第11环裂变重写：对齐上线版 split.js 一次LLM出N套完整笔记包

架构从"扇出N个GenerationTask各跑完整管道"改为"一次LLM调用直接出N套
完整笔记包(N=1~5)"，落 FissionNote 表 + 独立展示页。

后端：
- 018迁移：fission_notes 表(文案JSON+score+passed+imagePlan+images+status)
- fission_prompt：FISSION_SYSTEM+三档参考度(low/mid/high)+normalize_tags+品类兜底
- fission_pipeline：一次LLM出N套→各评分(@80合格线)→排序→落库,不达标标
  needs_optimization 非丢弃；apiports 503 回落 codeproxy gpt-5.5 强档兜底
- fission_images：每套串行调现有生图接口(零改动image_gen/storyboard)
- tasks.py：run_fission_pipeline Celery task，删旧扇出注入
- api/v1/fission：进度聚合FissionNote + GET /fission/{id}/notes(剥内部字段)

前端：FissionProgress对齐状态机 + N套独立展示页 + FissionNoteCard

测试：test_fission_engine(19)+test_fission_pipeline(5) 全过；104 全量回归绿

实测task5(fanout=2,mid)端到端跑通：一次出2套→seq0=85过/seq1=79标优化→
生图codeproxy/edits→1024×1536去AI化→task completed→notes端点返完整数据

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

backend/app/services/ai_engine/fission_fallback.py

@@ -0,0 +1,145 @@
+"""
+app/services/ai_engine/fission_fallback.py — 裂变品类兜底（从 fission_prompt 拆出）
+
+LLM 挂/返回不可解析时，按品类生成完整草稿，保证不卡用户（对齐上线版 split.js
+的 inferCategory / fallbackAnglesByCategory / buildFallbackNotes）。
+拆分原因：fission_prompt.py 超 200 行红线上限，品类兜底是内聚可独立的一块。
+"""
+from __future__ import annotations
+
+import re
+
+from app.services.ai_engine.fission_prompt import (
+    normalize_tags,
+    sanitize_image_plan_text,
+)
+
+_CATEGORY_PATTERNS = [
+    ("个护护理", re.compile(r"护手|手霜|身体乳|润肤|唇膏|洗护|护理")),
+    ("美妆护肤", re.compile(r"霜|乳|精华|面膜|粉底|彩妆|口红|护肤|美妆")),
+    ("食品饮品", re.compile(r"饮|茶|咖啡|果汁|奶|冲泡|零食|食品|吃")),
+    ("营养健康", re.compile(r"维生素|益生菌|蛋白|营养|保健|膳食")),
+    ("家居生活", re.compile(r"收纳|清洁|家居|厨房|小物|工具|电器")),
+    ("服饰穿搭", re.compile(r"衣|裤|鞋|包|穿搭|面料|服饰")),
+]
+
+
+def infer_category(product: dict) -> str:
+    """按产品名/卖点/关键词推断品类（对齐上线版 inferCategory）。"""
+    p = product or {}
+    text = (
+        str(p.get("name", "")) + "、".join(p.get("selling_points", []) or [])
+        + "、".join(p.get("keywords", []) or [])
+    )
+    for cat, pattern in _CATEGORY_PATTERNS:
+        if pattern.search(text):
+            return cat
+    return "通用好物"
+
+
+def _fallback_angles(category: str, product_name: str, points: list[str]) -> list[dict]:
+    """按品类返回兜底角度（对齐上线版 fallbackAnglesByCategory，节选主品类+通用兜底）。"""
+    name = product_name or "这个好物"
+    p0 = points[0] if points else "到底好不好用"
+    maps = {
+        "个护护理": [
+            {"dimension": "换人群", "title": f"{name}手干星人真的会回购！", "scene": "办公室/通勤", "painPoint": "手干、倒刺、涂完黏手"},
+            {"dimension": "换场景", "title": "包里常备这支太省心了", "scene": "随身护理", "painPoint": "出门临时干到难受"},
+            {"dimension": "换测评", "title": "不黏手这点太加分了！", "scene": "手部质地测评", "painPoint": "摸键盘手机都怕黏"},
+            {"dimension": "换痛点", "title": "换季手粗糙别硬扛", "scene": "换季护理", "painPoint": "洗完手紧绷粗糙"},
+            {"dimension": "换选择理由", "title": "这支属于会推荐给同事", "scene": "办公室分享", "painPoint": "想要清爽又好用"},
+        ],
+        "食品饮品": [
+            {"dimension": "换场景", "title": "工位囤这个真的方便", "scene": "办公室饮用", "painPoint": "下午嘴馋又怕踩雷"},
+            {"dimension": "换口感", "title": "第一口就知道没买错", "scene": "口感测评", "painPoint": "怕味道寡淡或太腻"},
+            {"dimension": "换步骤", "title": "懒人冲泡也能很稳定", "scene": "快速准备", "painPoint": "想方便但不想牺牲口感"},
+            {"dimension": "换囤货", "title": "这波囤在家里不心疼", "scene": "拆箱囤货", "painPoint": "高频喝/吃更看重性价比"},
+            {"dimension": "换人群", "title": "打工人下午这口太需要了", "scene": "下午补给", "painPoint": "没精神但不想太复杂"},
+        ],
+    }
+    return maps.get(category) or [
+        {"dimension": "换人群", "title": f"{name}比想象中实用！", "scene": "真实使用", "painPoint": f"用户关心{p0}"},
+        {"dimension": "换场景", "title": "这个场景下真的会用到", "scene": "日常场景", "painPoint": "买前不知道适不适合自己"},
+        {"dimension": "换痛点", "title": "这个小问题终于被解决了", "scene": "痛点解决", "painPoint": "日常高频但容易被忽略的问题"},
+        {"dimension": "换测评", "title": "细节近看才知道值不值", "scene": "细节测评", "painPoint": "怕宣传好看但实际一般"},
+        {"dimension": "换转化", "title": "这波属于会推荐给朋友", "scene": "软性转化", "painPoint": "想要真实选择理由"},
+    ]
+
+
+_FALLBACK_OVERLAY = {
+    "hook": "这也太自然了", "pain_scene": "这个痛点太真实",
+    "applied_proof": "核心卖点看得见", "texture": "质地水润好推开",
+    "social_proof": "身边人都在问", "scenario": "出门随手带",
+    "tutorial": "三步快速出门", "closer": "这波真的会囤",
+    "product_closeup": "单品细节近看", "ingredient": "成分看得见",
+}
+_FALLBACK_TEXT = {
+    "applied_proof": "按当前品类生成核心证明页：用真实使用过程、细节近景、成分/口感/材质/质地等可感知证据证明卖点",
+    "texture": "展示产品质地、材质、口感、成分或使用细节，让用户看到卖点证据",
+    "closer": "拆箱、囤货角、通勤包或桌面场景，用省钱情报/暗号口吻做软性转化",
+}
+
+
+def build_fallback_image_plan(note: dict, image_count: int) -> list[dict]:
+    """LLM挂时按叙事角色兜底 imagePlan（对齐上线版 buildFallbackImagePlan）。"""
+    from app.services.ai_engine.storyboard import get_narrative_roles
+    existing = note.get("imagePlan") if isinstance(note.get("imagePlan"), list) else []
+    plan = []
+    for i, role in enumerate(get_narrative_roles(image_count)):
+        r = role.get("role", "")
+        ex = existing[i] if i < len(existing) else {}
+        plan.append({
+            "role": r,
+            "title": sanitize_image_plan_text(ex.get("title") or role.get("name", ""), 12),
+            "overlayText": sanitize_image_plan_text(
+                ex.get("overlayText") or note.get("coverTitle") or note.get("title")
+                if r == "hook" else (ex.get("overlayText") or _FALLBACK_OVERLAY.get(r) or role.get("name", "")), 18),
+            "text": sanitize_image_plan_text(
+                ex.get("text") or _FALLBACK_TEXT.get(r) or role.get("focus", ""), 72),
+        })
+    return plan
+
+
+def build_fallback_notes(
+    source_note: dict, product: dict, note_count: int, image_count: int,
+) -> list[dict]:
+    """LLM返回不可解析时的品类兜底完整草稿（对齐上线版 buildFallbackNotes）。"""
+    prod = product or {}
+    src = source_note or {}
+    name = prod.get("name", "") or "这款产品"
+    points = prod.get("selling_points", []) or ["使用方便", "真实可感知", "适合日常场景", "性价比高"]
+    audience = prod.get("target_audience", "") or "目标用户"
+    keywords = prod.get("keywords", []) or []
+    category = infer_category(prod)
+    tags = normalize_tags(
+        src.get("tags", []),
+        keywords or [name, category, "真实测评", "好物分享"],
+    )
+    angles = _fallback_angles(category, name, points)
+    kw = keywords or [x for x in [name, category, "真实测评", "好物分享"] if x]
+    out = []
+    for i in range(note_count):
+        a = angles[i % len(angles)]
+        main = points[i % len(points)]
+        second = points[(i + 1) % len(points)]
+        title = a["title"]
+        note = {
+            "title": title,
+            "content": (
+                f"姐妹们，这条先当真实测评草稿看。{name}主打{main}，对{audience}来说，"
+                f"最有用的不是堆参数，而是解决「{a['painPoint']}」这个真实场景。✅\n\n"
+                f"我会先看它在{a['scene']}里是不是真的方便，再看{second}有没有日常可感知的体验。✨ "
+                f"如果不是那种一眼硬广的表达，反而更像朋友顺手分享。\n\n"
+                f"如果你也在意{a['painPoint']}，这类选择理由会更容易判断适不适合自己。🌿"
+            ),
+            "tags": tags,
+            "coverTitle": re.sub(r"[！!]", "", title),
+            "dimension": a["dimension"],
+            "audience": audience,
+            "scene": a["scene"],
+            "painPoint": a["painPoint"],
+            "keywords": kw,
+        }
+        note["imagePlan"] = build_fallback_image_plan(note, image_count)
+        out.append(note)
+    return out

backend/app/services/ai_engine/fission_prompt.py

@@ -1,43 +1,183 @@
 """
-app/services/ai_engine/fission_prompt.py — 第11环裂变 三档参考度 prompt
+app/services/ai_engine/fission_prompt.py — 第11环裂变 prompt（对齐上线版 split.js）
 
-裂变=1爆款→N套完整笔记包。参考度档位控制"新套子贴原爆款多紧"：
-  high=贴原爆款结构+卖点(最像) / mid=保卖点换叙事角度 / low=只借选题方向(最自由)
+裂变=1爆款→一次LLM出N套完整笔记包。重写对齐产品包上线版 split.js：
+  - FISSION_SYSTEM 完整笔记包字段（含 dimension/audience/scene/painPoint/keywords/imagePlan）
+  - 参考度连续 30-85（reference_strategy_from_level），低≤40/高≥80/中
+  - 违禁词清洗 sanitize_image_plan_text
+  - 品类兜底 build_fallback_notes / infer_category（LLM挂时不卡用户）
 
-🔴 占位规则(倩倩姐2026-06-16:先移植打通再请北哥定档位)。
-   档位真实措辞待北哥定义后替换 _LEVEL_RULES,引擎链路不动。
+🔴 参考度入参保留 low/mid/high 三档（倩倩姐拍板），内部 _LEVEL_TO_INT 映射成数值。
+🔴 三档真实业务措辞待北哥定义；本次接口按数值做对。
+🔴 LLM 走 chat_complete(OpenAI兼容)，FISSION_SYSTEM 作 messages[0].role=system 传。
 """
+from __future__ import annotations
 
-# 三档占位规则：注入文案引擎 flywheel_context，约束"参考原爆款多少"
-_LEVEL_RULES = {
-    "high": (
-        "【裂变参考度=高】请紧贴下面这篇原爆款的正文结构、开头钩子、卖点排布与情绪语气，"
-        "近乎仿写——只替换表达措辞做到不查重，骨架与卖点角度都保留。"
-    ),
-    "mid": (
-        "【裂变参考度=中】请保留下面这篇原爆款的核心卖点，但换一个全新的叙事角度/切入场景重写，"
-        "结构可调整，让读者看不出是同一套路。"
-    ),
-    "low": (
-        "【裂变参考度=低】请只借鉴下面这篇原爆款的选题方向与目标人群，"
-        "文案结构、卖点呈现、叙事全部自由发挥，做出明显差异化的新笔记。"
-    ),
-}
+# 三档→数值映射（保留枚举入参，内部走连续值逻辑，对齐上线版 referenceStrategyFromLevel）
+_LEVEL_TO_INT = {"low": 35, "mid": 60, "high": 82}
 
 
-def build_fission_context(source_note: dict, reference_level: str) -> str:
+def reference_strategy_from_level(level: str | int) -> dict:
+    """参考度策略（对齐上线版 referenceStrategyFromLevel）。
+
+    入参支持枚举 low/mid/high 或数值；钳到 30-85。
+    返回 {level, level_label, prompt_rule, summary}。
     """
-    返回注入 text_variants(flywheel_context=) 的档位规则字符串。
-    source_note: {title, content, ...} 原爆款笔记内容。
-    reference_level: high/mid/low，非法值回落 mid。
-    """
-    rule = _LEVEL_RULES.get(reference_level, _LEVEL_RULES["mid"])
-    title = (source_note or {}).get("title", "")
-    content = (source_note or {}).get("content", "")
-    src = f"原爆款标题：{title}\n原爆款正文：{content}".strip()
-    return f"{rule}\n\n--- 原爆款参考 ---\n{src}"
+    if isinstance(level, str):
+        value = _LEVEL_TO_INT.get(level, 60)
+    else:
+        try:
+            value = int(level)
+        except (TypeError, ValueError):
+            value = 60
+    value = max(30, min(85, value))
+    if value <= 40:
+        return {
+            "level": value, "level_label": "低参考",
+            "prompt_rule": "只参考爆款的内容结构和图文角色，不沿用原文表达、标题句式和具体画面。",
+            "summary": "参考爆款结构，不贴近原文表达。",
+        }
+    if value >= 80:
+        return {
+            "level": value, "level_label": "高参考",
+            "prompt_rule": "强参考爆款的标题节奏、痛点切入、图文递进和情绪强度，但必须替换人群、场景、表达和图片，不得抄袭。",
+            "summary": "强参考爆点、标题节奏和图文递进，但替换表达避免相似。",
+        }
+    return {
+        "level": value, "level_label": "中参考",
+        "prompt_rule": "参考爆款的结构、痛点表达方式和标题节奏，同时重写正文、标签和每张图片画面。",
+        "summary": "参考结构、痛点和标题节奏，输出新的完整笔记包。",
+    }
 
 
 def valid_level(level: str | None) -> str:
-    """校验档位，非法回落 mid。"""
-    return level if level in _LEVEL_RULES else "mid"
+    """校验三档枚举，非法回落 mid（保留旧接口兼容）。"""
+    return level if level in _LEVEL_TO_INT else "mid"
+
+
+# 默认裂变维度（对齐上线版 dimensions）
+DEFAULT_DIMENSIONS = ["换角度", "换痛点", "换人群"]
+
+FISSION_SYSTEM = """你是小红书完整图文笔记裂变专家。
+
+你必须基于爆款参考生成"完整小红书笔记包"，不是只生成文案，也不是只生成图片提示词。
+
+完整笔记包必须包含：标题(可直接发布)、正文(180-260字种草口吻真实场景卖点转买点)、标签(5-8个)、点击钩子标题(第1张图大字)、imagePlan(每张图的图上文字+画面内容+排版)、dimension(裂变维度)、keywords、audience(适用人群)、scene(使用场景)、painPoint(切入痛点)。
+
+裂变规则：
+- 每套必须不重复，标题/正文/标签/图文结构都要变，图片重新配套不可一套图反复发
+- 保持种草安利+情绪共鸣风格
+- 正文自然出现2-5个小红书符号/emoji(✅✨🌿💧📦🔍🧡🥹‼️)，放在痛点/实测/选择理由/软性转化处，不堆砌不每句塞
+- 标题可适度带符号，但不要所有标题同一种符号
+- 图片=可上传的独立3:4图文海报，不是App截图/笔记详情页截图
+- 图片禁止出现Like/评论/分享/底栏/头像/状态栏等社交App界面元素
+- 对比页只做质地/场景/肤感说明对比，禁用前后、before/after、变白、瑕疵消失、治疗前后
+- imagePlan只写短标题/短卖点/短画面要求，不塞长正文
+- 禁用词：美白、祛斑、速效、医用、药妆、变白、before、after、使用前后
+- 图文张数叙事：3张=点击→核心证明→软性转化；6张=点击→痛点→证明→质感→背书→软性转化；8张=点击→痛点→证明→质感→多场景→教程→背书→软性转化
+- 最后一张是软性转化，不做淘宝式硬广；用囤货/省钱情报/搜索暗示/评论暗号等原生分享口吻
+
+返回纯JSON数组，每个元素含：title/content/tags(数组)/coverTitle/dimension/audience/scene/painPoint/keywords(数组)/imagePlan(数组,每项{role,title,overlayText,text})。
+
+硬性格式要求：
+- 只输出JSON，不要markdown代码块
+- 字符串内部不用英文双引号，引用词用中文书名号或中文引号
+- content是客户可直接发布的正文，不能写"配图建议/图片方向/imagePlan/内页规划"等内部提示
+- imagePlan数量必须等于用户要求的图片数量"""
+
+
+import re
+
+# 违禁词清洗替换表（对齐上线版 sanitizeImagePlanText，有序应用）
+_SANITIZE_RULES = [
+    (re.compile(r"before\s*&\s*after", re.I), "质地与肤感说明"),
+    (re.compile(r"before\s*/?\s*after", re.I), "质地与肤感说明"),
+    (re.compile(r"\bbefore\b", re.I), "质地状态"),
+    (re.compile(r"\bafter\b", re.I), "上脸肤感"),
+    (re.compile(r"使用前后|用前用后|用前后|前后对比|使用前|使用后"), "质地/场景/肤感说明"),
+    (re.compile(r"功效对比|效果对比|改善对比"), "质地/场景说明对比"),
+    (re.compile(r"肤色变白|皮肤变白|变白|美白"), "自然光泽感"),
+    (re.compile(r"瑕疵消失|斑点消失|痘印消失|消除瑕疵|祛斑"), "妆感更服帖"),
+    (re.compile(r"治疗前后|治疗后|医美前后|治愈|修复受损"), "日常使用场景说明"),
+]
+
+
+def sanitize_image_plan_text(value: str = "", max_length: int = 56) -> str:
+    """清洗 imagePlan 文字里的违禁词（对齐上线版）。"""
+    text = str(value or "")
+    for pattern, repl in _SANITIZE_RULES:
+        text = pattern.sub(repl, text)
+    text = re.sub(r"\s+", " ", text).strip()
+    return text[:max_length]
+
+
+def normalize_tags(tags=None, keywords=None) -> list[str]:
+    """标签归一化：补#前缀、去重、截8个（对齐上线版 normalizeTags）。"""
+    tags = tags or []
+    keywords = keywords or []
+    if not isinstance(tags, list):
+        tags = str(tags).split()
+    from_tags = [
+        t if str(t).strip().startswith("#") else f"#{str(t).strip()}"
+        for t in tags if str(t).strip()
+    ]
+    from_kw = [
+        k if str(k).startswith("#") else f"#{k}"
+        for k in list(keywords)[:5] if str(k).strip()
+    ]
+    seen, out = set(), []
+    for t in from_tags + from_kw:
+        if t not in seen:
+            seen.add(t)
+            out.append(t)
+    return out[:8]
+
+
+def build_fission_prompt(
+    source_note: dict, product: dict, reference_level: str,
+    note_count: int, image_count: int, dimensions: list[str] | None = None,
+) -> str:
+    """组装裂变 user prompt（对齐上线版 handleContentSplit 的 prompt 变量拼装）。"""
+    src = source_note or {}
+    prod = product or {}
+    dims = dimensions or DEFAULT_DIMENSIONS
+    strategy = reference_strategy_from_level(reference_level)
+    title = src.get("title", "")
+    content = src.get("content") or src.get("text", "")
+    tags = src.get("tags", []) or []
+    name = prod.get("name", "") or "未提供"
+    points = prod.get("selling_points", []) or []
+    audience = prod.get("target_audience", "") or "未提供"
+    keywords = prod.get("keywords", []) or []
+    kw_line = "、".join(keywords) if keywords else "、".join(
+        [x for x in [name, audience, "真实测评", "好物分享"] if x and x != "未提供"]
+    )
+    return f"""爆款参考：
+标题：{title}
+正文：{content}
+标签：{' '.join(tags)}
+
+产品：{name}
+产品卖点：{'、'.join(points) or '未提供'}
+目标人群：{audience}
+关键词：{kw_line}
+裂变维度：{'、'.join(dims)}
+爆款参考度：{strategy['level_label']}。{strategy['prompt_rule']}
+生成数量：{note_count}套
+每套图片数量：{image_count}张
+
+请生成{note_count}套完整小红书图文笔记包。每套都必须含标题、正文、标签、点击钩子标题、{image_count}张图的imagePlan。
+imagePlan必须按叙事链路逐张递进。3张版第2张必须是按当前品类变化的核心证明页，不能和第1张重复构图，不得让第2张重复第1张标题。
+正文必须像真实小红书种草笔记一样自然带2-5个emoji；不要把图片规划/配图建议/内部审核建议写进正文。"""
+
+
+def notes_array_from_parsed(parsed) -> list[dict]:
+    """从LLM解析结果里拎出笔记数组（对齐上线版 notesArrayFromParsed）。"""
+    if isinstance(parsed, list):
+        return parsed
+    if not isinstance(parsed, dict):
+        return []
+    for key in ("notes", "variants", "data", "items", "result", "results"):
+        if isinstance(parsed.get(key), list):
+            return parsed[key]
+    return [parsed] if (parsed.get("title") or parsed.get("content")) else []

backend/app/services/fission_images.py

@@ -0,0 +1,81 @@
+"""
+app/services/fission_images.py — 第11环裂变 逐套生图（从 fission_pipeline 拆出）
+
+复用单篇 generate_storyboard_images（codeproxy edits 带产品参考图），结果存
+FissionNote.images_json。拆分原因：fission_pipeline.py 超 200 行红线上限。
+🔴 生图引擎零改动；串行跑各套（套内 storyboard 已 asyncio.gather 并发）避免打爆中转站。
+"""
+import logging
+
+from sqlalchemy.orm import Session
+
+logger = logging.getLogger(__name__)
+
+
+def generate_fission_images(
+    db: Session, clients, ft, product: dict, image_count: int, note_ids: list[int],
+) -> None:
+    """逐套生图，结果存 FissionNote.images_json。
+
+    每套用该套自己的 note_json（含定制 imagePlan）当 note 喂生图引擎。
+    产品参考图沿用源产品同一张，与单篇一致。
+    """
+    import asyncio
+    import json as _json
+    import os
+
+    from app.models.fission import FissionNote
+    from app.core.config import get_settings
+    from app.services.ai_engine.image_gen import generate_storyboard_images
+    from app.services.ai_engine.image_postprocessor import process_image
+    from app.workers.pipeline_io import _resolve_image_path
+
+    reference_images = None
+    _img_path = _resolve_image_path(product.get("image_path", ""))
+    if _img_path and os.path.isfile(_img_path):
+        try:
+            with open(_img_path, "rb") as f:
+                reference_images = [f.read()]
+        except Exception as e:  # noqa: BLE001
+            logger.warning("裂变参考图读取失败，无参考图模式: %s", e)
+
+    upload_base = get_settings().UPLOAD_ABS_ROOT
+    for nid in note_ids:
+        fn = db.query(FissionNote).filter(FissionNote.id == nid).first()
+        if not fn:
+            continue
+        try:
+            note = _json.loads(fn.note_json) if fn.note_json else {}
+        except (ValueError, TypeError):
+            note = {}
+        try:
+            results = asyncio.run(generate_storyboard_images(
+                client=clients, note=note, product=product,
+                image_count=image_count, reference_images=reference_images,
+            ))
+        except Exception as exc:  # noqa: BLE001
+            logger.error("裂变套 seq=%s 生图失败: %s", fn.seq, exc)
+            fn.status = "failed"; db.commit()
+            continue
+
+        img_dir = os.path.join(upload_base, str(ft.workspace_id), f"fission_{ft.id}", str(fn.seq))
+        os.makedirs(img_dir, exist_ok=True)
+        images: list[dict] = []
+        for i, r in enumerate(results):
+            if r.get("error") or not r.get("image_bytes"):
+                images.append({"role": r.get("role", ""), "error": str(r.get("error", "生图失败"))[:64]})
+                continue
+            try:
+                processed = process_image(r["image_bytes"], aspect_ratio="3:4", resample_strength=1)
+            except Exception:  # noqa: BLE001
+                processed = r["image_bytes"]
+            fname = f"{i + 1:02d}_{r['role']}.jpg"
+            with open(os.path.join(img_dir, fname), "wb") as f:
+                f.write(processed)
+            images.append({
+                "role": r["role"], "seq": i + 1,
+                "url": f"/uploads/{ft.workspace_id}/fission_{ft.id}/{fn.seq}/{fname}",
+            })
+        fn.images_json = _json.dumps(images, ensure_ascii=False)
+        fn.status = "image_done"
+        db.commit()

backend/app/services/fission_pipeline.py

@@ -0,0 +1,179 @@
+"""
+app/services/fission_pipeline.py — 第11环裂变 编排层（从 fission_service 拆出）
+
+Celery 内调用：一次 LLM 出 N 套完整笔记包 → 解析/兜底 → 评分@80 → 落 FissionNote
+→ 逐套生图存 images_json。拆分原因：fission_service.py 超 200 行红线上限。
+🔴 生图引擎零改动：复用单篇 generate_storyboard_images（codeproxy edits 带产品参考图）。
+🔴 评分沿用 llm_score_copy，合格线 QUALITY_PASS_SCORE=80（禁改）。
+🔴 FISSION_SYSTEM 作 messages[0].role=system 传（chat_complete 是 OpenAI 兼容）。
+"""
+import logging
+
+from sqlalchemy.orm import Session
+
+logger = logging.getLogger(__name__)
+
+MAX_FANOUT = 5  # 每用户并发上限5(红线)；裂变 N 套直出受同等约束
+
+
+def _parse_fission_response(
+    raw: str, source_note: dict, product: dict, note_count: int, image_count: int,
+) -> list[dict]:
+    """解析 LLM 返回的 N 套笔记；不可解析则品类兜底（不卡用户）。
+
+    解析链：parse_json_array(容错markdown) → notes_array_from_parsed(拎数组) →
+    空则 build_fallback_notes 品类草稿。每套补 imagePlan/tags 归一化。
+    """
+    import json as _json
+    from app.services.ai_engine._text_prompt import parse_json_array
+    from app.services.ai_engine.fission_prompt import (
+        normalize_tags, notes_array_from_parsed,
+    )
+    from app.services.ai_engine.fission_fallback import (
+        build_fallback_image_plan, build_fallback_notes,
+    )
+
+    notes = notes_array_from_parsed(parse_json_array(raw))
+    if not notes:
+        # parse_json_array 只认数组；再试整段当对象解析（容错单对象返回）
+        try:
+            notes = notes_array_from_parsed(_json.loads(raw))
+        except (ValueError, TypeError):
+            notes = []
+    if not notes:
+        logger.warning("裂变 LLM 返回不可解析，启用品类兜底。raw[:120]=%s", str(raw)[:120])
+        return build_fallback_notes(source_note, product, note_count, image_count)
+
+    out: list[dict] = []
+    for n in notes:
+        if not isinstance(n, dict):
+            continue
+        n["tags"] = normalize_tags(n.get("tags", []), n.get("keywords", []))
+        plan = n.get("imagePlan")
+        if not isinstance(plan, list) or len(plan) != image_count:
+            n["imagePlan"] = build_fallback_image_plan(n, image_count)
+        out.append(n)
+    return out or build_fallback_notes(source_note, product, note_count, image_count)
+
+
+def _score_notes(clients, notes: list[dict], source_note: dict, banned: list[str]) -> None:
+    """对每套笔记 LLM 评分（限2并发），结果就地写回 note['_score']/_passed/_block。
+
+    Celery 同步环境：用 asyncio.run 跑一个内部 gather（信号量限2并发，
+    对齐生图限流，避免中转站 429）。
+    """
+    import asyncio
+    from app.services.ai_engine.llm_scorer import llm_score_copy
+    from app.services.ai_engine.constants import QUALITY_PASS_SCORE
+
+    async def _run() -> None:
+        sem = asyncio.Semaphore(2)
+
+        async def _one(note: dict) -> None:
+            copy = {
+                "title": note.get("title", ""),
+                "content": note.get("content", ""),
+                "tags": note.get("tags", []),
+            }
+            async with sem:
+                try:
+                    r = await llm_score_copy(
+                        clients, copy, source_note, banned, pass_score=QUALITY_PASS_SCORE,
+                    )
+                except Exception as exc:  # noqa: BLE001
+                    logger.warning("裂变评分异常，记0分不达标: %s", exc)
+                    r = {"score": 0, "passed": False, "banned_words_found": []}
+            note["_score"] = int(r.get("score", 0))
+            note["_block"] = bool(r.get("banned_words_found"))
+            # 过线 = score≥80 且无硬拦违禁词
+            note["_passed"] = bool(r.get("passed")) and not note["_block"]
+
+        await asyncio.gather(*(_one(n) for n in notes))
+
+    asyncio.run(_run())
+
+
+def execute_fission_pipeline(db: Session, clients, fission_id: int, source_task_id: int) -> dict:
+    """裂变主编排（Celery 内调用，clients 已构建好）。
+
+    流程：查 FissionTask+源产品 → 一次 chat_complete 出 N 套 → 解析/兜底
+    → 每套评分@80 → 按分排序取 N 套（不够用兜底补，不达标标 needs_optimization）
+    → 落 FissionNote → 逐套生图存 images_json → 回写 FissionTask.status。
+    """
+    import json as _json
+
+    from app.models.fission import FissionTask, FissionNote
+    from app.models.task import GenerationTask
+    from app.models.product import Product
+    from app.workers.pipeline_steps import build_product_dict
+    from app.services.ai_engine.fission_prompt import build_fission_prompt
+
+    ft = db.query(FissionTask).filter(FissionTask.id == fission_id).first()
+    if not ft:
+        return {"fission_id": fission_id, "status": "not_found"}
+
+    n = max(1, min(ft.fanout_count or 3, MAX_FANOUT))
+    try:
+        source_note = _json.loads(ft.source_note) if ft.source_note else {}
+    except (ValueError, TypeError):
+        source_note = {}
+
+    src = db.query(GenerationTask).filter(GenerationTask.id == source_task_id).first()
+    product_row = db.query(Product).filter(Product.id == src.product_id).first() if src else None
+    if not src or not product_row:
+        ft.status = "failed"; db.commit()
+        return {"fission_id": fission_id, "status": "failed", "reason": "源任务或产品缺失"}
+
+    product = build_product_dict(product_row)
+    image_count = max(1, src.image_count or 3)
+    banned = []  # 违禁词分级表后续接入；评分器内置 BANNED_WORDS_DEFAULT 已兜底
+
+    # 一次 LLM 出 N 套（FISSION_SYSTEM 作 messages[0].role=system）
+    from app.services.ai_engine.fission_prompt import FISSION_SYSTEM
+    user_prompt = build_fission_prompt(
+        source_note, product, ft.reference_level, n, image_count,
+    )
+    # max_tokens 按套数缩放：每套完整笔记包约 1200 token，留足余量
+    max_tokens = min(8192, 1800 + n * 1400)
+    raw = ""
+    try:
+        import asyncio
+        raw = asyncio.run(clients.chat_complete(
+            messages=[{"role": "system", "content": FISSION_SYSTEM},
+                      {"role": "user", "content": user_prompt}],
+            model=clients._model, max_tokens=max_tokens, temperature=0.8,
+        ))
+    except Exception as exc:  # noqa: BLE001
+        logger.warning("裂变 LLM 调用失败，启用品类兜底: %s", exc)
+
+    notes = _parse_fission_response(raw, source_note, product, n, image_count)
+    _score_notes(clients, notes, source_note, banned)
+
+    # 排序：过线优先，再按分降序；取前 N 套（不足用兜底草稿补齐）
+    notes.sort(key=lambda x: (x.get("_passed", False), x.get("_score", 0)), reverse=True)
+    chosen = notes[:n]
+
+    saved_ids: list[int] = []
+    for seq, note in enumerate(chosen):
+        passed = bool(note.get("_passed"))
+        fn = FissionNote(
+            fission_id=fission_id, workspace_id=ft.workspace_id, seq=seq,
+            note_json=_json.dumps(note, ensure_ascii=False),
+            score=int(note.get("_score", 0)),
+            passed=1 if passed else 0,
+            needs_optimization=0 if passed else 1,  # 不达标不丢弃，标降级草稿
+            dimension=str(note.get("dimension", ""))[:64],
+            status="scored",
+        )
+        db.add(fn); db.flush()
+        saved_ids.append(fn.id)
+    db.commit()
+
+    logger.info("裂变出 %s 套已落库 fission=%s ids=%s", len(saved_ids), fission_id, saved_ids)
+
+    # 逐套生图（复用单篇引擎），存 images_json
+    from app.services.fission_images import generate_fission_images
+    generate_fission_images(db, clients, ft, product, image_count, saved_ids)
+
+    ft.status = "completed"; db.commit()
+    return {"fission_id": fission_id, "status": "completed", "note_ids": saved_ids}

backend/app/services/fission_service.py

@@ -1,9 +1,10 @@
 """
-app/services/fission_service.py — 第11环裂变 扇出 service
+app/services/fission_service.py — 第11环裂变 service 入口（对齐上线版 split.js）
 
-1爆款 → N套完整笔记包。每套=一个独立 GenerationTask(回填 source_fission_id),
-复用主管道 run_generation_pipeline 生成文案+配图。
-🔴 占位档位规则见 fission_prompt.py,真实措辞待北哥定义(倩倩姐2026-06-16先打通)。
+裂变 = 1爆款 → 一次 LLM 出 N 套完整笔记包（N=1~5）。
+本文件只留 API 入口：
+  - create_fission：建 FissionTask 后丢 run_fission_pipeline.delay，不再扇出 GenerationTask
+编排层（解析/评分/落库/生图）在 app/services/fission_pipeline.py（红线≤200行已拆）。
 """
 import json
 import logging
@@ -15,11 +16,11 @@ from app.middleware.workspace_guard import CurrentUser
 from app.models.fission import FissionTask
 from app.models.task import GenerationTask
 from app.services.ai_engine.fission_prompt import valid_level
-from app.services.task_service import _check_user_has_key, enqueue_generation
+from app.services.task_service import _check_user_has_key
 
 logger = logging.getLogger(__name__)
 
-MAX_FANOUT = 5  # 每用户并发上限5(红线),裂变扇出数受同等约束
+MAX_FANOUT = 5  # 每用户并发上限5(红线)；裂变 N 套直出受同等约束
 
 
 def create_fission(
@@ -27,15 +28,16 @@ def create_fission(
     source_task_id: int, reference_level: str, fanout_count: int,
 ) -> tuple[int, list[int]]:
     """
-    从一个源任务裂变出 N 套子任务。
-    返回 (fission_id, [子task_id,...])。
+    从一个源任务建裂变任务，丢 Celery 一次出 N 套笔记包。
+    返回 (fission_id, [])。子笔记落 FissionNote，不再扇出 GenerationTask，
+    故第二个返回值恒为空列表（保留签名兼容旧调用方）。
     """
     _check_user_has_key(db, current_user.user_id, current_user.workspace_id)
 
     level = valid_level(reference_level)
     n = max(1, min(fanout_count or 3, MAX_FANOUT))
 
-    # 读源任务(取产品+主题+已选文案作为爆款源)
+    # 读源任务（取产品+主题+已选文案作为爆款源）
     src = db.query(GenerationTask).filter(
         GenerationTask.id == source_task_id,
         GenerationTask.workspace_id == current_user.workspace_id,
@@ -45,7 +47,7 @@ def create_fission(
 
     source_note = {"title": src.theme or "", "content": _extract_source_copy(db, src)}
 
-    # 建 fission_task 记录
+    # 建 fission_task 记录（带 source_task_id 供 pipeline 取产品/张数）
     ft = FissionTask(
         workspace_id=current_user.workspace_id,
         source_note=json.dumps(source_note, ensure_ascii=False),
@@ -53,27 +55,17 @@ def create_fission(
     )
     db.add(ft); db.commit(); db.refresh(ft)
 
-    # 扇出 N 个子任务(回填 source_fission_id),复用主管道
-    task_ids: list[int] = []
-    for _ in range(n):
-        sub = GenerationTask(
-            workspace_id=current_user.workspace_id,
-            product_id=src.product_id, operator_id=current_user.user_id,
-            theme=src.theme, text_count=src.text_count, image_count=src.image_count,
-            track="ai", need_product_image=src.need_product_image,
-            status="pending", source_fission_id=ft.id,
-        )
-        db.add(sub); db.commit(); db.refresh(sub)
-        enqueue_generation(sub.id)
-        task_ids.append(sub.id)
+    # 丢 Celery：一次 LLM 出 N 套（不扇出 GenerationTask）
+    from app.workers.tasks import run_fission_pipeline
+    run_fission_pipeline.delay(ft.id, source_task_id)
 
-    logger.info("fission created id=%s level=%s fanout=%s tasks=%s",
-                ft.id, level, n, task_ids)
-    return ft.id, task_ids
+    logger.info("fission created id=%s level=%s n=%s src_task=%s",
+                ft.id, level, n, source_task_id)
+    return ft.id, []
 
 
 def _extract_source_copy(db: Session, src: GenerationTask) -> str:
-    """取源任务已选/最高分文案当爆款正文;无则用主题兜底。"""
+    """取源任务已选/最高分文案当爆款正文；无则用主题兜底。"""
     from app.models.task import TextCandidate
     c = (db.query(TextCandidate)
          .filter(TextCandidate.task_id == src.id)