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/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
 )