feat(kg): 实现 Phase 2 GraphRAG 融合功能

核心功能：
- 三层检索策略：向量检索（Milvus）+ 图检索（KG 服务）+ 融合排序
- LLM 生成：支持同步和流式（SSE）响应
- 知识库访问控制：knowledge_base_id 归属校验 + collection_name 绑定验证

新增模块（9个文件）：
- models.py: 请求/响应模型（GraphRAGQueryRequest, RetrievalStrategy, GraphContext 等）
- milvus_client.py: Milvus 向量检索客户端（OpenAI Embeddings + asyncio.to_thread）
- kg_client.py: KG 服务 REST 客户端（全文检索 + 子图导出，fail-open）
- context_builder.py: 三元组文本化（10 种关系模板）+ 上下文构建
- generator.py: LLM 生成（ChatOpenAI，支持同步和流式）
- retriever.py: 检索编排（并行检索 + 融合排序）
- kb_access.py: 知识库访问校验（归属验证 + collection 绑定，fail-close）
- interface.py: FastAPI 端点（/query, /retrieve, /query/stream）
- __init__.py: 模块入口

修改文件（3个）：
- app/core/config.py: 添加 13 个 graphrag_* 配置项
- app/module/__init__.py: 注册 kg_graphrag_router
- pyproject.toml: 添加 pymilvus 依赖

测试覆盖（79 tests）：
- test_context_builder.py: 13 tests（三元组文本化 + 上下文构建）
- test_kg_client.py: 14 tests（KG 响应解析 + PagedResponse + 边字段映射）
- test_milvus_client.py: 8 tests（向量检索 + asyncio.to_thread）
- test_retriever.py: 11 tests（并行检索 + 融合排序 + fail-open）
- test_kb_access.py: 18 tests（归属校验 + collection 绑定 + 跨用户负例）
- test_interface.py: 15 tests（端点级回归 + 403 short-circuit）

关键设计：
- Fail-open: Milvus/KG 服务失败不阻塞管道，返回空结果
- Fail-close: 访问控制失败拒绝请求，防止授权绕过
- 并行检索: asyncio.gather() 并发运行向量和图检索
- 融合排序: Min-max 归一化 + 加权融合（vector_weight/graph_weight）
- 延迟初始化: 所有客户端在首次请求时初始化
- 配置回退: graphrag_llm_* 为空时回退到 kg_llm_*

安全修复：
- P1-1: KG 响应解析（PagedResponse.content）
- P1-2: 子图边字段映射（sourceEntityId/targetEntityId）
- P1-3: collection_name 越权风险（归属校验 + 绑定验证）
- P1-4: 同步 Milvus I/O（asyncio.to_thread）
- P1-5: 测试覆盖（79 tests，包括安全负例）

测试结果：79 tests pass ✅

runtime/datamate-python/app/module/kg_graphrag/generator.py

@@ -0,0 +1,101 @@
+"""LLM 生成器。
+
+基于增强上下文（向量 + 图谱）调用 LLM 生成回答，
+支持同步和流式两种模式。
+"""
+
+from __future__ import annotations
+
+from collections.abc import AsyncIterator
+
+from pydantic import SecretStr
+
+from app.core.logging import get_logger
+
+logger = get_logger(__name__)
+
+_SYSTEM_PROMPT = (
+    "你是 DataMate 数据管理平台的智能助手。请根据以下上下文信息回答用户的问题。\n"
+    "如果上下文中没有相关信息，请明确说明。不要编造信息。"
+)
+
+
+class GraphRAGGenerator:
+    """GraphRAG LLM 生成器。"""
+
+    def __init__(
+        self,
+        *,
+        model: str = "gpt-4o-mini",
+        base_url: str | None = None,
+        api_key: SecretStr = SecretStr("EMPTY"),
+        temperature: float = 0.1,
+        timeout: int = 60,
+    ) -> None:
+        self._model = model
+        self._base_url = base_url
+        self._api_key = api_key
+        self._temperature = temperature
+        self._timeout = timeout
+        self._llm = None
+
+    @property
+    def model_name(self) -> str:
+        return self._model
+
+    @classmethod
+    def from_settings(cls) -> GraphRAGGenerator:
+        from app.core.config import settings
+
+        model = settings.graphrag_llm_model or settings.kg_llm_model
+        base_url = settings.graphrag_llm_base_url or settings.kg_llm_base_url
+        api_key = (
+            settings.graphrag_llm_api_key
+            if settings.graphrag_llm_api_key.get_secret_value() != "EMPTY"
+            else settings.kg_llm_api_key
+        )
+        return cls(
+            model=model,
+            base_url=base_url,
+            api_key=api_key,
+            temperature=settings.graphrag_llm_temperature,
+            timeout=settings.graphrag_llm_timeout_seconds,
+        )
+
+    def _get_llm(self):
+        if self._llm is None:
+            from langchain_openai import ChatOpenAI
+
+            self._llm = ChatOpenAI(
+                model=self._model,
+                base_url=self._base_url,
+                api_key=self._api_key,
+                temperature=self._temperature,
+                timeout=self._timeout,
+            )
+        return self._llm
+
+    def _build_messages(self, query: str, context: str) -> list[dict[str, str]]:
+        return [
+            {"role": "system", "content": _SYSTEM_PROMPT},
+            {
+                "role": "user",
+                "content": f"{context}\n\n用户问题: {query}\n\n请基于上下文中的信息回答。",
+            },
+        ]
+
+    async def generate(self, query: str, context: str) -> str:
+        """基于增强上下文生成回答。"""
+        messages = self._build_messages(query, context)
+        llm = self._get_llm()
+        response = await llm.ainvoke(messages)
+        return str(response.content)
+
+    async def generate_stream(self, query: str, context: str) -> AsyncIterator[str]:
+        """基于增强上下文流式生成回答，逐 token 返回。"""
+        messages = self._build_messages(query, context)
+        llm = self._get_llm()
+        async for chunk in llm.astream(messages):
+            content = chunk.content
+            if content:
+                yield str(content)