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 []