life-echo/api/docs/internal-eval.md

内部回归评测平台

与主 API（app/main.py）隔离进程部署，避免评测候选链路透出给消费者 App。

启动

推荐一条命令：./development.sh 默认启动主站（8000）、Celery、内部评测 API（默认 7999）、评测 Web（5174）；.env 中 OTEL_ENABLED=true 时并起 Grafana 且自动打开浏览器。./internal-eval.sh 仅为兼容转发。

	./development.sh（默认）
HTTP	主站 8000 + internal 7999
Celery	仅 一个 worker
评测 UI	open → http://127.0.0.1:5174/（OPEN_EVAL_WEB=0 可关）
可观测性	Grafana :48300（OPEN_OBSERVABILITY_UI=0 可关）

若 主站 + Celery 已在其他终端 由 ./development.sh 跑起来了，只在同一台机器上多开评测 HTTP 与前端、且 不再起第二份 Worker：

cd api
# 确保 .env.development / .env 含 INTERNAL_EVAL_API_KEY；:8000 已被主站监听
SKIP_INFRA=1 SKIP_INSTALL=1 EVAL_ATTACH_ONLY=1 ./development.sh

兼容旧写法：SKIP_CELERY=1 会映射为 EVAL_ATTACH_ONLY=1（仍要求 8000 已在监听）。

仅主业务、不要评测台：LIFE_ECHO_WITH_INTERNAL_EVAL=0 ./development.sh。

若只需 7999、不启主站 8000，见下文「手动 uvicorn」；不要用一键脚本。

默认会起 app-eval-web，并用系统浏览器打开评测台（http://127.0.0.1:5174/，与 Grafana 同为 open）。不要前端时设 START_EVAL_WEB=0；只要前端但不要弹窗时设 OPEN_EVAL_WEB=0。

数据库与主服务共用；需配置环境变量后启动专用进程：

cd api
export INTERNAL_EVAL_API_KEY='your-long-random-secret'
export INTERNAL_EVAL_ENABLE_DOCS=1   # 可选，开 /docs
# 评测评审（Playground / Memoir 手动的对话与成稿打分）
# 智谱：默认 EVAL_JUDGE_API_KEY，否则回退 ZHIPU_API_KEY
export EVAL_JUDGE_API_KEY='...'        # 可选
export EVAL_JUDGE_MODEL='glm-5'
# DeepSeek（API 模型名 deepseek-reasoner 即 R1）：与访谈主链路密钥一致，独立默认模型名
export DEEPSEEK_API_KEY='...'           # 选用 DeepSeek 评审时必填（或回退 LLM_API_KEY）
export EVAL_JUDGE_DEEPSEEK_MODEL='deepseek-reasoner'   # 可选
export EVAL_JUDGE_DEEPSEEK_CONTEXT_WINDOW_TOKENS='64000' # 可选；用于 transcript 截断，避免按 GLM 200K 估长

uv run uvicorn app.internal_main:internal_app --host 0.0.0.0 --port 8001

Celery worker 与主站共用（celery_app 已 include 回忆录等任务；不再包含已下线的 evaluation_tasks 实验批量跑批）。需 Phase1 / 叙事推进时请启动 worker：

uv run celery -A app.tasks.celery_app worker -l info -Q celery,memory_idle

前端（app-eval-web）

cd app-eval-web
npm install
VITE_EVAL_API_BASE=http://127.0.0.1:8001 VITE_EVAL_API_KEY=与上同 npm run dev

或使用仓库根目录 npm run eval-web（需本地已 npm install 在 app-eval-web）。

部署约定：app-eval-web 不提供生产/预发 Docker 镜像，也 不纳入 Staging/Production 的 api/docker-compose.yml 部署。评测 UI 仅在开发阶段于本机通过 Vite npm run dev（或 ./internal-eval.sh 拉起）使用；不要在预发/生产环境编译 dist/ 或挂载独立容器对外提供服务。

流式评审

POST /internal/api/evaluation/judge/conversation-stream 使用 fetch 读取 SSE（chunk），请求头携带 X-Internal-Eval-Key 即可；不要求浏览器 EventSource。Body 可选 judge_provider：zhipu（默认）| deepseek，以及 judge_model（空则用该供应商环境默认）。首轮 meta 事件会回显 judge_provider / judge_model。

新增事件：

• compare_summary：结构化 A/B 对比摘要，包含 group_deltas、关键回落维度、是否出现重复盘问风险，以及 transcript 截断提示。
• compare_delta：原有自由文案流，适合人读；不替代结构化结论。

评测 Web（app-eval-web）

• Playground · 分步测评：选用户导出 MD 为基线 → eval-sandbox + 逐轮 replay/conversation（skip_memoir: true 时只做对话）→ memoir-submit 再可选轮询 memoir-phase1-ready → 跳转 Memoir / Stories 看成稿；支持 智谱 / DeepSeek R1 对话流式评分（工具栏「评审模型」）。
• Memoir：按 user_id 拉库中章节快照与基线对照评审。
• Stories：故事列表与评审。
• 实机联调（侧栏「实机联调」，哈希路由 #live）：用与 消费者主站相同的 REST / WebSocket 测核心聊天与回忆录。需主站 main:app 已启动（默认 :8000），并在主站环境启用 Mock 登录（见下）。开发时 app-eval-web 将 /api 与 /ws 代理到主站（VITE_MAIN_API_PROXY_TARGET，默认 http://127.0.0.1:8000）；也可设 VITE_MAIN_API_BASE 直连完整主站 URL。

Mock 登录（仅非 production）

在主站 .env / .env.development 中设置 MOCK_SMS_LOGIN_ENABLED=1（或 true）。APP_ENV=production 时 POST /api/auth/mock/sms-login 始终返回 404。请求体：phone（11 位）、agreed_to_terms: true，可选 nickname（新用户）；响应与正式短信登录相同（access_token + refresh_token）。切勿在生产环境开启。

真实链路透传回放（与 App 一致）

方法	路径	说明
POST	/internal/api/evaluation/sessions/eval-sandbox	无 body：新建临时用户（eval_ 伪手机号）+ 空白 conversation_id
POST	/internal/api/evaluation/sessions/replay-bootstrap	body：{ "user_id" }，在已有用户下返回新 conversation_id
POST	/internal/api/evaluation/replay/conversation	body：conversation_id、fixture_filename 或 user_utterances；可选 skip_memoir（默认 false；为 true 时不 queue_message、且不会仅因 flush_memoir_after 而 flush_pending）、flush_memoir_after（默认 true）、skip_tts（默认 true）。响应含 segment_ids（本批创建的用户 segment）
POST	/internal/api/evaluation/sessions/{conversation_id}/memoir-submit	无 body：收集本会话内 topic_category IS NULL 且 processed 为 false 的 segment，调用 flush_pending(user_id, extra_segment_ids=…)；返回 segment_ids、celery_task_id
GET	/internal/api/evaluation/sessions/{conversation_id}/memoir-phase1-ready	query：segment_ids 可重复。所列 segment 均已写入 topic_category 时 ready: true

默认（skip_memoir: false）：每轮仍相当于主站路径：create_user_segment → process_user_message → background_runner.queue_message；末尾可 flush_pending。

Playground 分步（skip_memoir: true + flush_memoir_after: false）：只做 create_user_segment 与 process_user_message，不入回忆录队列；对话结束后再调 memoir-submit 统一 flush。

• TTS：回放默认 skip_tts: true。
• Celery：Phase1 / 叙事仍依赖 worker；仅起 HTTP 未起 worker 时，memoir-submit 后任务会堆积。
• Playground：第 2 步可选轮询 memoir-phase1-ready（前端默认最长约 10 分钟，VITE_MEMOIR_PHASE1_WAIT_MAX_MS 可覆盖）。中断时本地草稿可「继续未完成重放」接续同一 conversation_id（仅对话进度；旧版「每轮等待 Phase1」草稿会被跳过并提示改走 memoir-submit）。

A/B 发布口径（追平 A / 超过 A）

Playground 的结构化摘要里，后端会给出一份 gate：

• regressed：仍明显落后 A，或 context_memory / emotion_carry 等关键项明显回落，或再次出现“重复盘问 / 忽略已答信息”。
• parity：总分基本追平 A，且关键维度未明显退步。
• surpass：总分显著高于 A，同时 context_memory、人物建模等关键项不退步，且未出现重复盘问风险。

建议发布前不要只看单个 case：

1. 先固定一组 黄金样本 fixture（覆盖童年、求学、职业、家庭、价值观，以及长对话样本）。
2. 每次 prompt / state / anti-repeat 改动后，用同一组 fixture 全量重放。
3. 要求整组样本里：
   • 不得出现 regressed 的受保护样本；
   • 大多数样本至少达到 parity；
   • 目标样本才以 surpass 作为升级完成标志。

如果 compare_summary.truncation.*_truncated_for_compare = true，说明 A/B 对比所用 transcript 仍超过合计预算（compare_cap_total_chars）后做了裁切；单侧较短时会先占满「合计字符池」再裁较长一侧尾部。若仍截断，可略调高 EVAL_JUDGE_CONTEXT_WINDOW_TOKENS / 降低 EVAL_JUDGE_APPROX_TOKENS_PER_CHAR，或见 EVAL_JUDGE_MAX_COMPARE_TRANSCRIPT_CHARS_EACH。结论仍应结合逐轮评分与关键样本人工复核。

手动 GLM-5（不写 eval_runs 表）

方法	路径	说明
POST	/internal/api/evaluation/judge/conversation	body：{ "conversation_id" }，返回轮次分 + 全文对话分
POST	/internal/api/evaluation/judge/memoir-chapters	body：{ "user_id", "baseline_sections"? }，Chapter/Story 分项
GET	/internal/api/evaluation/users/{user_id}/memoir-snapshot	只读章节与故事正文快照

回忆录评审：可追溯证据闭包（lineage）

严格闭包口径、synthetic vs library 分表 见同目录 traceable-memoir-lineage.md。

手动 /judge/memoir-chapters 与历史自动化 run 的 judge_bundle_json 已按 artifact 绑定证据 组 prompt，而不再默认拼接「最近 N 个会话全文」：

• evidence_trace：bundle 完整 JSON（segment / conversation / chunk / fact / timeline / summary、notes 等）。内审计一般够用；若需按类型深链 UI 再排期。
• format_meta：truncated、dropped_sections、included_token_estimate 等，区分「prompt 裁掉」与「库中无 lineage」。
• 生产侧：叙事流水线在每次 Story 写入后覆盖 story_evidence_links，并在当前 story_versions.prompt_meta.memoir_retrieval 写入本轮检索到的稳定 id（见 story_pipeline_sync._persist_story_lineage_sync）。
• 章节快照 Phase C：chapter_evidence_snapshots + chapter_evidence_links，chapters.current_evidence_snapshot_id 指向当前版本；评测只读当前快照。刷新见 memoir/chapter_evidence_snapshot.py。
• 对话 memory trace（Phase 八）：访谈路由下，conversation_messages.memory_retrieval_trace_json 在配对 AI 消息上写入本轮 HybridRetriever 命中的 chunk/fact/timeline/summary/story 等 id（见 memory/retrieval_trace.py）。

历史数据缺 link / snapshot 时不可评测，需先通过正式流水线重新物化。

Fixture 详情扩展

GET /internal/api/evaluation/fixtures/user-exports/{filename} 在原有 turns 外增加：

• source_user_id：导出抬头中的 User ID
• memoir_sections：## 回忆录章节（生成正文） 下按标题切分的基线正文（已去掉 {{IMAGE:...}} 占位）