feat(день2): экран верификации с предложениями + обучение, детектор переплаты

- очередь верификации: предложенный кандидат (топ эмбеддинг), подтвердить/другое/пропустить
- POST /match пополняет синонимы (learned_synonym) — обучающаяся нормализация
- сравнение: медиана + разброс цен + отклонение клиники (переплата/выгода)
- эмбеддер: дедуп названий + ретрай при 429 (квота Gemini)
- развёрнуто на med.secondbrain.tools

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

etl/normalize/embedding.py

@@ -43,6 +43,8 @@ class GeminiEmbedder:
         RETRIEVAL_QUERY: так несвязанные названия расходятся сильнее, чем при
         SEMANTIC_SIMILARITY, и порог отсечения работает надёжнее.
         """
+        import time
+
         from google.genai import types
 
         items = [t if t and t.strip() else " " for t in texts]
@@ -50,8 +52,16 @@ class GeminiEmbedder:
         vectors: list[list[float]] = []
         for start in range(0, len(items), self.batch):
             chunk = items[start : start + self.batch]
-            response = self._client.models.embed_content(model=self.model, contents=chunk, config=config)
-            vectors.extend(embedding.values for embedding in response.embeddings)
+            for attempt in range(8):
+                try:
+                    response = self._client.models.embed_content(model=self.model, contents=chunk, config=config)
+                    vectors.extend(embedding.values for embedding in response.embeddings)
+                    break
+                except Exception as exc:  # пауза и повтор при превышении квоты (429)
+                    if ("RESOURCE_EXHAUSTED" in str(exc) or "429" in str(exc)) and attempt < 7:
+                        time.sleep(20)
+                        continue
+                    raise
 
         array = np.array(vectors, dtype=np.float32)
         if normalize_embeddings: