   MMR 自动复用（避免 fallback+MMR 双重 encode_batch）
3. recall: 移除重复的 doc_texts 定义（修复语法错误）

src/api/routes/recall.py

@@ -235,7 +235,8 @@ def _get_recall_counts(doc_ids: list[str]) -> dict[str, int]:
 
 
 def _mmr_diversity(candidates: list[dict], query_vector: list[float],
-                  lambda_mult: float = 0.5, top_k: int = None) -> list[dict]:
+                  lambda_mult: float = 0.5, top_k: int = None,
+                  precomputed_vectors: list = None) -> list[dict]:
     """MMR（Maximum Marginal Relevance）多样性重排序。
 
     Args:
@@ -244,6 +245,8 @@ def _mmr_diversity(candidates: list[dict], query_vector: list[float],
         lambda_mult: 多样性权重因子，[0,1]，越大越倾向多样性
                     0=纯相关性排序，0.5=平衡，1=最大多样性
         top_k: 返回数量，默认 len(candidates)
+        precomputed_vectors: 可选，预计算好的文档向量（避免重复 BGE 编码）
+                            如果传入 None，则自动从 doc_meta.text 编码
     """
     if not candidates or lambda_mult <= 0:
         return candidates[:top_k]
@@ -256,14 +259,25 @@ def _mmr_diversity(candidates: list[dict], query_vector: list[float],
     if len(candidates) <= top_k:
         return candidates
 
-    # 预计算所有候选向量
-    try:
-        bge = _get_bge()
-        texts = [c['doc_meta']['text'] for c in candidates]
-        vectors = bge.encode_batch(texts, normalize_output=True)
-    except Exception as e:
-        print(f"[MMR] 向量编码失败: {e}")
-        return candidates[:top_k]
+    # ══ 优化4：复用预计算向量（避免 MMR 重复 encode）═
+    # 支持从 rerank fallback 缓存向量，或从 candidate._cached_vector 复用
+    vectors = None
+    if precomputed_vectors is not None:
+        vectors = precomputed_vectors
+    elif candidates and '_cached_vector' in candidates[0]:
+        # 从 candidate 对象上取缓存向量
+        vectors = [c.get('_cached_vector') for c in candidates]
+        if None in vectors:
+            vectors = None  # 有 None 则退化到重新编码
+
+    if vectors is None:
+        try:
+            bge = _get_bge()
+            texts = [c['doc_meta']['text'] for c in candidates]
+            vectors = bge.encode_batch(texts, normalize_output=True)
+        except Exception as e:
+            print(f"[MMR] 向量编码失败: {e}")
+            return candidates[:top_k]
 
     qv = np.array(query_vector, dtype=np.float32)
     qv = qv / (np.linalg.norm(qv) + 1e-8)
@@ -453,10 +467,21 @@ def recall_memory(req: RecallRequest):
         except Exception as e:
             print(f"[Recall] jina rerank 失败，fallback 到 embedding 相似度排序: {e}")
             try:
-                cand_vectors = bge.encode_batch(doc_texts, normalize_output=True)
+                doc_texts = [r['doc_meta'].get('text', '') for r in semantic_results]
+                # ══ 优化4：fallback 编码向量复用（避免 MMR 重复 encode）═
+                # 如果后续要走 MMR，先编码并存到 candidate 上，避免 MMR 重新编码
+                if req.diversity > 0 and top1_vector is not None:
+                    fallback_vectors = bge.encode_batch(doc_texts, normalize_output=True)
+                    for r, fv in zip(semantic_results, fallback_vectors):
+                        r['_cached_vector'] = fv
+                    _mmr_vectors_cache = fallback_vectors
+                else:
+                    fallback_vectors = bge.encode_batch(doc_texts, normalize_output=True)
+                    _mmr_vectors_cache = None
+
                 qv = np.array(top1_vector)
                 scores = []
-                for cv in cand_vectors:
+                for cv in fallback_vectors:
                     cv_arr = np.array(cv)
                     score = float(np.dot(qv, cv_arr))
                     scores.append(score)

src/storage/jina_rerank.py

@@ -1,11 +1,15 @@
 """Jina Rerank — 模力方舟 API
 
 API: https://ai.gitee.com/v1/rerank
-模型: jina-embeddings-v4
+模型: bge-reranker-v2-m3（备选：jina-reranker-v2-base-en）
 用途: 搜索结果重排，提升 top-k 准确性
 
 依赖:
     pip install requests aiohttp
+
+环境变量:
+    RERANK_API_KEY  — 优先级最高（覆盖代码中的 key）
+    BGE_API_KEY     — 备选（与 BGE embedder 共用同一 key）
 """
 import os
 import json
@@ -16,7 +20,9 @@ from pathlib import Path
 
 # 模力方舟 API 配置
 RERANK_API_URL = "https://ai.gitee.com/v1/rerank"
-RERANK_API_KEY = "3TSVVXRFFECE4TISXHGE1VXDAXBIPAP6O1VPJK18"
+# 优先级：环境变量 RERANK_API_KEY > BGE_API_KEY > 硬编码占位符
+_RERANK_KEY_ENV = os.environ.get("RERANK_API_KEY") or os.environ.get("BGE_API_KEY") or "3TSVVXRFFECE4TISXHGE1VXDAXBIPAP6O1VPJK18"
+RERANK_API_KEY = _RERANK_KEY_ENV
 # 模力方舟 bge-reranker-v2-m3（不是 jina-embeddings-v4）
 DEFAULT_MODEL = "bge-reranker-v2-m3"
 
@@ -136,12 +142,14 @@ class JinaRerankClient:
         resp.raise_for_status()
         result = resp.json()
 
-        # 解析结果
+        # 解析结果（注意：document 可能是字符串或 {text:...} 对象）
         rerank_results = []
         for item in result.get("results", []):
+            doc = item.get("document", "")
+            doc_text = doc.get("text", doc) if isinstance(doc, dict) else doc
             r = RerankResult(
                 index=item["index"],
-                document=item["document"],
+                document=doc_text,
                 score=item["relevance_score"],
             )
             rerank_results.append(r)