style: 统一代码风格并采用现代化类型注解

对整个代码库进行了一次全面的代码风格清理和现代化改造，主要包括：

- 移除了所有文件中多余的行尾空格。
- 将类型提示更新为 PEP 585 和 PEP 604 引入的现代语法（例如，使用 `list` 代替 `List`，使用 `|` 代替 `Optional`）。
- 清理了多个模块中未被使用的导入语句。
- 移除了不含插值变量的冗余 f-string。
- 调整了部分 `__init__.py` 文件中的 `__all__` 导出顺序，以保持一致性。

这些改动旨在提升代码的可读性和可维护性，使其与现代 Python 最佳实践保持一致，但未修改任何核心逻辑。

src/chat/knowledge/embedding_store.py

@@ -161,16 +161,16 @@ class EmbeddingStore:
         # 限制 chunk_size 和 max_workers 在合理范围内
         chunk_size = max(MIN_CHUNK_SIZE, min(chunk_size, MAX_CHUNK_SIZE))
         max_workers = max(MIN_WORKERS, min(max_workers, MAX_WORKERS))
-        
+
         semaphore = asyncio.Semaphore(max_workers)
         llm = LLMRequest(model_set=model_config.model_task_config.embedding, request_type="embedding")
         results = {}
-        
+
         # 将字符串列表分成多个 chunk
         chunks = []
         for i in range(0, len(strs), chunk_size):
             chunks.append(strs[i : i + chunk_size])
-        
+
         async def _process_chunk(chunk: list[str]):
             """处理一个 chunk 的字符串（批量获取 embedding）"""
             async with semaphore:
@@ -180,12 +180,12 @@ class EmbeddingStore:
                     embedding = await EmbeddingStore._get_embedding_async(llm, s)
                     embeddings.append(embedding)
                     results[s] = embedding
-                
+
                 if progress_callback:
                     progress_callback(len(chunk))
-                
+
                 return embeddings
-        
+
         # 并发处理所有 chunks
         tasks = [_process_chunk(chunk) for chunk in chunks]
         await asyncio.gather(*tasks)
@@ -418,22 +418,22 @@ class EmbeddingStore:
         # 🔧 修复：检查所有 embedding 的维度是否一致
         dimensions = [len(emb) for emb in array]
         unique_dims = set(dimensions)
-        
+
         if len(unique_dims) > 1:
             logger.error(f"检测到不一致的 embedding 维度: {unique_dims}")
             logger.error(f"维度分布: {dict(zip(*np.unique(dimensions, return_counts=True)))}")
-            
+
             # 获取期望的维度（使用最常见的维度）
             from collections import Counter
             dim_counter = Counter(dimensions)
             expected_dim = dim_counter.most_common(1)[0][0]
             logger.warning(f"将使用最常见的维度: {expected_dim}")
-            
+
             # 过滤掉维度不匹配的 embedding
             filtered_array = []
             filtered_idx2hash = {}
             skipped_count = 0
-            
+
             for i, emb in enumerate(array):
                 if len(emb) == expected_dim:
                     filtered_array.append(emb)
@@ -442,11 +442,11 @@ class EmbeddingStore:
                     skipped_count += 1
                     hash_key = self.idx2hash[str(i)]
                     logger.warning(f"跳过维度不匹配的 embedding: {hash_key}, 维度={len(emb)}, 期望={expected_dim}")
-            
+
             logger.warning(f"已过滤 {skipped_count} 个维度不匹配的 embedding")
             array = filtered_array
             self.idx2hash = filtered_idx2hash
-            
+
             if not array:
                 logger.error("过滤后没有可用的 embedding，无法构建索引")
                 embedding_dim = expected_dim