fix: improve note interactions and markdown LaTeX support

## Bug Fixes

### Note Card Actions
- Fix broken size change functionality (missing state declaration)
- Implement React 19 useOptimistic for instant UI feedback
- Add startTransition for non-blocking updates
- Ensure smooth animations without page refresh
- All note actions now work: pin, archive, color, size, checklist

### Markdown LaTeX Rendering
- Add remark-math and rehype-katex plugins
- Support inline equations with dollar sign syntax
- Support block equations with double dollar sign syntax
- Import KaTeX CSS for proper styling
- Equations now render correctly instead of showing raw LaTeX

## Technical Details

- Replace undefined currentNote references with optimistic state
- Add optimistic updates before server actions for instant feedback
- Use router.refresh() in transitions for smart cache invalidation
- Install remark-math, rehype-katex, and katex packages

## Testing

- Build passes successfully with no TypeScript errors
- Dev server hot-reloads changes correctly

_bmad-output/implementation-artifacts/3-2-recherche-semantique-par-intention.md

@@ -0,0 +1,47 @@
+# Story 3.2: Recherche Sémantique par Intention
+
+Status: ready-for-dev
+
+## Story
+
+As a user,
+I want to search for notes using natural language concepts,
+So that I can find information even if I don't remember the exact words.
+
+## Acceptance Criteria
+
+1. **Given** a search query in the search bar.
+2. **When** the search is executed.
+3. **Then** the system generates an embedding for the query via the AI Provider.
+4. **And** the system calculates the cosine similarity between the query embedding and all note embeddings in memory.
+5. **And** notes with high similarity (e.g., > 0.7) are returned even without keyword matches.
+
+## Tasks / Subtasks
+
+- [ ] Implémentation de la fonction de Similarité Cosinus (AC: 4)
+  - [ ] Créer une fonction utilitaire `cosineSimilarity(vecA, vecB)`
+- [ ] Mise à jour de `searchNotes` dans `actions/notes.ts` (AC: 1, 2, 3, 4)
+  - [ ] Générer l'embedding de la requête utilisateur
+  - [ ] Récupérer toutes les notes avec leurs embeddings
+  - [ ] Calculer le score sémantique pour chaque note
+- [ ] Logique de Ranking (AC: 5)
+  - [ ] Filtrer les résultats par un seuil de similarité
+  - [ ] Trier par score décroissant
+- [ ] Optimisation
+  - [ ] Mettre en cache les embeddings des notes en mémoire pour éviter le parsing JSON répétitif
+
+## Dev Notes
+
+- **Algorithme :** La similarité cosinus est le produit scalaire divisé par le produit des normes.
+- **Hybridité :** Cette story se concentre sur la partie sémantique. La story 3.3 s'occupera de la fusion propre avec la recherche textuelle (SQL LIKE).
+- **Performance :** Le calcul de similarité pour 1000 notes prend environ 1ms en JS.
+
+## Dev Agent Record
+
+### Agent Model Used
+
+### Debug Log References
+
+### Completion Notes List
+
+### File List