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/milvus_client.py

@@ -0,0 +1,135 @@
+"""Milvus 向量检索客户端。
+
+通过 pymilvus 连接 Milvus，对查询文本进行 embedding 后执行混合搜索，
+返回 top-K 文档片段。
+
+失败策略：fail-open —— Milvus 不可用时返回空列表 + 日志告警。
+"""
+
+from __future__ import annotations
+
+import asyncio
+
+from pydantic import SecretStr
+
+from app.core.logging import get_logger
+from app.module.kg_graphrag.models import VectorChunk
+
+logger = get_logger(__name__)
+
+
+class MilvusVectorRetriever:
+    """Milvus 向量检索器。"""
+
+    def __init__(
+        self,
+        *,
+        uri: str = "http://milvus-standalone:19530",
+        embedding_model: str = "text-embedding-3-small",
+        embedding_base_url: str | None = None,
+        embedding_api_key: SecretStr = SecretStr("EMPTY"),
+    ) -> None:
+        self._uri = uri
+        self._embedding_model = embedding_model
+        self._embedding_base_url = embedding_base_url
+        self._embedding_api_key = embedding_api_key
+        # Lazy init
+        self._milvus_client = None
+        self._embeddings = None
+
+    @classmethod
+    def from_settings(cls) -> MilvusVectorRetriever:
+        from app.core.config import settings
+
+        embedding_model = (
+            settings.graphrag_embedding_model
+            or settings.kg_alignment_embedding_model
+        )
+        return cls(
+            uri=settings.graphrag_milvus_uri,
+            embedding_model=embedding_model,
+            embedding_base_url=settings.kg_llm_base_url,
+            embedding_api_key=settings.kg_llm_api_key,
+        )
+
+    def _get_embeddings(self):
+        if self._embeddings is None:
+            from langchain_openai import OpenAIEmbeddings
+
+            self._embeddings = OpenAIEmbeddings(
+                model=self._embedding_model,
+                base_url=self._embedding_base_url,
+                api_key=self._embedding_api_key,
+            )
+        return self._embeddings
+
+    def _get_milvus_client(self):
+        if self._milvus_client is None:
+            from pymilvus import MilvusClient
+
+            self._milvus_client = MilvusClient(uri=self._uri)
+            logger.info("Connected to Milvus at %s", self._uri)
+        return self._milvus_client
+
+    async def has_collection(self, collection_name: str) -> bool:
+        """检查 Milvus 中是否存在指定 collection（防止越权访问不存在的库）。"""
+        try:
+            client = self._get_milvus_client()
+            return await asyncio.to_thread(client.has_collection, collection_name)
+        except Exception:
+            logger.exception("Milvus has_collection check failed for %s", collection_name)
+            return False
+
+    async def search(
+        self,
+        collection_name: str,
+        query: str,
+        top_k: int = 5,
+    ) -> list[VectorChunk]:
+        """向量搜索：embed query -> Milvus search -> 返回 top-K 文档片段。
+
+        Fail-open: Milvus 不可用时返回空列表。
+        """
+        try:
+            return await self._search_impl(collection_name, query, top_k)
+        except Exception:
+            logger.exception(
+                "Milvus search failed for collection=%s (fail-open, returning empty)",
+                collection_name,
+            )
+            return []
+
+    async def _search_impl(
+        self,
+        collection_name: str,
+        query: str,
+        top_k: int,
+    ) -> list[VectorChunk]:
+        # 1. Embed query
+        query_vector = await self._get_embeddings().aembed_query(query)
+
+        # 2. Milvus search（同步 I/O，通过 to_thread 避免阻塞事件循环）
+        client = self._get_milvus_client()
+        results = await asyncio.to_thread(
+            client.search,
+            collection_name=collection_name,
+            data=[query_vector],
+            limit=top_k,
+            output_fields=["text", "metadata"],
+            search_params={"metric_type": "COSINE", "params": {"nprobe": 16}},
+        )
+
+        # 3. 转换为 VectorChunk
+        chunks: list[VectorChunk] = []
+        if results and len(results) > 0:
+            for hit in results[0]:
+                entity = hit.get("entity", {})
+                chunks.append(
+                    VectorChunk(
+                        id=str(hit.get("id", "")),
+                        text=entity.get("text", ""),
+                        score=float(hit.get("distance", 0.0)),
+                        metadata=entity.get("metadata", {}),
+                    )
+                )
+        return chunks