chore: 工作台产品化进行中的改动

把工作区里其余在制品一并入库，主要是工作台产品化的推进：

  后端：新增 capability_definition / project / my_app_center / office_skill
        接口与 action_definition / skill_definition / project / user_app_center
        模型，config 加路由健康上报。
  前端：新增 frontend/src/skills（Office 技能与 workbuddy 复刻）、
        项目管理、应用中心、能力目录页，以及配套 api / store / config；
        聊天侧新增 SpecialistChip / SpecialistPanel / SkillStrip / AppChatRail
        等组件。
  清理：移除旧 views/tools 下的单页工具（已并入工作台）、_frozen 冻结组件、
        cmd/inspect_oa_debug 调试入口，以及两份调试笔记。
  其它：文档与启动脚本同步。

（这批改动与上一提交的 SY23 工作并行进行，此前已在同一工作区内交织。）

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

docs/02_Architecture/AR03_Database_Arch.md

@@ -1,9 +1,7 @@
 # AR03 — 数据库架构设计
 
-> **版本：V1.1 | 引擎：MySQL 8.0 | ORM：SQLAlchemy（现为 GORM）**
+> **版本：V2.0 | 引擎：SQLite（modernc 纯Go驱动）**
 > **完整建表 SQL 请见 docs/db_schema.md**
->
-> **⚠️ 本文档为 V1.1 设计期历史快照。** 当前实现已切换为 **MySQL 8.0 + FAISS 向量检索**（ORM 由 SQLAlchemy 改为 GORM），并新增岗位/积分/证书/部门/消息等表，以 `docs/db_schema.md` 与 `docs/changelog.md`（V1.4–V1.7）为准。
 
 ---
 
@@ -41,7 +39,6 @@ exam_paper ──< exam_record   (paper_id)
 | `course` | `category`, `status`, `related_product_id` | BTREE | 同上 |
 | `media_file` | `status`, `submitter_id`, `(bind_type, bind_id)`, `extracted` | BTREE | 审批列表、绑定查询、提取状态 |
 | `knowledge_chunk` | `media_file_id` | BTREE | 关联查询 |
-| `knowledge_chunk` | `content` | **FULLTEXT** | AI 知识检索（MySQL 全文索引） |
 | `question` | `domain`, `course_id`, `status` | BTREE | 知识域筛选、课程筛选 |
 | `exam_paper` | `type`, `status` | BTREE | 考试类型筛选 |
 | `exam_record` | `user_id`, `paper_id`, `passed`, `submitted_at` | BTREE | 用户查记录、管理员查全部 |
@@ -49,30 +46,23 @@ exam_paper ──< exam_record   (paper_id)
 
 ## 4. AI 知识检索说明
 
-V1.1 使用 **MySQL 全文索引**（FULLTEXT）；现已升级为 **MySQL 全文索引（关键词）+ FAISS 向量检索（语义）双路混合召回**：
+Go 内 brute-force 余弦向量检索（Ollama bge-m3 embedding）+ 关键词兜底：
 
 ```sql
--- knowledge_chunk 表已建全文索引（关键词召回）
-FULLTEXT INDEX ft_kc_content (content)
-
--- 检索查询
-SELECT * FROM knowledge_chunk
-WHERE MATCH(content) AGAINST(:keywords IN NATURAL LANGUAGE MODE)
-LIMIT 10
+-- SQLite 原生，无全文索引，向量检索在 Go 层实现
+-- knowledge_chunk.content 字段存储文本，向量计算由 Go net/http 调用 Ollama
 ```
 
 **检索流程（当前）：**
-1. 用户提问 → 关键词 + embedding 向量
-2. MySQL FULLTEXT 关键词召回 + FAISS 语义向量召回，双路融合排序
+1. 用户提问 → embedding 向量（bge-m3）
+2. Go 遍历 knowledge_chunk.content 计算余弦距离（数据量小无需 ANN）
 3. 匹配段落作为上下文注入 LLM Prompt
 4. LLM 基于上下文生成回答
 
-> **演进说明：** V1.1 曾为避免 embedding 依赖而仅用全文索引；平台升级后引入 FAISS 补足语义召回，见 `docs/db_schema.md`。
-
 ## 5. 文件存储策略
 
 - **数据库只存元数据**，不存文件二进制
-- 物理文件存储在 `backend/data/media/`
+- 物理文件存储在 `data/media/`
 - 目录结构：
   ```
   data/media/