feat(eval): internal-eval stack, judge fixes, and eval web overhaul

- Merge internal-eval into development.sh (single Celery/infra); internal-eval.sh
  wraps with LIFE_ECHO_WITH_INTERNAL_EVAL; EVAL_ATTACH_ONLY for attaching 8001
  when :8000 is already up; document in api/docs/internal-eval.md.
- Evaluation: transcript_for_judge, judge error surfacing, rubric/schema tweaks,
  execution_service and router updates; tests for judge and composite eval.
- Memory: ingest nested transaction for embedding/enrichment rollback safety.
- Conversation WS: logger.exception for pipeline errors (avoid loguru KeyError).
- app-eval-web: Playground saved replays, dialogue turns helper, hash user_id
  for Memoir; Memoir chapter baseline↔DB row compare with title heuristics;
  Stories page (#memoir-stories); Markdown + copy buttons; toolbar/panel UI;
  react-markdown; development proxy and fixture updates.

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

@@ -1,39 +1,71 @@
 """对话评审 rubric 文本（v1 · 访谈「情绪强化版」100 分）。"""
 
+_JUDGING_CHARTER = """
+## 评审总原则（必须遵守）
+- 只依据输入中**可核对**的事实与文本证据评分；不得臆测用户未说出的心理或背景。
+- **缺少证据不等于表现好**：某细项在当次输入中无法观察时，应保守给分，并把该维度记入 `insufficient_evidence`。
+- **各细项独立判断**：整体印象好不得普遍抬分；情绪承接好不得抵消信息浅或强引导。
+- **优美措辞、语气礼貌不得单独抬分**，除非该维度本身考察措辞/节奏且与证据一致。
+- 对严重问题（如明显冷处理情绪、强引导暗示答案、重复盘问同义信息）须在 `major_issues` 写明并可列入 `evidence_refs`。
+
+"""
+
+_TURN_SCOPE = """
+## 单轮评审范围
+- 重点评估**本轮 AI 回复**相对「截至上一轮节选」与「本轮用户句」是否得体。
+- 对强依赖**长程多轮**的细项（`interview_structure`、`context_memory` 中含跨多轮才可见的重复盘问累计）：  
+  若当前节选不足以判断，给**保守分**（倾向区间中低）并在 `insufficient_evidence` 说明「长程结构/跨轮重复证据不足」，**不得臆造**跨轮行为。
+- `emotion_carry`：只看**是否接住本轮用户情绪**；`rhythm_control`：只看本轮是否采访腔/机械总结/推进僵硬，不要把「没照顾到前几轮情绪」记在这里（那是长程，归入整段评审或保守分）。
+
+"""
+
+_CONV_SCOPE = """
+## 整段对话评审范围
+- 在**完整 transcript**上，对 AI **多轮轨迹**做一次 holistic 评分（仍为同一 15 细项）。
+- **聚合规则**：以「整段中**典型表现** + **最严重且反复出现的缺陷**」综合定档；若某维度在多轮中明显滑落，该维不得按最好一轮给满分。
+- 维度边界：`context_memory` 负责**重复盘问、前后矛盾追问、忽略已答信息**；`emotion_carry` 负责**情绪是否被接住**（不与采访腔混扣）；`rhythm_control` 负责**采访腔、总结腔、机械流程感**（本轮已承接情绪但仍像审讯，在此项体现）。
+
+"""
+
 _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。
+- emotion_carry（情绪承接能力，最高 10）：本轮/整段是否接住用户情绪、是否有 reflect、避免冷处理与空洞模板「我理解你」。**锚点**：0-3 完全忽略情绪或机械跳题；4-6 有回应但泛或偏快；7-9 贴合语境的承接+自然延伸。
+- empathy_depth（共情深度，最高 8）：情绪类型与强度是否对、是否空洞安慰。**不与 emotion_carry 重复扣分**：承接已做到时，此项看是否理解更细。
+- emotion_safety（情绪安全感，最高 6）：非评判、尊重、敏感话题柔化、可跳过。
+- emotion_guidance（情绪引导能力，最高 6）：是否引向更具体的感受与关键节点情绪。
 
 ## 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。
+- fact_mining（关键事实挖掘，最高 8）：事件、人物、时间地点等关键信息是否被问到或接住。
+- info_completeness_guide（信息完整性引导，最高 8）：是否补全断裂叙事、是否把碎片织成可理解片段。
+- info_depth_mining（信息深度挖掘，最高 9）：「为何、动机、影响」是否被推进。
 
 ## 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。
+- persona_understanding（人物理解，最高 7）：是否理解价值观、动机与人生主线信号。
+- persona_consistency_verify（人物一致性验证，最高 4）：矛盾是否被温和澄清。
+- persona_expression_guide（人物表达引导，最高 4）：是否引导「你是谁」层面表达。
 
 ## 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。
+- interview_structure（访谈结构，最高 6）：阶段/主题推进是否清晰（整段更明显；单轮不足则保守）。
+- context_memory（上下文记忆，最高 5）：是否关联前文；**重复盘问同一已答信息、忽略上文**在此项扣分（不在 rhythm 重复扣）。
+- rhythm_control（节奏控制，最高 4）：自然度；采访腔、总结腔、流程感。
 
 ## 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）
+- question_quality（问题质量，最高 7）：开放、具体、可答。
+- follow_up_depth（追问能力，最高 5）：顺势深问。
+- non_leading（非引导性，最高 3）：是否暗示「标准答案」或评判式预设。
 
-输出 JSON 字段（仅这些键；务必含 rationale）：
+输出 JSON 字段（仅这些键；细分项为浮点数；列表字符串尽量每条 ≤120 字；`rationale` 为简短中文总述）：
 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,
+major_strengths, major_issues, insufficient_evidence, evidence_refs, confidence, rationale
+
+`evidence_refs`：数组，每项为对象，字段 `dimension`（上列英文名之一）、`turn_index`（整数，对应输入中的 `[Turn k]` 的 k；未知用 -1）、`snippet`（≤120 字引用或简述）。
+
+`confidence`：0 到 1 之间小数，表示你对本次评分整体可信度（证据充分则偏高）。
 
 `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）。
@@ -42,14 +74,19 @@ total_score, rationale
 
 
 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"
+    "你是「岁月留书」访谈对话质量评审员：保守、证据优先、可复核。按下列 **情绪强化版** rubric 为本轮 AI 回复打分。\n"
+    + _JUDGING_CHARTER
+    + _TURN_SCOPE
     + _CONV_LEAF_SPEC
 )
 
 
 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
+    "你是「岁月留书」访谈**整段对话**质量评审员：保守、证据优先。给定带 `[Turn k]` 标记的完整 transcript，"
+    "按下列 15 项细项的满分上限，对 AI **多轮整体轨迹**打一次分；`total_score` 为细项之和（100）。\n"
+    + _JUDGING_CHARTER
+    + _CONV_SCOPE
+    + _CONV_LEAF_SPEC
 )
 
 

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

@@ -4,30 +4,40 @@
 便于与 `total_score` 直接一致，无需再折算。
 """
 
+_MEMOIR_CHARTER = """
+## 评审总原则（必须遵守）
+- **证据层级**：以【原始访谈/证据】为最高优先级判定真实性与覆盖；【参考基线/导出成稿】仅辅助对照，不得以基线对错代替证据对错。
+- 只依据输入中可核对的文字评分；不得臆测用户人生经历。
+- **缺少原文证据不等于「写得好」**：无证据或证据极短时，`mem_fidelity`、`mem_factual_coverage`、`mem_traceability` 等须保守，并在 `insufficient_evidence` 说明。
+- **文笔与结构不得抵消事实问题**：`lang_*`、`narr_*` 高分不得与明显编造、张冠李戴并存。
+- 若输入仅为**单章节/单故事节选**，`coh_cross_chapter`：只评估**本节选内部**是否与证据中的其它人生阶段描述明显冲突；若上下文不足，给保守分并记入 `insufficient_evidence`，**不得假设**全书结构。
+
+"""
+
 _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。
+1. mem_fidelity（记忆忠实度，最高 9）：**编造、夸大/弱化事实、改写因果、无证据推测、「AI 补全人生」**。锚点：出现两处以上未支撑的关键断言应显著拉低。
+2. mem_factual_accuracy（事实准确性，最高 5）：时间线、人物关系、顺序、**成稿内部**矛盾、数字细节；侧重「是否说错」。
+3. mem_factual_coverage（事实覆盖率，最高 5）：证据中的关键/高情感事件与人物是否被遗漏；侧重「是否漏掉」。
+4. mem_traceability（记忆可追溯性，最高 4）：成稿段落能否对应证据中的来源；模糊混写、无法判断出处在此项扣分。**与 mem_fidelity 区分**：此项侧重「能否指回证据」，fidelity 侧重「是否胡编内容」。
 
 ## 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）
+5. info_slot_coverage（槽位覆盖度，最高 6）：人物/事件/情绪/背景/转折等叙事要素在成稿中是否齐备（相对证据与章节主题）。
+6. info_sufficiency（信息充分性，最高 4）：关键事件是否有展开与因果，非一句话带过。
+7. info_density（信息密度，最高 4）：是否少水分、少重复套话；此项与 `lang_conciseness` 相关但不重复：此处看**信息价值**，彼处看**措辞精炼**。
 
 ## 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）
+8. narr_structure（故事结构，最高 6）：起承转合与主题单元是否清楚。
+9. narr_paragraphs（段落组织，最高 5）：段内主题单一、段间衔接。
+10. narr_pacing（节奏控制，最高 3）：详略与重点。
 
 ## 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）
+14. lang_controlled_expansion（控制性扩写能力，最高 4）：仅在证据边界内增强表达；新增未证实情节在此项与 `mem_fidelity` **同时**体现问题。
 15. lang_detail（细节还原与强化，最高 2）
 16. lang_style（风格一致性，最高 2）
 
@@ -42,7 +52,7 @@ _MEMOIR_RUBRIC_BODY = """
 
 ## 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）
+23. coh_cross_chapter（跨章节/跨片段关联，最高 2）：单节选评审时按上文「总原则」处理。
 
 ## 八、表达丰富度（小计最高 5）
 24. rich_analogy（类比与引用，最高 3）
@@ -52,7 +62,7 @@ _MEMOIR_RUBRIC_BODY = """
 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）：
+输出 JSON 字段（仅这些键；分值浮点；列表每项尽量 ≤120 字）：
 mem_fidelity, mem_factual_accuracy, mem_factual_coverage, mem_traceability,
 info_slot_coverage, info_sufficiency, info_density,
 narr_structure, narr_paragraphs, narr_pacing,
@@ -62,12 +72,18 @@ char_understanding, char_consistency, char_integration,
 coh_timeline, coh_cross_chapter,
 rich_analogy, rich_diversity,
 pub_editorial_cost, pub_completeness,
-total_score, rationale
+total_score,
+major_strengths, major_issues, insufficient_evidence, evidence_refs, confidence, rationale
+
+`evidence_refs`：数组，每项为对象，字段 `dimension`（上列 mem_* / info_* 等英文名之一）、`turn_index`（无对话轮次用 -1）、`snippet`（≤120 字引文或定位）。
+
+`confidence`：0 到 1 之间小数。
 
 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"
+    "你是「岁月留书」回忆录成稿评审员：保守、证据优先、可复核。必须严格按照下列 rubric 打分。\n"
+    + _MEMOIR_CHARTER
     + _MEMOIR_RUBRIC_BODY
 )