feat(short): generación y render de Shorts vía shortsmith

Añade /generate short_en y /short_spec. El pipeline genera un shot spec
con Haiku, verifica cada cifra, fecha y cita contra los chunks de la
sesión, lo renderiza en shortsmith y entrega el MP4 por Telegram junto
a un informe de claims.

- ShortsmithClient con sondeo y fallback al spec JSON si el render falla
- Contrato de plantillas obtenido de GET /templates, no codificado
- Comprobación de fundamento determinista, sin LLM
- outputs.published_url para enlazar el artículo de Ghost
- Normalización de comillas rectas a tipográficas (ver KNOWN-ISSUES.md)

Lo que no aparece en los chunks se contrasta contra el ejemplo del
prompt: si casa ahí es fuga, no invención, y se informa como tal. El
purgado de sesiones se lleva también su MP4.

La subida a YouTube queda fuera a propósito: fase 3.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

src/processor/processor.py

@@ -442,6 +442,24 @@ class ContentProcessor:
         """
         Retrieve most relevant chunks for a query using embeddings + keyword fallback
         """
+        top_chunks = await self.rag_chunks(session_id, query, top_k)
+
+        # Build context
+        context_parts = []
+        for chunk in top_chunks:
+            source_label = f"[{chunk.get('source_type', 'web').upper()}] {chunk.get('title', 'Unknown')}"
+            context_parts.append(f"{source_label}:\n{chunk['content']}")
+
+        return "\n\n---\n\n".join(context_parts)
+
+    async def rag_chunks(self, session_id: int, query: str,
+                         top_k: int = 20) -> list[dict]:
+        """Los chunks en sí, no el contexto ya montado.
+
+        Mismo ranking que `rag_query` (que ahora llama aquí). Hace falta para el
+        comprobador de fundamento: comprueba contra EXACTAMENTE el material que
+        se le pasó al modelo, y para eso necesita las filas, con su `url`.
+        """
         # Get query embedding
         query_embedding = await self.ollama.embed(query)
 
@@ -462,15 +480,7 @@ class ContentProcessor:
                 scored.append((sim * 0.7 + chunk["quality_score"] * 0.3, chunk))
 
             scored.sort(key=lambda x: x[0], reverse=True)
-            top_chunks = [c for _, c in scored[:top_k]]
-        else:
-            # Fallback: just use quality score
-            top_chunks = chunks[:top_k]
+            return [c for _, c in scored[:top_k]]
 
-        # Build context
-        context_parts = []
-        for chunk in top_chunks:
-            source_label = f"[{chunk.get('source_type', 'web').upper()}] {chunk.get('title', 'Unknown')}"
-            context_parts.append(f"{source_label}:\n{chunk['content']}")
-
-        return "\n\n---\n\n".join(context_parts)
+        # Fallback: just use quality score
+        return chunks[:top_k]