feat: Спринт 1 — RAG-ядро, загрузка wiki и Debug UI

FastAPI + ChromaDB + E5-large + DeepSeek по паттерну work-pcs-dr-cdss,
адаптированному под пациентский контекст:

- services: embeddings (E5-large с префиксами), vectorstore (коллекция
  operators_wiki), document_processor (PDF/DOCX/TXT/MD + чанкер с FAQ-
  паттерном под wiki), llm_client (системный промпт ассистента клиники),
  rag_pipeline (одиночный вопрос → retrieval → ответ).
- routers: /health, /documents (upload, list, chunks, delete), /query.
- static/index.html: шапка со статусом, блок базы знаний с раскрытием
  чанков по клику, блок тест-вопроса с 3-колоночным ответом
  (чанки со score / собранный промпт / ответ LLM).
- Порт 8003 (8001 занят CDSS, 8002 — voicenote).

E2E проверен: загрузка wiki_test.md → 2 чанка, вопрос «как записать
ребёнка к лору?» → top score 84.8%, корректный ответ DeepSeek.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

services/rag_pipeline.py

@@ -0,0 +1,52 @@
+import logging
+
+from services.llm_client import LLMClient
+from services.vectorstore import VectorStoreService
+
+logger = logging.getLogger(__name__)
+
+
+async def rag_query(
+    vectorstore: VectorStoreService,
+    llm_client: LLMClient,
+    question: str,
+    top_k: int = 5,
+    document_ids: list[str] | None = None,
+    temperature: float | None = None,
+    max_tokens: int | None = None,
+) -> dict:
+    """Pipeline: retrieve → augment → generate для одиночного вопроса пациента."""
+    logger.info("RAG query: %s", question[:200])
+
+    retrieved = vectorstore.query(
+        query_text=question,
+        top_k=top_k,
+        document_ids=document_ids,
+    )
+    logger.info("Retrieved %d chunks", len(retrieved))
+
+    llm_result = await llm_client.answer(
+        question=question,
+        sources=retrieved,
+        temperature=temperature,
+        max_tokens=max_tokens,
+    )
+
+    sources = []
+    for item in retrieved:
+        meta = item.get("metadata", {})
+        sources.append({
+            "document_id": meta.get("document_id", ""),
+            "document_name": meta.get("document_name", ""),
+            "chunk_text": item["text"][:500],
+            "section": meta.get("section", ""),
+            "page": meta.get("page_number", 0),
+            "relevance_score": round(item.get("relevance_score", 0), 3),
+        })
+
+    return {
+        "answer": llm_result["text"],
+        "sources": sources,
+        "model_used": llm_client.model,
+        "assembled_prompt": llm_result["assembled_prompt"],
+    }