ADR-003: 搜索改为「本地粗筛 + LLM 精排」，向量检索暂缓

Context

用户反馈 AI 搜索慢、语义识别弱、中文降级搜索失效。根因：每次搜索把全量书签（≤500 条，含完整摘要）JSON 序列化进 prompt（数万 token），LLM prefill 是延迟大头；降级关键词搜索无中文分词。

业界调研结论（Google/Chrome omnibox/Raycast/Perplexity/Raindrop/mymind/Karakeep）：没有产品把 LLM 放在搜索关键路径读全库；标准架构 = 写入时 AI 理解内容 → 查询时本地毫秒级检索 → LLM 只精排 top-N。

✅ 真语义召回（零字面重叠也能命中）
❌ DeepSeek 无 /embeddings 端点，需独立 embedding 厂商配置 + 探测降级设计
❌ 换厂商需全量重建向量；工程量约为选项 A 的两倍
说明：不涉及向量数据库——512 维 Float32Array（~2KB/条）存现有 IndexedDB，查询时本地暴力余弦（几千条 <10ms），零运维；1000 条一次性向量化成本 <¥0.2

采纳 A，B 作为后续扩展（触发时机：书签量 >1000 或纯语义查询失败率明显——即《02 · AI能力说明》P1 规划节奏）。C 否决。

为 B 预留的接口：localIndex.buildCandidates() 是唯一候选源出口，向量召回未来作为第二路并联（RRF 按排名融合），LLM 精排链路无需改动。