feat: replay visuel VLM-first, worker séparé, package Léa, AZERTY, sécurité HTTPS

Pipeline replay visuel :
- VLM-first : l'agent appelle Ollama directement pour trouver les éléments
- Template matching en fallback (seuil strict 0.90)
- Stop immédiat si élément non trouvé (pas de clic blind)
- Replay depuis session brute (/replay-session) sans attendre le VLM
- Vérification post-action (screenshot hash avant/après)
- Gestion des popups (Enter/Escape/Tab+Enter)

Worker VLM séparé :
- run_worker.py : process distinct du serveur HTTP
- Communication par fichiers (_worker_queue.txt + _replay_active.lock)
- Le serveur HTTP ne fait plus jamais de VLM → toujours réactif
- Service systemd rpa-worker.service

Capture clavier :
- raw_keys (vk + press/release) pour replay exact indépendant du layout
- Fix AZERTY : ToUnicodeEx + AltGr detection
- Enter capturé comme \n, Tab comme \t
- Filtrage modificateurs seuls (Ctrl/Alt/Shift parasites)
- Fusion text_input consécutifs, dédup key_combo

Sécurité & Internet :
- HTTPS Let's Encrypt (lea.labs + vwb.labs.laurinebazin.design)
- Token API fixe dans .env.local
- HTTP Basic Auth sur VWB
- Security headers (HSTS, CSP, nosniff)
- CORS domaines publics, plus de wildcard

Infrastructure :
- DPI awareness (SetProcessDpiAwareness) Python + Rust
- Métadonnées système (dpi_scale, window_bounds, monitors, os_theme)
- Template matching multi-scale [0.5, 2.0]
- Résolution dynamique (plus de hardcode 1920x1080)
- VLM prefill fix (47x speedup, 3.5s au lieu de 180s)

Modules :
- core/auth/ : credential vault (Fernet AES), TOTP (RFC 6238), auth handler
- core/federation/ : LearningPack export/import anonymisé, FAISS global
- deploy/ : package Léa (config.txt, Lea.bat, install.bat, LISEZMOI.txt)

UX :
- Filtrage OS (VWB + Chat montrent que les workflows de l'OS courant)
- Bibliothèque persistante (cache local + SQLite)
- Clustering hybride (titre fenêtre + DBSCAN)
- EdgeConstraints + PostConditions peuplés
- GraphBuilder compound actions (toutes les frappes)

Agent Rust :
- Token Bearer auth (network.rs)
- sysinfo.rs (DPI, résolution, window bounds via Win32 API)
- config.txt lu automatiquement
- Support Chrome/Brave/Firefox (pas que Edge)

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

core/embedding/fusion_engine.py

@@ -125,18 +125,32 @@ class FusionEngine:
                       weights: Dict[str, float]) -> np.ndarray:
         """
         Fusion pondérée simple : somme pondérée des vecteurs
-        
+
         fused = w1*v1 + w2*v2 + w3*v3 + w4*v4
+
+        Les poids sont renormalisés en fonction des modalités effectivement
+        présentes, pour que la somme des poids effectifs = 1.0.
+        Exemple : si seuls image (0.5) et text (0.3) sont fournis,
+        les poids deviennent image=0.625, text=0.375.
         """
         # Initialiser vecteur résultat
         first_vector = next(iter(embeddings.values()))
         fused = np.zeros_like(first_vector, dtype=np.float32)
-        
-        # Somme pondérée
+
+        # Calculer la somme des poids des modalités présentes pour renormaliser
+        present_weight_sum = sum(
+            weights.get(modality, 0.0) for modality in embeddings
+        )
+
+        # Somme pondérée avec renormalisation
         for modality, vector in embeddings.items():
-            weight = weights.get(modality, 0.0)
-            fused += weight * vector
-        
+            raw_weight = weights.get(modality, 0.0)
+            if present_weight_sum > 1e-10:
+                effective_weight = raw_weight / present_weight_sum
+            else:
+                effective_weight = 1.0 / len(embeddings)
+            fused += effective_weight * vector
+
         return fused
     
     def _fuse_concat_projection(self,