fix(memory-projection): 订正 outbox 取值口径并接通画像投影链路

背景：memory_sync_outbox 这条链此前**完全没有消费者**，且生产端照 docs/00 §6.4.6
写成大写 MILVUS/NEO4J + 中文「待处理」，而消费端按 target_store 的**值**分派 handler、
且只领 status in {pending, failed} —— 两个条件都不满足，事件任何消费者都领不到、
永久滞留且不报错（唯一键 (event_uuid, target_store) 对大小写无约束，MySQL 也不报错）。
根因是代码与测试都硬编码字面量，所以测试跟着一起错、谁也没拦住。

订正
- profile_generation_service：取值改为全仓一致的小写（milvus/neo4j/upsert/pending）
- 测试改为引用常量并断言消费端契约，不再硬编码（硬编码是本次跑偏的直接原因）
- 新增契约回归测试：断言大写值分派不到 handler、会进死信，谁改回大写立刻红
- 新增 tools/normalize_memory_sync_outbox.py：订正历史脏行（默认 dry-run、幂等）

接通投影链路（此前零消费者）
- 新增 Milvus 集合 user_long_term_memory_v1 及建集合工具（幂等、不覆盖已有集合）
- 新增 MilvusProfileProjection / MilvusProfileVectorClient，并修掉移植带来的两处必炸点：
  customer_id 由「必须 int」放宽为接受数字字符串（本仓所有生产者都写 str，
  不放宽则每个事件必然失败）；不可投影的 memory_key 由「整批 raise」改为跳过留痕
  （否则一条 constraint: 记忆毒死该客户整批，而受控词表 13 个键里有 7 个不满足前缀）
- 新增 MemorySyncOutboxWorker（领取/指数退避/死信骨架保留原样）并接入 WorkerRuntime
- milvus → 向量投影；neo4j → 复用主干 ProfileGraphProjectionService（方案 A，
  不引入第二套投影，避免同一事实在图中两种说法、违反主干既有的只投影已确认事实的不变式）
- 生产端从 memory_unit(status=active) 组装 memory_sources，随事件带上确定快照
- 前置移植 conversation_privacy：写外部存储前脱敏手机号/证件号/银行卡等

验证
- 新增 17 个单测；全量 2 failed, 1307 passed, 2 skipped
  （2 个失败为既有环境项：断言请求体中文原文而 httpx 序列化成 \uXXXX，非本次引入）
- mypy app → 0 错（227 文件）；audit_schema → 89 张业务表无缺失/意外，未改动表结构
- 真机：真实 embedding(1024 维) + 真实 Milvus 写入并回读通过
- 整合链路（测试记忆 → 生产端组装 → outbox → 消费端投递 → Milvus 回读）通过，
  且 MySQL 已回滚、Milvus 无残留

文档
- 新增 docs/32-记忆投影链路实现说明.md：真实口径、根因、契约与验证证据（供接手）
- AGENTS.md：新增该易错点；新增 Windows 中文输出乱码的正确命令（-X utf8）；
  校正测试基线与 mypy 文件数

未做：未改 docs/00 基线、未动数据库迁移、未改投顾线代码、未启动常驻 Worker。
遗留：投顾线两处生产者的 payload 缺 memory_sources，会被消费至死信，待架构师确认是否投影。

app/service/agent/bootstrap.py

@@ -19,6 +19,7 @@ from app.infrastructure.fund_quote_cache import FundQuoteCache
 from app.infrastructure.graph import build_graph_driver
 from app.infrastructure.memory_cache import MemoryCacheAdapter
 from app.infrastructure.milvus_knowledge_writer import MilvusKnowledgeWriter
+from app.infrastructure.milvus_profile_vector_client import MilvusProfileVectorClient
 from app.infrastructure.vector_memory import VectorMemoryAdapter
 from app.service.agent.factory import AgentFactory
 from app.service.agent.governance import PlatformGovernance
@@ -159,6 +160,26 @@ def get_milvus_knowledge_writer() -> MilvusKnowledgeWriter | None:
     return MilvusKnowledgeWriter(uri, settings.milvus_token or "")
 
 
+@lru_cache(maxsize=1)
+def get_milvus_profile_vector_client() -> MilvusProfileVectorClient | None:
+    """长期记忆画像向量**写**适配器（装配入口）；`milvus_uri` 缺失时返回 None。
+
+    与 `get_milvus_knowledge_writer` 同一取向：读写隔离、构造惰性、缺配置显式降级。
+    返回 None 的语义是**显式降级**——`WorkerRuntime` 会因此不注册画像投影 handler，
+    `memory_sync_outbox` 的事件在库里保持 pending（可观测、可重放），并留一条 warning，
+    绝不静默，也绝不伪造同步成功。
+    """
+    settings = get_settings()
+    uri = (settings.milvus_uri or "").strip()
+    if not uri:
+        logging.getLogger(__name__).warning(
+            "milvus_uri not configured; profile vector projection disabled and "
+            "memory_sync_outbox events will stay pending"
+        )
+        return None
+    return MilvusProfileVectorClient(uri, settings.milvus_token or "")
+
+
 async def _embed_text(text: str) -> list[float]:
     """把文本向量化；端点来自发布配置（task_type=embedding），无端点时失败关闭。"""
     endpoints = await DatabaseModelEndpointResolver().resolve(