feat(gpu): Qdrant как векторный бэкенд под флагом — снимает SPOF FAISS

FAISS-индекс — файловый синглтон в RAM одного воркера (save на каждую запись,
без блокировок, без HA, не горизонтален). Добавлен альтернативный бэкенд Qdrant
с тем же classmethod-интерфейсом, выбор через VECTOR_BACKEND — аддитивно и
безопасно: дефолт остаётся faiss, ничего не ломается, пока не переключат.

- app/qdrant_manager.py — search/add_vectors/save(no-op)/total_vectors поверх
  qdrant-client (коллекция Cosine, id точки = doc_id, upsert идемпотентен);
- app/vector_store.py — get_backend() по настройке; задачи search/plagiarism
  переведены на него (больше не импортируют FAISSManager напрямую);
- app/migrate_faiss_to_qdrant.py — перелив существующих векторов (reconstruct
  из IndexIDMap2 → upsert), идемпотентно;
- docker-compose.prod.yml — сервис qdrant под профилем `qdrant` (по умолчанию не
  поднимается, ресурсов не ест) + volume; README — раздел про переключение.

Тесты (9) гоняют QdrantManager против ВСТРОЕННОГО Qdrant (qdrant-client :memory:,
не моки) + диспетчеризацию бэкенда. Всего тестов: 82 (indexer 24, gost 24, gpu 34).
Плюсы Qdrant активируются только после явного переключения + миграции.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

services/worker-gpu/app/qdrant_manager.py

@@ -0,0 +1,104 @@
+"""Менеджер векторного индекса на Qdrant — альтернатива FAISSManager.
+
+Тот же classmethod-интерфейс (search / add_vectors / save / total_vectors), но
+вместо файлового синглтона в RAM одного воркера — сетевой сервис Qdrant. Это:
+- снимает единую точку отказа (индекс живёт отдельно от воркера);
+- допускает конкурентную запись из нескольких воркеров (upsert по doc_id);
+- масштабируется горизонтально и переживает рестарт воркера без перезагрузки.
+
+Дистанция — Cosine; эмбеддинги нормированы, id точки = doc_id из PostgreSQL,
+поэтому поиск сразу возвращает doc_id. Включается через VECTOR_BACKEND=qdrant.
+"""
+
+import logging
+
+import numpy as np
+
+from app.config import settings
+
+logger = logging.getLogger(__name__)
+
+
+class QdrantManager:
+    """Синглтон-обёртка над коллекцией Qdrant (интерфейс как у FAISSManager)."""
+
+    COLLECTION = settings.QDRANT_COLLECTION
+
+    _client = None
+    _ready = False
+
+    @classmethod
+    def _get_client(cls):
+        """Ленивое подключение к Qdrant (или заранее внедрённый клиент в тестах)."""
+        if cls._client is None:
+            from qdrant_client import QdrantClient
+
+            cls._client = QdrantClient(url=settings.QDRANT_URL, timeout=30)
+        return cls._client
+
+    @classmethod
+    def _ensure(cls):
+        """Гарантировать существование коллекции нужной размерности/дистанции."""
+        client = cls._get_client()
+        if cls._ready:
+            return client
+
+        from qdrant_client.models import Distance, VectorParams
+
+        if not client.collection_exists(cls.COLLECTION):
+            client.create_collection(
+                collection_name=cls.COLLECTION,
+                vectors_config=VectorParams(
+                    size=settings.EMBED_DIM, distance=Distance.COSINE
+                ),
+            )
+            logger.info(f"Создана коллекция Qdrant {cls.COLLECTION!r} (dim={settings.EMBED_DIM})")
+        cls._ready = True
+        return client
+
+    @classmethod
+    def search(cls, query_vector: np.ndarray, k: int = 20) -> list[tuple[int, float]]:
+        """Поиск k ближайших векторов. Возвращает [(doc_id, cosine_score), ...]."""
+        client = cls._ensure()
+        vec = np.asarray(query_vector, dtype=np.float32).reshape(-1).tolist()
+        try:
+            res = client.query_points(collection_name=cls.COLLECTION, query=vec, limit=k)
+            return [(int(p.id), float(p.score)) for p in res.points]
+        except Exception as e:
+            logger.error(f"Ошибка поиска Qdrant: {e}")
+            return []
+
+    @classmethod
+    def add_vectors(cls, vectors: np.ndarray, doc_ids: list[int]) -> None:
+        """Upsert векторов по doc_id (идемпотентно: повторная запись перезаписывает)."""
+        if len(doc_ids) == 0:
+            return
+        client = cls._ensure()
+
+        from qdrant_client.models import PointStruct
+
+        vectors = np.asarray(vectors, dtype=np.float32)
+        points = [
+            PointStruct(id=int(doc_id), vector=vectors[i].tolist())
+            for i, doc_id in enumerate(doc_ids)
+        ]
+        client.upsert(collection_name=cls.COLLECTION, points=points)
+        logger.info(f"Upsert {len(points)} векторов в Qdrant. Всего: {cls.total_vectors()}")
+
+    @classmethod
+    def save(cls) -> None:
+        """No-op: Qdrant персистит данные на своей стороне."""
+
+    @classmethod
+    def total_vectors(cls) -> int:
+        """Количество точек в коллекции."""
+        try:
+            return cls._ensure().count(collection_name=cls.COLLECTION).count
+        except Exception:
+            return 0
+
+    @classmethod
+    def _reset(cls) -> None:
+        """Сбросить клиент и флаг готовности (для тестов)."""
+        cls._client = None
+        cls._ready = False