feat(retrieval): Hybrid Ranking BM25 + Vector + RRF Fusion

[KniggeMS]

Ziel

Kombination von Keyword-Suche (BM25) und semantischer Suche (Vektor) via Reciprocal Rank Fusion für deutlich bessere Recall-Qualität.

Aufgaben

• searchAndSortFragments() zu Hybrid-Funktion umbauen
• RRF-Score implementieren: score = 1/(k+bm25_rank) + 1/(k+vector_rank) + trust_boost
• Parallele Ausführung beider Suchen
• Top-K Fusion und Re-Ranking
• Benchmark: Recall@5 vor/nach Vergleich

Referenz

Siehe docs/architecture/retrieval.md — RRF Fusion Abschnitt

Akzeptanzkriterien

• Recall@5 >= 0.80 auf Test-Dataset
• Bestehende Tests bleiben grün
• Performance-Regression < 10ms gegenüber FTS5-only