feat(fam-edge): 闭集人物识别新增奶奶（成年女性按年龄段区分媳妇/奶奶）

家里从 4 人变成 5 人后，"媳妇=唯一成年女性"这条免费规则的前提被打破——
人物管理页面已经能看到一条 label="奶奶" 但从未稳定命中的记录（只出现过
1 次，特征都没落库），说明现在系统大概率把奶奶也误判成了媳妇。

先用免费的年龄段字段区分（老年=奶奶，其余=媳妇），不引入额外的模型调用
（区别于爷爷/爸爸那种"两个成年男性区分不开必须靠视觉比对参考图"的方案）
——如果后续观察发现年龄段判断不稳定导致误判，再考虑改成视觉比对。

新增 3 个单元测试覆盖（中年→媳妇/老年→奶奶/年龄段缺失默认媳妇），fam-edge
全量 142/142 通过。已部署 Oracle 并重启验证。

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

fam-edge/src/fam_edge/person_identifier.py

@@ -1,14 +1,15 @@
 """
-PersonIdentifier - 闭集人物识别（家里固定 4 个人：爷爷/爸爸/媳妇/汤圆）
+PersonIdentifier - 闭集人物识别（家里固定 5 个人：爷爷/爸爸/媳妇/奶奶/汤圆）
 
 背景（2026-08-22）: 原来靠大模型每次视频分析自己编的"人物A/B/C"临时 uid + 一段
 性别/年龄/衣着文字描述做跨视频合并，原理上就不可靠——文字描述会因光线/角度/换衣服
 对不上，反复出现张冠李戴（用户原话："现在的识别全是错的"）。人脸向量方案也验证
 过，家庭监控这种大广角/远距离/糊画面下同人内部相似度经常比不同人还低，此路不通。
 
-现在改成基于已知这个家庭只有 4 个固定成员的闭集规则：
-  - 汤圆（幼儿/儿童）、媳妇（唯一成年女性）：Gemini 每次分析已经会标性别/年龄段，
-    这两条命中率验证下来接近 100%，直接用，不需要额外模型调用。
+现在改成基于已知这个家庭固定成员的闭集规则：
+  - 汤圆（幼儿/儿童）、媳妇/奶奶（成年女性按年龄段区分：老年=奶奶，其余=媳妇，
+    2026-08-29 新增）：Gemini 每次分析已经会标性别/年龄段，命中率验证下来接近
+    100%，直接用，不需要额外模型调用。
   - 爷爷、爸爸（两个成年男性，纯外观规则/人脸向量都区分不开）：改用视觉大模型
     "看图比对"——给几张已确认身份的参考图 + 待判断的截图，直接问模型这是谁。
     实测 NVIDIA nemotron-omni 在留出测试集上 6/6 全对，Gemini flash-lite 7/8，

fam-edge/src/fam_edge/video_processor.py

@@ -203,7 +203,7 @@ class VideoProcessor:
         self.motion_keep_audio = bool(seg.get('keep_audio', True))
         self.motion_min_duration = float(seg.get('min_duration_sec', 1))
         self.motion_grace_sec = int(seg.get('unfinished_grace_sec', 10))
-        # 闭集人物识别（家里固定 4 人）：汤圆/媳妇 用性别年龄规则；爷爷/爸爸 用
+        # 闭集人物识别（家里固定 5 人）：汤圆/媳妇/奶奶 用性别年龄规则；爷爷/爸爸 用
         # person_identifier 视觉大模型比对，每片段每个 uid 只调一次
         self.person_identifier = PersonIdentifier(self.config.get('person_identifier', {}))
         adapters = build_adapters(self.config.get('models', []))
@@ -526,12 +526,19 @@ class VideoProcessor:
                                        norm_events: List[Dict]) -> Dict[str, tuple]:
         """闭集人物识别：返回 {uid: (canonical_name, source)}。
 
-        汤圆（幼儿/儿童特征）、媳妇（唯一成年女性）、赤膊成年人（家里只有爸爸
-        会赤膊）靠 Gemini 已经产出的性别/年龄/衣着字段直接判断（source='rule'），
-        验证过命中率接近 100%，不需要额外模型调用。爷爷/爸爸两个成年男性穿戴
-        整齐时外观规则/人脸向量都区分不开（验证过），改用视觉大模型比对参考图
+        汤圆（幼儿/儿童特征）、媳妇/奶奶（成年女性按年龄段区分：老年=奶奶，
+        其余=媳妇）、赤膊成年人（家里只有爸爸会赤膊）靠 Gemini 已经产出的
+        性别/年龄/衣着字段直接判断（source='rule'），验证过命中率接近
+        100%，不需要额外模型调用。爷爷/爸爸两个成年男性穿戴整齐时外观规则/
+        人脸向量都区分不开（验证过），改用视觉大模型比对参考图
         （source='auto_id'），每个 uid 只取本片段内最大 bbox 的一次出现判断
         一次，不逐事件重复调用。
+
+        2026-08-29 新增奶奶：家里从 4 人变成 5 人后，"媳妇=唯一成年女性"
+        这条规则的前提被打破了（现在有两个成年女性）。先用免费的年龄段
+        字段区分（老年=奶奶，参考 Gemini 对"爷爷"的判断也是老年）——如果
+        后续观察发现年龄段判断不稳定导致误判，再考虑改成跟爷爷/爸爸一样
+        的视觉比对方案。
         """
         resolved: Dict[str, tuple] = {}
         for uid, feats in uid_features.items():
@@ -541,7 +548,7 @@ class VideoProcessor:
             if age_band in ('幼儿', '儿童'):
                 resolved[uid] = ('汤圆', 'rule')
             elif gender == '女':
-                resolved[uid] = ('媳妇', 'rule')
+                resolved[uid] = ('奶奶' if age_band == '老年' else '媳妇', 'rule')
             elif gender == '男':
                 if any(k in clothing for k in self._SHIRTLESS_KEYWORDS):
                     resolved[uid] = ('爸爸', 'rule')