feat(model-gateway)+docs(W19): embedding 端点唯一性配置守卫 + 三份完整版/收敛版索引口径补注 + 门槛口径更正 + D3.7 难例口径统一

一、代码（2 文件 + 2 工具脚本注记）
* app/service/model_gateway.py：DatabaseModelEndpointResolver.resolve() 加配置守卫
  —— required == "embedding" 且 len(matched) > 1 时 logger.warning（只告警、不改行为）。
  多个 embedding 端点会让索引向量与查询向量可能来自不同模型（维度同为 1024、不报错），
  COSINE 相似度整体失真，表现为"越答越差"的哑故障。顺手删掉重复的 return endpoints（死代码）。
* tests/unit/service/test_model_gateway.py：新增 2 条单测（多端点告警且返回顺序不变 / 单端点静默）。
* tools/configure_embedding_endpoint.py：加「已废弃，勿重跑」标注 —— 它写的是
  qwen-embedding / qwen3.7-text-embedding-flash，与现役端点 knowledge-embedding-qwen-v3 /
  text-embedding-v3 不一致，重跑会凭空多出一个 embedding 端点。
* tools/build_knowledge_chunks.py：删掉与新口径冲突的注释「不泄露档位与门槛」，
  改为「registered 的依据是权益明细而非门槛；门槛属公开宣传口径」。

二、文档（8 份；D-1 选乙 + D-3 统一为 18）
* D2.4 v1.6 → v1.7：§4.4 + 附录B 更正「门槛金额不再单独构成 registered 的理由」
  （public 的 FAQ-0014 已完整给出五档门槛、FAQ-0050 含钻石门槛）；
  HNW-004—HNW-007 保持 registered，依据收窄为"各层级权益明细"；HNW-* 档位不动（分区键）。
* D3.1 v2.5 → v2.6：§5.3 加索引口径落地注（覆盖 §2.5 决策表 / FR-CS-007 / 排期 T4）
  + 补「字段表同属初稿」（实库 18 字段全 NOT NULL、doc_id 主键、无 metadata JSON）。
* D3.2 v1.2 → v1.6：§4.1 加同口径注 + 版本位追平（顶栏 v1.1 / doc-meta v1.2 落后于自身记录 v1.5）。
* D2.2 v2.6 → v2.7：§1.4.2 域 B 加注（TopK / 阈值 / 度量 / 集合选择均未变 ⇒ 不影响验收）。
* D3.7：§3 难例口径统一 —— 难例 32 条（改写 8 + 口语 16 + 多轮 4 + 禁忌 4）为定义式总数，
  M-2b 分母 = 其中带期望证据家族的 18 条；并补正 §3 初稿表格条数（以 cases_46.json 为准）。
* D1.1 v1.8 → v1.9：新增 §28；四处版本位同步；顺带修正两处历史遗留
  （D2.4 版本位长期停在 v1.3、D2.2 日期列停在 2026-09-17）。
* D1.6：新增 §4.47（含自我失误留痕）。
* D2.1 v6.33 → v6.34：新增本轮修订要点段。

三、实测门口（本机）
* tests/unit/service/test_model_gateway.py：10 passed
* pytest -q -p no:cacheprovider（全量，跑前已停 Worker）：1917 passed / 3 skipped / 0 failed
* tools/check_authoritative_docs.py：54 文档无编号冲突（exit 0）
* _consistency.py：失效锚点 0、交叉引用全 ✅（exit 0）
* _fe_boundary_http.py（重建件）：12/12 符合预期
* 服务已重启：/internal/health/ready 三依赖全绿（mysql / redis / milvus）

四、如实留痕（自我失误）
本轮清理临时文件时删除判据过宽，误删 _consistency.py（已原样恢复）、
_legacy_customer_service.py（已按 f72a545 逐字节重建，40,554 字节）、
_fe_boundary_http.py（原件不可恢复，已按既有判据重建并实跑 12/12）与若干历史轮次原始日志。
详见 D1.6 §4.47 五。

app/service/model_gateway.py

@@ -236,13 +236,25 @@ class DatabaseModelEndpointResolver:
                 task_type,
             )
             return endpoints
-            return endpoints
         matched = [
             endpoint for endpoint in endpoints
             if isinstance(endpoint.capabilities, list) and required in endpoint.capabilities
         ]
         # `capabilities` 为 NULL/空 的端点绝不会被 `matched` 选中（不能裸奔到错误的网关方法上）；
         # 但整批都没声明该能力时退回全部端点，避免把这个配置缺口伪装成"没有可用端点"。
+        if required == "embedding" and len(matched) > 1:
+            # 配置守卫：声明朝 `embedding` 能力的 active 端点应**恰好 1 个**。
+            # 后端会按顺序只试前 `max(1, max_attempts)`（默认 2）个端点，端点一多就会被截断；
+            # 更隐蔽的是模型混用——Milvus 集合里向量维度固定 1024，若两个端点背后的模型不同，
+            # 写入向量与查询向量就不在同一个空间，`COSINE` 相似度会整体失真：
+            # **不报错，只是越答越差**（这类故障最难定位）。这里只告警、不改行为。
+            logger.warning(
+                "模型端点筛选：active 端点中有 %d 个声明 embedding 能力（%s）；"
+                "向量化端点应恰好 1 个——多端点会让索引向量与查询向量可能来自不同模型，"
+                "相似度整体失真且不报错。请停用多余端点或去掉其 embedding 能力声明",
+                len(matched),
+                ", ".join(str(getattr(e, "endpoint_code", "?")) for e in matched),
+            )
         return matched or endpoints