docs(wiki): 重构为模块化知识库 — 按模块组织而非按文档类型

问题: 旧 wiki 按文档类型组织（architecture/data-flows/file-map），
修复 Butler Router 需要读 4 个文件才能拼凑全貌。
且 SaaS Relay 主路径 vs 本地降级的优先级描述不准确。

重构为模块化结构，每个模块页自包含：
- 设计思想: 为什么这样设计
- 代码逻辑: 数据流 + 关键代码
- 关联模块: 依赖关系

新增模块页:
- routing.md: 客户端路由 (明确 SaaS Relay 是主路径，不是本地模式)
- chat.md: 聊天系统 (3种实现 + Token Pool 中转机制)
- butler.md: 管家模式 (路由/冷启动/痛点/双模式UI)
- memory.md: 记忆管道 (提取→FTS5→检索→注入)
- saas.md: SaaS平台 (认证/Token池/计费/Admin)
- middleware.md: 中间件链 (14层 + 优先级)
- hands-skills.md: Hands(9) + Skills(75)
- pipeline.md: Pipeline DSL

删除旧文件: architecture.md, data-flows.md, module-status.md, file-map.md
(内容已分布到对应模块页中)

添加 .gitignore 排除 Obsidian 工作区状态文件

wiki/memory.md

@@ -0,0 +1,106 @@
+---
+title: 记忆管道
+updated: 2026-04-11
+status: active
+tags: [module, memory, growth]
+---
+
+# 记忆管道 (Memory Pipeline)
+
+> 从 [[index]] 导航。关联模块: [[chat]] [[middleware]]
+
+## 设计思想
+
+**核心问题: LLM 无状态，每次对话都从零开始。需要从历史对话中积累知识。**
+
+设计决策:
+1. **闭环架构** — 对话 → 提取 → 索引 → 检索 → 注入，形成正向循环
+2. **FTS5 + TF-IDF** — 轻量级语义搜索，不依赖外部 embedding 服务
+3. **Token 预算控制** — 注入 system prompt 时有 token 上限，防止溢出
+4. **EmbeddingClient trait 已预留** — 接口已写，激活即可升级到向量搜索
+
+## 代码逻辑
+
+### 闭环数据流
+
+```
+[提取] 对话发生
+  → MemoryExtractor (crates/zclaw-growth/src/extractor.rs)
+    → LLM 提取: 偏好 (Preference) / 知识 (Knowledge) / 经验 (Experience)
+    → MemoryEntry { agent_id, memory_type, content, keywords, importance }
+
+[索引] 存储
+  → SqliteStorage.store() (crates/zclaw-growth/src/storage/sqlite.rs)
+    → SQLite + FTS5 全文索引
+    → TF-IDF 权重计算
+    → (可选) EmbeddingClient.embed() → 向量存储 [未激活]
+
+[检索] 查询时
+  → MemoryRetriever.retrieve(query, agent_id) (crates/zclaw-growth/src/retriever.rs)
+    → QueryAnalyzer: 意图分类 (Preference/Knowledge/Experience/Code/General)
+    → 中文+英文关键词提取 + CJK 支持 + 同义词扩展
+    → SemanticScorer: TF-IDF 匹配 (70% embedding / 30% TF-IDF, embedding 未激活)
+    → 返回 top-k 相关记忆
+
+[注入] 给 LLM
+  → PromptInjector.inject(system_prompt, memories) (crates/zclaw-growth/src/injector.rs)
+    → token 预算控制
+    → 格式化为结构化上下文块
+    → 插入到 system prompt 中
+```
+
+### 经验存储 (ExperienceStore)
+
+Hermes 管线 Chunk1 新增:
+
+```
+ExperienceStore (crates/zclaw-growth/src/experience_store.rs)
+  → CRUD 封装: pain → solution → outcome 结构化经验
+  → 底层使用 VikingAdapter
+  → URI scheme: agent://{agent_id}/experience/...
+```
+
+### 查询意图分类
+
+`QueryAnalyzer` 支持 5 种意图:
+
+| 意图 | 说明 | 检索策略 |
+|------|------|----------|
+| Preference | 用户偏好 | 精确匹配 preference 类型记忆 |
+| Knowledge | 知识查询 | 语义搜索 knowledge 类型 |
+| Experience | 经验检索 | 时间+相关性排序 |
+| Code | 代码相关 | 关键词优先 |
+| General | 通用 | 混合策略 |
+
+### Embedding 基础设施 (已写未激活)
+
+```
+EmbeddingClient trait (crates/zclaw-growth/src/retrieval/semantic.rs)
+  → async embed(&str) -> Vec<f32>
+  → is_available() -> bool
+  → 当前实现: NoOpEmbeddingClient (始终返回空)
+
+SaaS 侧:
+  → pgvector HNSW 索引就绪 (knowledge_chunks 表, vector(1536))
+  → generate_embedding Worker: 内容分块 + 中文关键词提取 (Phase 2 embedding deferred)
+```
+
+## 关联模块
+
+- [[chat]] — 对话是记忆的输入源
+- [[butler]] — 管家模式可能利用记忆提供个性化响应
+- [[middleware]] — 记忆注入通过中间件或 hook 实现
+
+## 关键文件
+
+| 文件 | 职责 |
+|------|------|
+| `crates/zclaw-growth/src/extractor.rs` | LLM 记忆提取 |
+| `crates/zclaw-growth/src/retriever.rs` | 语义检索 |
+| `crates/zclaw-growth/src/injector.rs` | Prompt 注入 (token 预算) |
+| `crates/zclaw-growth/src/experience_store.rs` | 经验 CRUD |
+| `crates/zclaw-growth/src/storage/sqlite.rs` | FTS5 + TF-IDF 核心 |
+| `crates/zclaw-growth/src/retrieval/semantic.rs` | EmbeddingClient trait |
+| `crates/zclaw-growth/src/retrieval/query.rs` | 意图分类 + CJK 关键词 |
+| `desktop/src/store/memoryStore.ts` | 前端记忆 UI |
+| `desktop/src-tauri/src/memory/` | Tauri 记忆命令桥接 |