feat(evaluation): 成稿 100 分 rubric、证据评审与评测台调整

- 回忆录细项上限收紧为合计 100 分，去掉 110 折算与 raw_dimension_total
- judge_memoir 拼接原始访谈与可选导出基线；无证据时提示保守打真实性相关分
- 自动评测 run 与手动章节/故事评审统一带 transcript 证据（会话/用户聚合、截断）
- 访谈打分仍为情绪强化版 15 细项、总分 100
- 评测台默认基准改为 zuckxu 导出 MD；移除逐轮用户句对齐表及相关逻辑
- 新增 judge schema 与 memoir prompt 组装的单元测试

api/app/features/evaluation/rubrics/conversation_v1.py

@@ -1,31 +1,60 @@
-"""对话评审 rubric 文本（v1）。"""
+"""对话评审 rubric 文本（v1 · 访谈「情绪强化版」100 分）。"""
 
-TURN_JUDGE_INSTRUCTIONS = """你是「岁月留书」访谈对话质量评审。根据下面维度给本轮 AI 回复打分（0-100 为 total_score，各子分上限已注明，子分之和应与 total_score 大体一致）。
+_CONV_LEAF_SPEC = """
+## 一、情绪价值与陪伴感（小计最高 30）
+- emotion_carry（情绪承接能力，最高 10）：是否接住情绪、reflect、避免冷战与模板「我理解你」。
+- empathy_depth（共情深度，最高 8）：情绪类型是否准、语境贴合、非空洞安慰。
+- emotion_safety（情绪安全感，最高 6）：非评判、尊重、敏感话题语气、可跳过。
+- emotion_guidance（情绪引导能力，最高 6）：引导感受、关键节点追问情绪、表达更具体。
 
-维度（参考）：
-- 情绪承接与共情（emotion_score，最高 30）
-- 信息获取与追问（information_score，最高 20）
-- 结构化访谈推进（structure_score，最高 10）
-- 提问质量（question_score，最高 10）
-- 人物理解与一致性（persona_score，最高 10）
-- 重复抑制（repetition_score，最高 10）：是否重复了上 1～2 轮已问过的问题或同一资料槽；高度重复则低分
-- 自然流畅（naturalness_score，最高 10）：是否像朋友聊天；有无不必要采访腔、总结腔、流程感
+## 二、信息获取能力（小计最高 25）
+- fact_mining（关键事实挖掘，最高 8）
+- info_completeness_guide（信息完整性引导，最高 8）
+- info_depth_mining（信息深度挖掘，最高 9）：为何、动机与影响。
 
-输出 JSON：**json** 字段名如下：
-total_score, emotion_score, information_score, structure_score, question_score, persona_score, repetition_score, naturalness_score, rationale
+## 三、人物建模能力（小计最高 15）
+- persona_understanding（人物理解，最高 7）
+- persona_consistency_verify（人物一致性验证，最高 4）：矛盾澄清。
+- persona_expression_guide（人物表达引导，最高 4）：「你是谁」层面。
 
-只输出 JSON。"""
+## 四、结构化引导（小计最高 15）
+- interview_structure（访谈结构，最高 6）：阶段与逻辑。
+- context_memory（上下文记忆，最高 5）：关联前文；**重复盘问、同一槽位反复**在此项扣分。
+- rhythm_control（节奏控制，最高 4）：自然；**采访腔、总结腔、流程感**在此项与情绪项综合体现。
+
+## 五、提问质量（小计最高 15）
+- question_quality（问题质量，最高 7）：开放、具体。
+- follow_up_depth（追问能力，最高 5）
+- non_leading（非引导性，最高 3）
+
+输出 JSON 字段（仅这些键；务必含 rationale）：
+emotion_carry, empathy_depth, emotion_safety, emotion_guidance,
+fact_mining, info_completeness_guide, info_depth_mining,
+persona_understanding, persona_consistency_verify, persona_expression_guide,
+interview_structure, context_memory, rhythm_control,
+question_quality, follow_up_depth, non_leading,
+total_score, rationale
+
+`total_score` 必须等于上述 15 个细项之和（满分 100）。
+聚合分 emotion_score、information_score、persona_score、structure_score、question_score 可不填（服务端会重算）。
+只输出 JSON。
+"""
 
 
-CONV_JUDGE_INSTRUCTIONS = """你是访谈整段对话评审。给定完整 transcript（用户与 AI 多轮），打一个综合 total_score（0-100）。
+TURN_JUDGE_INSTRUCTIONS = (
+    "你是「岁月留书」访谈对话质量评审，按下列 **情绪强化版** rubric 为本轮 AI 回复打分。\n"
+    + _CONV_LEAF_SPEC
+)
 
-dimension_scores 建议至少包含：emotion, information, structure, repetition, naturalness（各 0-100 相对分量即可），用于反映整段是否重复盘问、是否自然；另可有 rationale。
 
-只输出 JSON：total_score, dimension_scores, rationale。"""
+CONV_JUDGE_INSTRUCTIONS = (
+    "你是访谈整段对话评审。给定完整 transcript（用户与 AI 多轮），按与单轮**相同**的 15 项细项与满分上限，"
+    "对**整段对话表现**打一次分；`total_score` 为细项之和（100）。\n" + _CONV_LEAF_SPEC
+)
 
 
 COMPARE_CONV_STREAM_HINT = """你是访谈对话评测专家。下面给出一份「回放/新测」完整对话 transcript 及其整体评分（JSON）。请用中文直接写正文（不要用 JSON）：
-1) 对这段对话的整体评价与风险点；
+1) 对这段对话的整体评价与风险点（对照情绪承接、信息挖掘、人物、结构、提问质量等）；
 2) 可操作的改进建议（提示词、流程、模型参数等）。
 
 笔调简洁、可执行。"""

api/app/features/evaluation/rubrics/memoir_v1.py

@@ -1,11 +1,73 @@
-"""回忆录成稿评审 rubric 文本（v1）。"""
+"""回忆录成稿评审 rubric 文本（v1 · 子项上限合计 100 分制）。
 
-MEMOIR_JUDGE_INSTRUCTIONS = """你是「岁月留书」回忆录成稿评审。根据真实性与覆盖、信息质量、叙事结构、语言文笔、情感、人物、连贯性、表达丰富度、出版就绪等，给出分项分（上限与 total_score 满分 100 一致）。
+说明：原产品表九个大类上限之和为 110；本 rubric 将各细项上限整档收紧，使九类小计之和为 100，
+便于与 `total_score` 直接一致，无需再折算。
+"""
 
-输出 JSON 字段：
-total_score,
-authenticity_score, information_score, narrative_score, language_score,
-emotion_score, character_score, coherence_score, richness_score, publish_ready_score,
-rationale
+_MEMOIR_RUBRIC_BODY = """
+你必须按下列一级维度与子项及其**满分上限**打分；**全部细项得分之和须等于 `total_score`，且满分合计为 100**。
 
+## 一、真实性与覆盖（小计最高 23）
+1. mem_fidelity（记忆忠实度，最高 9）：hallucination、夸大/弱化/改写、因果关系、未证实推测、AI 补全编造。
+2. mem_factual_accuracy（事实准确性，最高 5）：时间、人物关系、顺序、内部矛盾、数值细节。
+3. mem_factual_coverage（事实覆盖率，最高 5）：关键/高情感事件、关键人物与细节是否遗漏。
+4. mem_traceability（记忆可追溯性，最高 4）：与原始对话映射、来源模糊、证据与语义保持。
+
+## 二、信息质量（小计最高 14）
+5. info_slot_coverage（槽位覆盖度，最高 6）
+6. info_sufficiency（信息充分性，最高 4）
+7. info_density（信息密度，最高 4）
+
+## 三、叙事结构（小计最高 14）
+8. narr_structure（故事结构，最高 6）
+9. narr_paragraphs（段落组织，最高 5）
+10. narr_pacing（节奏控制，最高 3）
+
+## 四、语言与文笔（小计最高 18）
+11. lang_fluency（语言流畅度，最高 3）
+12. lang_conciseness（表达精炼度，最高 3）
+13. lang_literary（文笔质量，最高 4）
+14. lang_controlled_expansion（控制性扩写，最高 4）
+15. lang_detail（细节还原与强化，最高 2）
+16. lang_style（风格一致性，最高 2）
+
+## 五、情感表达（小计最高 9）
+17. emo_authenticity（情感真实度，最高 5）
+18. emo_depth（情感深度，最高 4）
+
+## 六、人物建模（小计最高 9）
+19. char_understanding（人物理解，最高 4）
+20. char_consistency（人物一致性，最高 3）
+21. char_integration（人物融入度，最高 2）
+
+## 七、连贯性（小计最高 4）
+22. coh_timeline（时间线一致性，最高 2）
+23. coh_cross_chapter（跨章节关联，最高 2）
+
+## 八、表达丰富度（小计最高 5）
+24. rich_analogy（类比与引用，最高 3）
+25. rich_diversity（表达多样性，最高 2）
+
+## 九、出版就绪度（小计最高 4）
+26. pub_editorial_cost（编辑成本，最高 2）
+27. pub_completeness（完整度，最高 2）
+
+输出 JSON 字段（仅这些键；分值浮点；务必含 rationale 中文简述）：
+mem_fidelity, mem_factual_accuracy, mem_factual_coverage, mem_traceability,
+info_slot_coverage, info_sufficiency, info_density,
+narr_structure, narr_paragraphs, narr_pacing,
+lang_fluency, lang_conciseness, lang_literary, lang_controlled_expansion, lang_detail, lang_style,
+emo_authenticity, emo_depth,
+char_understanding, char_consistency, char_integration,
+coh_timeline, coh_cross_chapter,
+rich_analogy, rich_diversity,
+pub_editorial_cost, pub_completeness,
+total_score, rationale
+
+一级聚合分 authenticity_score、information_score、narrative_score、language_score、emotion_score、character_score、coherence_score、richness_score、publish_ready_score 可不填（服务端会按细项重算）。
 只输出 JSON。"""
+
+MEMOIR_JUDGE_INSTRUCTIONS = (
+    "你是「岁月留书」回忆录成稿评审，必须严格按照下列 rubric 打分。\n"
+    + _MEMOIR_RUBRIC_BODY
+)