[Enhancement] Evaluate code-aware embedding models (bge-m3, jina-v3)

[ngmks]

🏷️ Priorité : BASSE | Type : Enhancement / Research

Contexte

Le fork utilise facebook/contriever comme modèle d'embedding par défaut (hérité de LEANN upstream). Contriever est entraîné sur Wikipedia/CC-News — pas optimisé pour du contenu conversationnel ni pour du code.

Pour des sessions Claude Code (mélange conversation + code + tool usage), un modèle code-aware serait significativement meilleur.

Modèles à évaluer

Modèle	Dims	Forces	Source
BAAI/bge-m3	1024	Multilingue + code, bien benchmarké	HuggingFace
jinaai/jina-embeddings-v3	1024	Code + conversation, très bon pour mixed content	HuggingFace
nomic-embed-text-v2	768	Léger, rapide, bon rapport qualité/vitesse	HuggingFace
Salesforce/SFR-Embedding-2_R	4096	SOTA code, mais lourd	HuggingFace

Benchmark proposé

1. Créer un jeu de test de 50 requêtes sur des sessions Claude Code réelles
2. Indexer avec chaque modèle
3. Mesurer : recall@5, recall@10, latence, RAM
4. Comparer à Contriever comme baseline

Impact attendu

Amélioration de la pertinence des résultats de recherche sur les sessions Claude Code, surtout pour :

• Requêtes mixtes code + texte
• Recherche de patterns de code spécifiques
• Recherche dans du contenu multilingue

Notes

• Le modèle est configurable via --embedding-model, donc pas de changement breaking
• Juste mettre à jour le défaut dans claude_code_rag.py ligne 49
• Voir issue [Bug] No embedding model validation on incremental index update #4 pour la validation de cohérence embedding model