fix: 优化唤醒缓存与向量相似度计算

[chentaiyan-fullive]

背景

Somni 唤醒检索使用“唤醒”阶段，但阶段缓存预热仍写成“清醒”；缓存 miss 还会触发四阶段全量重建。同时标签粗排通过 Python 嵌套循环重复执行大量 1024 维余弦计算，成为并发检索的主要 CPU 耗时。

改动

• 缓存阶段修正为 放松/入睡/守护/唤醒，刷新时兼容清理旧“清醒”键。
• 缓存 miss 只加载缺失阶段；同进程并发 miss 合并为一次 ES 加载，并与全量清理/预热互斥。
• 内容准入、厌恶过滤和自动标签提取改为 NumPy float64 批量余弦矩阵；请求内共享相似度快照。
• 保持精确标签优先、颜色噪音互斥、阈值、排序、HTTP 请求和响应结构不变。

验证

• uv run --no-sync pytest -q：264 passed。
• 目标文件 ruff check、ruff format --check：通过。
• python -m compileall -q app tests：通过。
• 12 组脱敏 1024 维微基准：标量 579.38ms，矩阵 38.23ms，结果一致，计算 wall time 降低 93.4%。
• 全仓 Ruff 仍有 dev 基线既存问题（51 个 lint、26 个待格式化文件），本 PR 未扩大范围处理。

结构与契约

• 仅修改缓存、检索实现和对应测试。
• 不修改 HTTP/ES schema、Redis key 前缀、DeepHealth、Proto、DB 或部署配置。
• 不涉及 LLM。

风险与回滚

• single-flight 仅覆盖单进程；多实例仍依赖 Redis 缓存收敛。
• NumPy 使用 float64，并以标量参考测试验证阈值行为；可通过回滚本提交恢复旧计算路径。

后续

ES 精确标签前置粗筛及向量聚类不在本 PR 范围；建议先做召回 diff 和真实流量基准后再决定。