Vytvoř modul `vector_store.py`, který pomocí Qdrant zajistí ukládání a vyhledávání vektorových reprezentací textu (v češtině). 

Požadavky:
1. Funkce `init_vector_store(collection_name, embedding_dim)`: inicializuje nebo vytvoří kolekci v Qdrant (např. "emails"), nastaví parametry vektoru a distance metric (COSINE).
2. Funkce `embed_text(text)`: použije buď open-source `sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2` (384-dim) nebo prozatímně OpenAI embedding API (text-embedding-ada-002).
3. Funkce `index_email(email_data)`: z email_data vyrobí text pro embedding (předmět, tělo, přílohy…), uloží vektor + metadata do Qdrant.
4. Funkce `search_similar(query_text, top_n=3)`: vrátí nejpodobnější uložené záznamy (podle vektoru).
5. Přidej test (`if __name__ == "__main__":`) na init, indexování jedné ukázky (např. "Testovací email") a vyhledání podobnosti.

Nezapomeň ošetřit chybové stavy (např. nedostupný Qdrant). Komentáře a popisy piš česky.