上线版: 产品表单统一+form嵌套修复+用户管理+部署+三套叙事

- 产品编辑入口统一走 ProductFormFull(卖点/风格/人群/品牌词全字段); 修复开任务页 <form> 套 <form> 致"编辑产品"报错、改不了、跳回首个产品 - dashboard 入口卡片对齐实际路由: 系统管理(/config) 与工作配置(/settings) 分开; settings ?tab=products 直达改用挂载后读 URL, 消除 hydration mismatch - 新增用户管理(users API/admin service/改密页) + alembic 022/023/024 - 上线部署: Dockerfile / docker-compose.prod+https / nginx https / .env.example - A8 三套正交叙事(痛点/场景/成分背书) + beige 调色去AI化 + 飞轮 text_import 高权重信号 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
2026-06-30 18:08:13 +08:00
parent a77212781c
commit df1856d793
150 changed files with 8616 additions and 1765 deletions
--- a/backend/app/services/ai_engine/_score_prompt.py
+++ b/backend/app/services/ai_engine/_score_prompt.py
@@ -1,9 +1,10 @@
 """
 _score_prompt.py — AI 评委 prompt（让模型真读文案，不机械找词）
 评判标准忠于《富贵情绪营销理论》原文(口播一手来源)，标实战补充出处。
-6维满分分布（倩倩姐2026-06-15拍板，与 llm_scorer._DIM_MAX / constants.AI_DIM_WEIGHTS 三处同步）：
-  痛点人群精准18 / 情绪张力18 / 买点转化18 / 开头钩子15 / 标题点击力13 / 真实感13 = 95
+7维满分分布（倩倩姐2026-06-22拍板补北哥要害⑤标签精准·与 llm_scorer._DIM_MAX / constants.AI_DIM_WEIGHTS 三处同步）：
+  痛点人群精准16 / 情绪张力16 / 买点转化16 / 开头钩子13 / 标题点击力13 / 真实感11 / 标签精准度10 = 95
  + 合规5（机械硬拦，不进AI评委）= 100
+合格线80不动；新增"标签精准度"是补考核维度，分从原6维各匀出，总分仍95，不是降门槛。
 "真实感"替换旧"产品聚焦一件事(16)"：富贵"很少提产品/前70%干货后30%植入"独立升维。
 """
 from __future__ import annotations
@@ -18,13 +19,13 @@ SCORER_PERSONA = """你是一位资深小红书内容操盘手，深谙富贵情
 # ── 6 维评判标准（按权重降序；合规第7维由代码机械硬拦，不在此）────
 # 标准依据：括号内标注[富贵原文]或[实战补充]，前者来自口播一手来源，权威最高。
 SCORING_DIMENSIONS = """
-【维度1·痛点人群精准（满分18）】[富贵原文]
+【维度1·痛点人群精准（满分16）】[富贵原文]
 判断："说的就是我"——文案描述的处境/困扰，目标用户读了会不会对号入座。
 好：具体到某类人的某个真实生活瞬间，让人觉得被看穿，落在"我的大问题/我的处境/我的渴望"上。
 差：泛泛而谈谁都能套（如"适合所有想变美的女生"）；或PUA用户、拿别人的惨状吓唬人。
 依据：富贵"我的大问题→处境→渴望"内容骨架；人群越具体穿透力越强；"用户被宠成爹，你PUA他不好使"。

-【维度2·情绪张力（满分18）】[富贵原文·第一性原理]
+【维度2·情绪张力（满分16）】[富贵原文·第一性原理]
 判断：有没有"成果/后果"双向情绪，而不是平铺直叙报卖点。
  · 后果=过去没用它，产生了什么糟糕处境（勾起恐惧/懊悔）
  · 成果=用了它之后，会变成什么样（给出期待/乐观）
@@ -32,32 +33,43 @@ SCORING_DIMENSIONS = """
 差：全程客观介绍产品、无情绪、像说明书；或只单向吓唬、或只空喊美好。
 依据：富贵"营销第一性原理就是情绪，没有情绪什么内容都不转化"；"成果是未来、后果是过去，要做这两种情绪"。

-【维度3·买点转化（满分18）】[富贵原文]
+【维度3·买点转化（满分16）】[富贵原文]
 判断：产品卖点有没有翻译成用户能感知的场景化利益（人话），而不是品牌视角的功效/参数。
-好：用户能想象到的使用场景和结果（如"出门前最后一步、同事问我今天气色真好"）。
+好：用户能想象到的使用场景和结果（如"出门前最后一步搞定、被身边人夸最近状态真好"）。
 差：品牌语言/参数罗列（如"采用XX技术""含XX成分"），用户无感。
 依据：富贵"卖点是品牌视角、买点是用户视角"；"用户买的不是产品，是使用场景背后被解决的问题"。

-【维度4·开头钩子（满分15）】[富贵原文]
+【维度4·开头钩子（满分13）】[富贵原文]
 判断：开头能不能让人停下来、想继续读。
 好：开头第一句就直击用户的大问题/痛处/具体场景代入，每句都打要害。
 差：开头是套话或铺垫半天不进正题，没有任何抓人的点。
 依据：富贵"内容就是锋利的刀，一定要插用户的心窝子"。

-【维度5·标题点击力（满分13）】[富贵原文+实战补充]
-判断：标题有没有让目标用户想点的诱因。
-好：标题带具体人群/场景/痛点/情绪钩子，一眼觉得"和我有关、我想看"，最好来自用户真实说法。
-差：只有产品名、平淡无钩子、或太像广告。
-依据：富贵"热评就是标题，从真实评论里抓用户的话"[原文]；标题善用痛点/人群/效果/情绪词[实战补充]。
+【维度5·标题点击力（满分13）】[富贵原文+实战补充+北哥要害①]
+判断：标题有没有让目标用户想点的诱因，且覆盖面够不够广。
+好：标题带悬念/反差/疑问钩子让人想点，同时"广覆盖"罩住尽量多的人（不一上来就锁死单一窄人群），精准筛人交给标签层。
+差：只有产品名、平淡无钩子、太像广告；或标题一上来就锁死单一窄人群（如只喊某一类人把其他人挡门外），覆盖面太窄。
+依据：富贵"热评就是标题，从真实评论里抓用户的话"[原文]；北哥实战"标题广覆盖+悬念钩子，精准靠标签不靠标题筛人"[要害①]。

-【维度6·真实感（满分13）】[富贵原文]
+【维度6·真实感（满分11）】[富贵原文]
 判断：整条文案是不是像真人分享，而不是品牌广告或功效说明书。
-好：价值/场景/感受为主，产品自然带出；前段是干货或真实经历，后段才软性推荐；不开头就报规格价格。
-差：通篇硬广、产品功效罗列当主体、开头就卖、语气像文案模板而非真实人设。
-依据：富贵"我们很少提产品"；"前70%是价值/场景，后30%才是产品"；用户能感受到"这不像广告"。
+好：价值/场景/感受为主，产品自然带出；前段是干货或真实经历，后段才软性推荐；不开头就报规格价格；种草借第三方视角（闺蜜/同事/被人问）而非自夸回购。
+差：通篇硬广、产品功效罗列当主体、开头就卖、语气像文案模板；或全程自卖自夸"我回购了N次"广告味重。
+依据：富贵"我们很少提产品"；"前70%是价值/场景，后30%才是产品"；北哥要害③"第三方闺蜜真实背书胜过自夸"。
+
+【维度7·标签精准度（满分10）】[北哥要害⑤·出单命门]
+判断：tags 是不是"有明确购买意向的人才会搜"的精准埋词，而不是凑流量的泛词。
+好：目标人群+品类+核心卖点/场景组合成的精准长尾标签（搜它的人就是想买这类的人），至少2-3个精准埋词。
+差：清一色"#好物分享 #真实测评 #种草"这类谁都能用、购买意向弱的泛流量大词，搜来的人不精准。
+扣分细则（必须逐个标签判定，不许整体放水）：把每个 tag 归为"精准埋词"或"泛词"。
+  泛词＝品类大词/平台流量词/无人群无卖点的口号词，如 #好物分享 #平价好物 #种草 #真实测评 #必入清单。
+  精准埋词＝含明确人群或场景或具体痛点卖点，搜它的人就是目标买家，如 #久坐党护腰好物 #通勤提神咖啡。
+  评分上限：泛词占比≥50% 最高只能给6分；占比1/3左右给7-8分；几乎全是精准埋词才给9-10分。
+  reason 里必须点名哪几个是泛词、哪几个是精准埋词，不能只给结论。
+依据：北哥实战"精准购买意向标签埋词是出单命门，泛词价值低、精准长尾才带来真买家"[要害⑤]。
 """.strip()

-# ── 真实感已升为维度6（满分13），此处保留空字符串避免调用方引用报错 ──
+# ── 真实感已升为维度6（满分11），此处保留空字符串避免调用方引用报错 ──
 REALNESS_NOTE = ""  # 升为 SCORING_DIMENSIONS 维度6，不再重复附加

 # ── 输出格式约束 ──────────────────────────────────────────
@@ -65,17 +77,20 @@ SCORER_OUTPUT_FORMAT = """
 读完这条文案后，严格返回纯JSON对象（不要markdown代码块、不要多余文字），格式：
 {
  "dims": [
-    {"item":"痛点人群精准","score":<0-18整数>,"reason":"<针对本条的具体理由，30字内>"},
-    {"item":"情绪张力","score":<0-18>,"reason":"..."},
-    {"item":"买点转化","score":<0-18>,"reason":"..."},
-    {"item":"开头钩子","score":<0-15>,"reason":"..."},
+    {"item":"痛点人群精准","score":<0-16整数>,"reason":"<针对本条的具体理由，30字内>"},
+    {"item":"情绪张力","score":<0-16>,"reason":"..."},
+    {"item":"买点转化","score":<0-16>,"reason":"..."},
+    {"item":"开头钩子","score":<0-13>,"reason":"..."},
    {"item":"标题点击力","score":<0-13>,"reason":"..."},
-    {"item":"真实感","score":<0-13>,"reason":"..."}
+    {"item":"真实感","score":<0-11>,"reason":"..."},
+    {"item":"标签精准度","score":<0-10>,"reason":"..."}
  ],
  "verdict":"<优秀|合格|不合格>",
  "summary":"<一句话总评，说清这条最大的优点和最该改的点>"
 }
 打分要敢拉开差距：平庸文案该给中低分，不要清一色高分；优秀的地方也别吝啬给高分。
+⚠️只评上面7个维度。合规/违禁词由系统机械检测，禁止你输出"合规性/违禁词/合规"等任何合规相关维度，
+也不要因为你主观觉得某词敏感而压分——"不假白/没那么黄/提气色"这类是合规的感受描述，不是功效违禁词。
 """.strip()

 # 合规维度满分（机械硬拦，不进 AI 评委）
@@ -86,9 +101,11 @@ AI_DIMS_MAX = 95


 def build_score_prompt(copy: dict, product: dict | None = None) -> str:
-    """组装单条文案的评委 prompt。copy={title,content,...}，product 提供品牌/品类语境。"""
+    """组装单条文案的评委 prompt。copy={title,content,tags,...}，product 提供品牌/品类语境。"""
    title = str(copy.get("title", "")).strip()
    content = str(copy.get("content", "")).strip()
+    tags_raw = copy.get("tags") or []
+    tags = " ".join(str(t).strip() for t in tags_raw if str(t).strip()) or "（本条未给标签）"
    ctx = ""
    if product:
        name = product.get("name") or product.get("title") or ""
@@ -99,6 +116,6 @@ def build_score_prompt(copy: dict, product: dict | None = None) -> str:
            ctx = "【产品语境】\n" + "\n".join(bits) + "\n\n"
    return (
        f"{SCORING_DIMENSIONS}\n\n"
-        f"{ctx}【待评文案】\n标题：{title}\n正文：{content}\n\n"
+        f"{ctx}【待评文案】\n标题：{title}\n正文：{content}\n标签：{tags}\n\n"
        f"{SCORER_OUTPUT_FORMAT}"
    )
--- a/backend/app/services/ai_engine/_scoring_dims.py
+++ b/backend/app/services/ai_engine/_scoring_dims.py
@@ -35,7 +35,7 @@ def _cat_words(category: str) -> list[str]:
 def score_title(title: str, cat_words: list[str], w: dict) -> dict:
    ts = 0
    if 6 <= len(title) <= 34: ts += 8
-    if re.search(r"[0-9一二三四五六七八九十几]|最近|这支|这个|每天|早八|学生党|新手|宝妈|懒人|伪素颜", title): ts += 5
+    if re.search(r"[0-9一二三四五六七八九十几]|最近|这款|这个|每天|早八|学生党|新手|宝妈|懒人", title): ts += 5
    if _has_any(title, _SCENE_WORDS): ts += 6
    if _has_any(title, cat_words):   ts += 5
    if re.search(r"[！!?？]|救星|不踩雷|闭眼入|会回购|被问|惊喜|加分|常备|省心|实用|别乱选|放心|有气色", title): ts += 6
--- a/backend/app/services/ai_engine/_text_prompt.py
+++ b/backend/app/services/ai_engine/_text_prompt.py
@@ -15,35 +15,38 @@ _PERSONA = """你是一个日常生活分享博主，不是品牌推广号。
 比例：70% 写生活场景和使用感受，30% 提产品，绝不颠倒。
 收尾铁律：每条结尾方式必须不同，禁止使用"东西放这了/买不买跟我没关系"这类被用滥的固定句式。"""

-# ── Q1 随机变量池 ABC（反同质化核心，每次随机抽组合，N条不撞）──────────────
-# 方法层：框架固定，内容可扩展，绝不写死
-_POOL_A_IDENTITY: list[str] = [
-    "上班族早八妆前随手抹",
-    "宿舍懒人护肤三分钟搞定",
-    "敏感肌妈妈哄完娃才有五分钟",
-    "学生党第一次用高价护肤品",
-    "素颜出门前最后一步",
+# ── Q1 叙事切入配方（反同质化核心·北哥四象限人群法，全品类通用不写死）────────
+# 方法层：只给"切入维度类型"，具体人群/场景由模型按本产品卖点+目标人群填充
+# 北哥四象限：场景/习惯/适配/时机——主人群维度按条轮转，保证N条开篇不撞
+_AUDIENCE_DIMENSIONS: list[str] = [
+    "使用场景人群（按该产品最高频的使用场景圈定一类人）",
+    "使用习惯人群（懒人省心/进阶讲究等按习惯分的一类人）",
+    "适配特质人群（该产品特别适配的某类特质或需求人群）",
+    "使用时机人群（按使用时间/阶段/契机圈定的一类人）",
+    "性价比人群（看重划算、对价格敏感的一类人）",
 ]

-_POOL_B_EMOTION: list[str] = [
-    "看到镜子里发现气色暗了一周",
-    "闺蜜问你最近皮肤怎么这么好",
-    "出门被催快点根本来不及叠瓶",
+# 情绪触发类型（通用，模型按产品填具体内容）
+_EMOTION_TRIGGERS: list[str] = [
+    "被身边人提醒或夸到才注意到的瞬间",
+    "自己用的时候突然意识到的变化",
+    "对比之前踩过的雷或走过的弯路",
 ]

-_POOL_C_FLAW: list[str] = [
-    "第一次用量太少了没啥感觉",
-    "包装简单到以为是山寨",
-    "价格摆在那以为会很油很厚",
+# 真实小波折类型（增可信，通用不写死品类）
+_REAL_FLAWS: list[str] = [
+    "一开始用法没掌握或用量不对",
+    "第一眼对包装或价格有点误解",
+    "起效没想象中快、用了阵子才感觉到",
 ]


-def _pick_combo() -> dict[str, str]:
-    """随机抽一组 ABC 变量（每次生成调用一次，N条各不相同）"""
+def _pick_combo(index: int = 0) -> dict[str, str]:
+    """抽一组通用叙事切入配方（维度类型非写死内容）；主人群维度按index轮转，N条不撞"""
    return {
-        "identity": random.choice(_POOL_A_IDENTITY),
-        "emotion":  random.choice(_POOL_B_EMOTION),
-        "flaw":     random.choice(_POOL_C_FLAW),
+        "identity": _AUDIENCE_DIMENSIONS[index % len(_AUDIENCE_DIMENSIONS)],
+        "emotion":  random.choice(_EMOTION_TRIGGERS),
+        "flaw":     random.choice(_REAL_FLAWS),
    }


@@ -61,30 +64,34 @@ _EMOJI_RULES = """
 - 正文段落可点缀少量 emoji 烘托情绪（如 🥹 😭 🤍 💛），每段最多1-2个，不堆砌
 - 结尾话题标签前后带表情，如 "#好物分享 🛒"
 - emoji 服务情绪和分点，不要每句都加；整条正文 emoji 总量控制在 6-12 个
- 常用小红书 emoji 池：✅✨🌿💧🪞🧴📦🔍💛🤍🥹😭🛒（按语义选，不乱用）
+- 常用小红书 emoji 池：✅✨🌿💧📦🔍💛🤍🥹😭🛒💯（按语义选，不乱用）
 """.strip()

 # ── Q2 5步框架 + Q3 四段结构 ─────────────────────────────────────────────
 _STRUCTURE_RULES = """
 【5步框架（必须严格遵循）】
 ① Hook暴击低价/痛点：第一句戳中场景或价格锚点，吊足读者好奇
-② 痛点共鸣：2-3句描写使用前的真实困境（用上面抽到的起因情绪A·B）
+② 痛点共鸣：2-3句描写使用前的真实困境（结合本条的情绪触发，并按北哥要害②召集多类人）
 ③ 救星登场：自然带出产品，口吻是"碰巧发现/朋友安利/囤货时顺手"，不是"推荐给你"
 ④ 卖点罗列（每条加✅小标题）：3条以内，卖点翻译成使用感受，不是功效列表
 ⑤ 收尾（每条必须从下方策略池随机选一种，同批次不得重复同一种，禁止"东西放这了/买不买跟我没关系"此类固定句式）：
  【收尾策略池·每条选不同策略】
-  A·留白式感受：只说自己现在的状态，不提买不买，如"反正现在素颜出门我不慌了"
-  B·反问读者：把感受抛回给读者，如"你们护肤有没有那种一用就回不去的东西？"
-  C·场景延续：把故事延伸到未来某个细节，如"下次同事再问我皮肤的事我就知道说啥了"
-  D·克制回购暗示：轻描淡写说自己行为，如"第一罐用完了，已经在备第二罐"
+  A·留白式感受：只说自己现在的状态，不提买不买，如"反正现在出门我都带着它，心里踏实多了"
+  B·反问读者：把感受抛回给读者，如"你们有没有那种一用就回不去的小东西？"
+  C·场景延续：把故事延伸到未来某个细节，如"下次再有人问起，我就知道该推荐啥了"
+  D·克制回购暗示：轻描淡写说自己行为，如"第一份用完了，已经在备第二份"
  E·纯记录收笔：像日记最后一句，不引导不评价，如"大概就这样，记录一下"
  F·引导搜索（仅在有品牌词时使用）：自然提一句，如"感兴趣可以搜搜『{品牌词}』"，不催单

-【正文四段结构（必须）】
-段1·痛点引入：描写使用前的困境/触发场景（身份场景A·起因情绪B）
-段2·实测记录：真实使用过程，带上小缺点C（真实感来源）
-段3·种草核心：产品带来的变化，用感受描述而非功效声称
-段4·引导收尾：从收尾策略池随机选一种，佛系口吻，不强推，末尾带1-2个相关话题标签
+【正文叙事骨架（开篇方式由本条叙事主线决定，禁止三套同一开头）】
+段1·开篇分叉（按本条叙事主线三选一，这是三套拉开差异的关键）：
+  - 痛点先行→开篇即戳使用前的困境/情绪（结合主切入人群维度，按要害②召集多类人）
+  - 场景先行→开篇先白描一个真实高频使用场景，痛点在场景里自然带出，不喊口号
+  - 成分背书先行→开篇用成分原理/测评对比视角切入（"为什么有用/亲测对比"），痛点后置
+段2·实测记录：真实使用过程，带上本条的真实小波折（真实感来源），用第三方视角背书（北哥要害③）
+段3·种草核心：产品带来的变化，用感受描述而非功效声称，核心成分逐条对应痛点（北哥要害④）
+段4·引导收尾：从收尾策略池随机选一种，佛系口吻，不强推，末尾带精准购买意向标签（北哥要害⑤）
+※ 卖点罗列的措辞/顺序/emoji 三套之间禁止雷同；身边人种草/被夸被问这类桥段三套不得共用同一套。

 【字数】正文350-400字（不含标题tags），3-5处段落空行增强可读性
 """.strip()
@@ -92,23 +99,46 @@ _STRUCTURE_RULES = """
 # ── Q8 标题公式（5类结构，每批次覆盖不同类型，不重复）──────────────────────
 _TITLE_FORMULA = """
 【标题公式（5类，每条用不同类型，禁止同批重复）】
-肤质型：「{肤质}+用了{产品}+{感受}」例→"油皮用了素颜霜整个夏天不脱妆"
-价格型：「{价格锚点}+{产品}+{功效感受}」例→"三位数买到大牌平替，用完第一罐回购第二罐"
-功效型：「{使用场景}+{产品}+{可感知变化}」例→"早起素颜出门靠这罐，同事问我最近皮肤怎么了"
-夸张型：「疑问/感叹+{夸张感受}+{产品}」例→"这什么神奇产品，涂上去感觉素颜也能出门了"
-标题党型：「{反常识/意外信息}+真相是{翻转}」例→"被人说皮肤变好了，没说的是我用了它一个月"
+特征型：「{适配特征}+用了{产品}+{感受}」例→"久坐党用了这把椅子，腰一整天不酸了"
+价格型：「{价格锚点}+{产品}+{效果感受}」例→"三位数买到大牌平替，用完第一份就回购"
+场景型：「{使用场景}+{产品}+{可感知变化}」例→"通勤路上靠这杯，到工位整个人都醒了"
+夸张型：「疑问/感叹+{夸张感受}+{产品}」例→"这什么神仙东西，用一次就回不去了"
+标题党型：「{反常识/意外信息}+真相是{翻转}」例→"被夸最近状态好，没说的是我换了它一个月"
 硬性约束：标题≤20字；禁止出现"绝绝子/YYDS/杀疯了"；不直接写功效词（美白/祛斑等）。
+硬性约束·标题必须有具体锚点：禁止"有点反差/真的绝/太惊艳/有点东西"这类空泛无信息量的标题，
+必须落到一个具体的人群/场景/数字/反差细节上（读者扫一眼就知道讲什么、关我什么事）。
 """.strip()
 _ANTI_AI = f"""
 【反AI味必须遵守】
 - 禁止固定开篇套话：不许"姐妹们/宝子们/今天给大家分享"开头
 - 禁止以下AI味词出现在正文：{_NEGATIVE_WORDS}
- 禁止人群重叠：{'{count}'}条文案中身份场景不能重复（靠变量池ABC保证）
- 禁止场景重复：同批次文案不能都是"早上上班"或都是"学生宿舍"
+- 禁止人群重叠：{'{count}'}条文案主切入人群维度不能重复（靠Q1切入配方按条轮转保证）
+- 禁止场景重复：同批次文案开篇场景不能雷同（不能N条都挤在同一个使用场景）
 - 避免生硬推销词：按头安利/绝绝子/闭眼冲 不能出现
 """.strip()

-# ── 系统 prompt（合并Q2/Q3/Q4/Q7/Q8，数据层走build_prompt动态注入）──────────
+# ── 北哥出单强化层·五大要害（实测出单命门，与富贵框架叠加，冲突以本层为准）──
+_BEIGE_FIVE = """
+【北哥出单强化层·五大要害（最高优先级，与上面框架叠加，冲突时以本层为准）】
+要害①·标题广覆盖+悬念钩子：标题要罩住尽量多的人，不要一上来就锁死单一窄人群
+（只喊一类窄人群会把其他潜在人群挡在外面）；用悬念/反差/疑问做钩子留个扣子让人想点进来；
+精准筛人交给标签层，不靠标题筛人。
+要害②·开篇召集痛点：正文要把这个产品能解决的痛点尽量多列几个、召集多类人
+（"不管你是…还是…"的覆盖感），让更多人对号入座，不要只写一类人的一个痛点。
+注意：召集痛点不必都堆在第一句——开篇方式由本条的叙事主线决定（见下方叙事主线），
+痛点先行的可开篇即戳痛点，场景先行/成分背书先行的则在叙事展开中自然召集多类人，
+绝不能因为这条要害就把三套都写成同一个"赶时间/痛点"开头。
+要害③·第三方闺蜜真实背书：种草借第三方视角（闺蜜/同事/家人说、被人问、别人推荐），
+是"别人替你证言"的真实感，不是自己反复夸自己回购多少次；自夸味=广告味=掉信任。
+要害④·成分逐条对应痛点：每个核心成分都明确对上它解决的那个痛点（成分1→痛点1，成分2→痛点2），
+逐条映射讲清"为什么有用"，翻译成用户能感知的结果，不堆术语、不把成分名堆在一起不解释。
+要害⑤·精准购买意向标签埋词：tags 不要凑流量泛词（#好物分享#真实测评 这类谁都能用的大词价值低），
+要埋"有明确购买意向的人才会搜"的精准词——目标人群+品类+核心卖点/场景组合成精准长尾标签，
+至少2-3个精准埋词。
+这5条是北哥实测出单的命门，务必逐条命中。
+""".strip()
+
+# ── 系统 prompt（合并Q2/Q3/Q4/Q7/Q8 + 北哥五段，数据层走build_prompt动态注入）──
 COPY_SYSTEM = f"""{_PERSONA}

 合规红线（全品类通用）：
@@ -118,6 +148,8 @@ COPY_SYSTEM = f"""{_PERSONA}

 {_ANTI_AI.format(count="N")}

+{_BEIGE_FIVE}
+
 {_TITLE_FORMULA}

 {_EMOJI_RULES}
@@ -178,30 +210,42 @@ def build_prompt(product: dict, count: int, extra_rules: str = "",
    custom   = (product.get("custom_prompt") or "").strip()
    brand_kw = (product.get("brand_keyword") or "").strip()

-    # Q1：每条抽一组随机变量，传给模型作角色约束
-    combos = [_pick_combo() for _ in range(count)]
+    # Q1：每条按index轮转主人群维度+随机情绪/波折，传给模型作切入约束
+    combos = [_pick_combo(i) for i in range(count)]
    combos_text = "\n".join(
-        f"  第{i+1}条：身份场景=「{c['identity']}」·起因情绪=「{c['emotion']}」·小缺点=「{c['flaw']}」"
+        f"  第{i+1}条：主切入人群维度=「{c['identity']}」·情绪触发=「{c['emotion']}」·真实小波折=「{c['flaw']}」"
        for i, c in enumerate(combos)
    )

    angle_hint = f"文案角度要覆盖：{'、'.join(angles)}（每条用不同角度）。" if angles else ""
-    brand_rule = f"每条正文和标题中植入品牌词「{brand_kw}」一次（自然融入，不生硬）。" if brand_kw else ""
+    brand_rule = (
+        f"每条正文中自然植入品牌词「{brand_kw}」至少一次（融入语境，不生硬）。"
+        f"标题以悬念/钩子优先（北哥要害①），品牌词不必硬塞进标题；"
+        f"若要进标题须自然不抢戏，禁止把品牌词堆在标题开头当详情页商品名（如'{brand_kw}{name}'式）。"
+    ) if brand_kw else ""
    benchmark_block = _build_benchmark_block(product.get("benchmark_refs") or [])

+    # strategy_narrative 是三套拉开差异的核心，加强标记顶到最高权重
+    narrative_block = (
+        f"\n========== 本套叙事主线（最高优先级·决定开篇与全文走向，禁止偏离）==========\n"
+        f"{strategy_narrative}\n"
+        f"==============================================================\n"
+        if strategy_narrative else ""
+    )
+
    lines = [
        f"产品：{name}",
-        f"核心卖点（必须翻译成用户能感知的生活化利益，禁止直接列功效词；翻译范例：'烟酰胺'→'熬夜后第二天脸不那么黄了'，'高保湿'→'涂上去一整天都没搓泥拔干'）：{selling}",
+        f"核心卖点（必须翻译成用户能感知的生活化利益，禁止直接列功效/参数词；翻译范例：技术参数'XX配方/XX材质'→'用起来的某个具体好处'，'大容量'→'出门一整天都不用补'）：{selling}",
        f"风格调性：{style}",
-        strategy_narrative,
+        narrative_block,
        angle_hint,
        brand_rule,
        custom,
        benchmark_block,
-        f"\n【Q1随机变量池·每条身份/起因/小缺点各不相同，严格按下方分配使用】",
+        f"\n【Q1切入配方·每条主切入人群维度不同，模型按本产品把维度填成具体人群】",
        combos_text,
        extra_rules,
-        f"\n请严格按5步框架+四段结构生成 {count} 条，每条350-400字，返回纯JSON数组。",
+        f"\n请严格按5步框架+叙事骨架生成 {count} 条，开篇方式必须服从上方叙事主线，每条350-400字，返回纯JSON数组。",
    ]
    return "\n".join(l for l in lines if l)

@@ -228,15 +272,15 @@ def build_local_drafts(product: dict, count: int) -> list[dict]:
    _fallback_angles = ["生活场景型", "成分分析型", "使用感受型", "性价比型", "痛点切入型"]
    angles_pool = product.get("text_angles") or _fallback_angles
    for i in range(count):
-        c = _pick_combo()
+        c = _pick_combo(i)
        # 循环取不同角度（角度相同的两条会被 dedupe_copies 过滤掉，所以必须不重复）
        angle = angles_pool[i % len(angles_pool)]
        yield {
            "title": f"发现一个{name}的{angle}用法",
            "content": (
-                f"{c['identity']}，{c['emotion']}。\n\n"
+                f"最近开始用{name}，{c['emotion']}。\n\n"
                f"用了一段时间，{points[i % len(points)]}这点最让我意外。\n\n"
-                f"说个小缺点：{c['flaw']}，后来才摸到感觉。\n\n"
+                f"说个小波折：{c['flaw']}，后来才摸到感觉。\n\n"
                f"反正现在用顺手了。✅"
            ),
            "tags": [f"#{name}", "#真实测评", "#好物分享"],
--- a/backend/app/services/ai_engine/beige_color_grade.py
+++ b/backend/app/services/ai_engine/beige_color_grade.py
@@ -0,0 +1,121 @@
+"""
+北哥醒图调色层（去AI化·暖棕奶茶色调）
+来源：北哥 v2 教程 f_010 醒图参数（倩倩姐2026-06-15录入），Pillow 近似实现。
+参数：色温+28(暖棕灵魂)/高光-35(压瓶身反光)/阴影+22/对比+9/饱和+6/暗角-10/HSL橙肤色。
+开关：环境变量 BEIGE_COLOR_GRADE，默认开(=1)；off 则原样返回不调色。
+诚实声明：醒图是分区调整，Pillow 只能做全局近似，方向一致、强度可参数化微调。
+"""
+from __future__ import annotations
+
+import logging
+import os
+
+logger = logging.getLogger(__name__)
+
+try:
+    from PIL import Image, ImageEnhance
+    _PILLOW_OK = True
+except ImportError:
+    _PILLOW_OK = False
+
+# 北哥醒图默认参数（归一化到 Pillow 可用范围；±5 浮动由调用方覆盖）
+# 数值含义见模块 docstring；强度系数经验值，落地后按实拍微调
+BEIGE_PRESET: dict[str, float] = {
+    "warmth":     28.0,   # 色温(暖棕灵魂，口诀+25~30) → R提/B压
+    "highlight": -35.0,   # 高光(压瓶身反光，固定压暗高光区)
+    "shadow":     22.0,   # 阴影(提暗部)
+    "contrast":    9.0,   # 对比度
+    "saturation":  6.0,   # 饱和(别高=廉价感)
+    "vignette":   10.0,   # 暗角(聚焦中间，越大四角越暗)
+}
+
+
+def is_enabled() -> bool:
+    """北哥调色开关，默认关(倩倩姐2026-06-22拍板)。设 BEIGE_COLOR_GRADE=1 重开。
+
+    关闭理由：北哥醒图 warmth=28 是给"手机翻拍真实照"去AI化用的；
+    gpt-image-2 成片本身已渲染好色调，再叠暖色温→脏黄发闷(实测R-B黄偏11→14.2)。
+    去AI化靠 SynthID 破除+重编码即可，调色这层在AI成片上帮倒忙。
+    本模块代码保留，需要时设 BEIGE_COLOR_GRADE=1 即可重开调参。
+    """
+    return os.environ.get("BEIGE_COLOR_GRADE", "0") == "1"
+
+
+def _apply_warmth(img: "Image.Image", warmth: float) -> "Image.Image":
+    """色温：暖棕奶茶调灵魂。R通道提、B通道压，强度由 warmth 控制。"""
+    if abs(warmth) < 1:
+        return img
+    k = warmth / 100.0  # 28 → 0.28
+    r, g, b = img.split()
+    r = r.point(lambda v: min(255, int(v * (1 + 0.28 * k))))
+    b = b.point(lambda v: max(0, int(v * (1 - 0.30 * k))))
+    g = g.point(lambda v: min(255, int(v * (1 + 0.05 * k))))  # 微提绿保肤色不偏品红
+    return Image.merge("RGB", (r, g, b))
+
+
+def _apply_high_shadow(img: "Image.Image", highlight: float, shadow: float) -> "Image.Image":
+    """高光压暗(压反光) + 阴影提亮(提暗部)，按像素亮度分区近似。"""
+    if abs(highlight) < 1 and abs(shadow) < 1:
+        return img
+    hl = highlight / 100.0   # -35 → -0.35
+    sh = shadow / 100.0      # 22 → 0.22
+
+    def _curve(v: int) -> int:
+        t = v / 255.0
+        # 高光区(t>0.6)按 hl 压暗；阴影区(t<0.4)按 sh 提亮；中间过渡
+        if t > 0.6:
+            v2 = t + hl * (t - 0.6) / 0.4 * t
+        elif t < 0.4:
+            v2 = t + sh * (0.4 - t) / 0.4 * (1 - t)
+        else:
+            v2 = t
+        return max(0, min(255, int(v2 * 255)))
+
+    lut = [_curve(i) for i in range(256)]
+    return img.point(lut * 3)
+
+
+def _apply_vignette(img: "Image.Image", strength: float) -> "Image.Image":
+    """暗角：四角压暗聚焦中间。strength 越大越暗。"""
+    if strength < 1:
+        return img
+    w, h = img.size
+    s = strength / 100.0  # 10 → 0.10
+    mask = Image.new("L", (w, h), 0)
+    px = mask.load()
+    cx, cy = w / 2.0, h / 2.0
+    maxd = (cx ** 2 + cy ** 2) ** 0.5
+    # 降采样算遮罩省时：每4px算一次
+    step = 4
+    for y in range(0, h, step):
+        for x in range(0, w, step):
+            d = ((x - cx) ** 2 + (y - cy) ** 2) ** 0.5 / maxd
+            darken = int(255 * s * (d ** 2))
+            for dy in range(step):
+                for dx in range(step):
+                    if x + dx < w and y + dy < h:
+                        px[x + dx, y + dy] = darken
+    black = Image.new("RGB", (w, h), (0, 0, 0))
+    return Image.composite(black, img, mask)
+
+
+def grade(image_bytes: bytes, preset: dict | None = None) -> bytes:
+    """对单张图施加北哥暖棕调色。开关关或Pillow缺失则原样返回，失败降级返原图。"""
+    if not is_enabled() or not _PILLOW_OK:
+        return image_bytes
+    p = {**BEIGE_PRESET, **(preset or {})}
+    try:
+        img = Image.open(__import__("io").BytesIO(image_bytes)).convert("RGB")
+        img = _apply_warmth(img, p["warmth"])
+        img = _apply_high_shadow(img, p["highlight"], p["shadow"])
+        if p["contrast"]:
+            img = ImageEnhance.Contrast(img).enhance(1 + p["contrast"] / 100.0)
+        if p["saturation"]:
+            img = ImageEnhance.Color(img).enhance(1 + p["saturation"] / 100.0)
+        img = _apply_vignette(img, p["vignette"])
+        buf = __import__("io").BytesIO()
+        img.save(buf, format="JPEG", quality=100, subsampling=0, optimize=True)
+        return buf.getvalue()
+    except Exception as exc:
+        logger.warning("北哥调色失败，降级返回原图: %s", exc)
+        return image_bytes
--- a/backend/app/services/ai_engine/constants.py
+++ b/backend/app/services/ai_engine/constants.py
@@ -28,16 +28,17 @@ SCORE_WEIGHTS = {
    "keyword": 20,
    "compliance": 5,
 }
-# ── AI 评委 7 维满分分布（倩倩姐2026-06-15拍板·与 llm_scorer._DIM_MAX/_score_prompt 三处同步）──
-# 6维AI读分(痛点18+情绪18+买点18+钩子15+标题13+真实感13=95) + 合规5 = 100
-# "真实感"=富贵"很少提产品/前70%干货后30%植入"原则，替换旧机械维度"产品聚焦一件事(16)"
+# ── AI 评委 7 维满分分布（倩倩姐2026-06-22拍板补标签精准·与 llm_scorer._DIM_MAX/_score_prompt 三处同步）──
+# 7维AI读分(痛点16+情绪16+买点16+钩子13+标题13+真实感11+标签精准10=95) + 合规5 = 100
+# 标签精准度=北哥要害⑤出单命门(精准购买意向埋词)，分从原6维各匀出，总分仍95，合格线80不动非降门槛
 AI_DIM_WEIGHTS = {
-    "痛点人群精准": 18,
-    "情绪张力":     18,
-    "买点转化":     18,
-    "开头钩子":     15,
+    "痛点人群精准": 16,
+    "情绪张力":     16,
+    "买点转化":     16,
+    "开头钩子":     13,
    "标题点击力":   13,
-    "真实感":       13,
+    "真实感":       11,
+    "标签精准度":   10,
    "compliance":    5,  # 机械硬拦，不进 AI 评委
 }
 # 过线分。倩倩姐2026-06-15拍板：80是临时观察值(AI评委给分克制，84文案实为合格)。
@@ -54,13 +55,13 @@ DEDUP_TITLE_CONTENT_BODY = 0.72    # 标题+正文联合判重时的正文阈值
 MAX_OPTIMIZE_ROUNDS = 2  # 最多重生成轮次

 # ── storyboard 分镜角色（枚举不写死数量）────────────────
-# Q6: 北哥6张套路顺序 ①封面痛点大字 ②单品特写+品牌词 ③成分 ④质地 ⑤上脸对比 ⑥促单
+# Q6: 北哥6张套路顺序 ①封面痛点大字 ②单品特写+品牌词 ③成分 ④质地 ⑤效果证明(按品类) ⑥促单
 PAGE_ROLES = [
    {"role": "hook",            "name": "封面痛点大字", "focus": "负责点击：强情绪大字标题压痛点，产品露出，真实生活场景，像用户主动分享，不像广告海报"},
    {"role": "product_closeup", "name": "单品特写",    "focus": "负责种草锚点：单品高清特写+品牌词自然植入，第2/6张都带品牌词，强化记忆"},
    {"role": "ingredient",      "name": "成分拆解",    "focus": "负责信任：核心成分信息、作用说明，避免医疗化和绝对化表达，信息清晰可信"},
    {"role": "texture",         "name": "质地展示",    "focus": "负责种草：质地近景、涂抹过程、肤感说明，真实手部/桌面/日常光线"},
-    {"role": "applied_proof",   "name": "上脸对比",    "focus": "负责证明：可感知上脸效果，展示涂抹前后质地变化（不做肤色变白/瑕疵消失等违规暗示），第5张"},
+    {"role": "applied_proof",   "name": "效果证明",    "focus": "负责证明：可感知的真实使用效果，按品类展示使用过程/状态变化（护肤=上脸肤感/食品=入口口感/家居数码=使用顺手等，不做违规功效暗示），第5张"},
    {"role": "closer",          "name": "促单收尾",    "focus": "负责转化：转化句+品牌词，引导搜索品牌词成交，软性收尾不硬广，第6张再带一次品牌词"},
    # 扩展角色（8张链路用）
    {"role": "pain_scene",  "name": "痛点共鸣",  "focus": "负责共鸣：展示目标人群的真实困扰和使用前情境，但不做功效前后对比"},
@@ -79,7 +80,7 @@ ROLE_SCENE_PREFERENCE = {
    "product_closeup": ["primary"],                # 单品特写：白底主图
    "ingredient":      ["ingredient", "primary"],  # 成分拆解：成分/包装细节
    "texture":         ["texture", "primary"],     # 质地展示：质地特写
-    "applied_proof":   ["model", "scene", "primary"],  # 上脸：上脸图/场景
+    "applied_proof":   ["model", "scene", "primary"],  # 效果证明：使用场景/上身/上脸图
    "social_proof":    ["scene", "primary"],       # 社交背书：场景
    "closer":          ["primary"],                # 促单收尾：主图
    "scenario":        ["scene", "primary"],
@@ -91,8 +92,8 @@ ROLE_SCENE_PREFERENCE = {
 # 按 style 参数选小红书风格调性，注入 base_prompt 的"视觉风格"行
 STYLE_PROMPTS = {
    "xiaohongshu_cover": "小红书种草风，独立3:4图文海报/素材图，1024×1536构图，明亮干净，真实实拍质感，醒目中文短标题，文字在安全区内",
-    "comparison": "小红书说明对比风，独立3:4图文海报/素材图，1024×1536构图，质地/场景/肤感左右或上下对比，信息层级清晰",
-    "ingredient": "小红书成分科普风，独立3:4图文海报/素材图，1024×1536构图，成分卡片布局，浅色商务美妆风，避免医疗化表达",
+    "comparison": "小红书说明对比风，独立3:4图文海报/素材图，1024×1536构图，质地/场景/使用状态左右或上下对比，信息层级清晰",
+    "ingredient": "小红书信息科普风，独立3:4图文海报/素材图，1024×1536构图，成分/参数卡片布局，浅色干净商务风，避免医疗化表达",
 }
 STYLE_DEFAULT = "xiaohongshu_cover"

@@ -100,8 +101,8 @@ STYLE_DEFAULT = "xiaohongshu_cover"
 # 按图数告诉模型整组图的种草节奏，让每张各司其职不雷同
 NARRATIVE_BY_COUNT = {
    3: "3张极速链路：第1张负责点击，第2张是按品类变化的核心证明页，第3张负责软性转化。",
-    6: "6张标准种草链路：封面点击、单品特写带品牌词、成分信任、质地种草、上脸证明、促单转化，每张画面和文字各司其职不重复。",
-    8: "8张沉浸测评链路：点击、痛点共鸣、单品特写、成分、质地、上脸证明、背书、软性转化。",
+    6: "6张标准种草链路：封面点击、单品特写带品牌词、成分/参数信任、质地/细节种草、按品类的真实效果证明、促单转化，每张画面和文字各司其职不重复。",
+    8: "8张沉浸测评链路：点击、痛点共鸣、单品特写、成分/参数、质地/细节、按品类的真实效果证明、背书、软性转化。",
 }

 # ── 3套正交叙事策略（倩倩姐2026-06-15起草，北哥过目版）──────────────
@@ -109,19 +110,19 @@ NARRATIVE_BY_COUNT = {
 # 每套叙事链路注入 base_prompt 叙事链路段，替换 NARRATIVE_BY_COUNT 默认值
 NARRATIVE_BY_STRATEGY = {
    "A": (
-        '【套A·痛点先行】整组基调：紧迫感、强对比、情绪共鸣，文字短促带感叹号，直戳"脸黄显疲惫""素颜不敢出门"。'
-        '6张链路：①痛点暴击封面（强情绪大字直击暗黄/素颜焦虑）→ ②暗黄脸实拍对比（感叹号+对比词制造紧迫感）'
-        '→ ③单品特写+品牌词 → ④成分为什么能救暗黄（成分拆解+信任） → ⑤上脸提亮实证 → ⑥"别再顶着黄脸早八"软性促单。'
+        '【套A·痛点先行】整组基调：紧迫感、强对比、情绪共鸣，文字短促带感叹号，直戳产品要解决的核心痛点（痛点取自上文产品卖点/人群，不要套用别的品类）。'
+        '6张链路：①痛点暴击封面（强情绪大字直击该产品核心痛点）→ ②痛点实拍对比（感叹号+对比词制造紧迫感）'
+        '→ ③单品特写+品牌词 → ④核心成分为什么能解决该痛点（成分拆解+信任） → ⑤使用效果实证 → ⑥用痛点收束的软性促单。'
    ),
    "B": (
-        '【套B·场景先行】整组基调：轻松、生活化、代入感，突出"快/省时/伪素颜自由"，点到性价比不堆砌。'
-        '6张链路：①"早八来不及"场景封面（生活场景钩子） → ②手忙脚乱通勤场景（代入早八焦虑）'
-        '→ ③一抹搞定单品特写+品牌词 → ④养肤成分让你敢素颜 → ⑤30秒上脸效果 → ⑥"伪素颜自由+平价"软性促单。'
+        '【套B·场景先行】整组基调：轻松、生活化、代入感，突出该产品的真实使用场景与"快/省时/省心"卖点，点到性价比不堆砌。'
+        '6张链路：①真实使用场景封面（取该产品最高频的生活场景做钩子） → ②场景代入（还原用户在该场景里的困扰）'
+        '→ ③单品特写+品牌词 → ④核心成分支撑该场景卖点 → ⑤使用效果展示 → ⑥用场景化卖点收束的软性促单。'
    ),
    "C": (
        '【套C·成分背书先行】整组基调：专业、可信、真实测评感，强调成分逻辑+前后对比+像有用户实证背书。'
-        '6张链路：①成分权威封面（核心成分信息锚定信任） → ②核心成分图解（作用说明+清晰可信）'
-        '→ ③单品特写+品牌词 → ④使用前后时间线对比 → ⑤真实上脸细节 → ⑥"成分党闭眼入"软性促单。'
+        '6张链路：①成分权威封面（该产品核心成分信息锚定信任） → ②核心成分图解（作用说明+清晰可信）'
+        '→ ③单品特写+品牌词 → ④使用前后时间线对比 → ⑤真实使用细节 → ⑥用成分可信度收束的软性促单。'
    ),
 }

@@ -130,23 +131,37 @@ NARRATIVE_BY_STRATEGY = {
 # 与 NARRATIVE_BY_STRATEGY（图片侧）同根：套A文案痛点先行↔套A图也痛点先行，同套内文图一致
 TEXT_NARRATIVE_BY_STRATEGY = {
    "A": (
-        "【本条叙事主线·痛点先行】开篇直戳用户困扰（脸黄显疲惫/素颜不敢出门/早八顶着黄脸），"
-        "情绪强、句子短促带感叹，痛点贯穿全文到种草，结尾用'别再顶着黄脸早八'这类痛点收束促单。"
-        "基调：紧迫感、强对比、情绪共鸣。"
+        "【本条叙事主线·痛点先行】开篇第一句必须直接说出'使用前的困扰/焦虑情绪'本身"
+        "（取自本产品要解决的那个具体痛点，以及试过很多没用的挫败感），先有情绪再有场景，"
+        "痛点取自上文产品卖点/目标人群、不要套用别品类；情绪强、句子短促带感叹。"
+        "⚠️开篇禁止从'时间/场景'切入（如一天里的某个时刻、赶时间、通勤，那是套B的开法），必须先抛情绪/痛点。"
+        "▶中段背书方式=自己反复挣扎后的转折（试错→死心→偶然回购/被一个生活细节打动），"
+        "靠自己使用前后的真实变化来自证，不要用'闺蜜/同事/家人种草'来背书。"
+        "▶卖点要带着'这个困扰被解决了'的情绪逐个讲，emoji用情绪向（😭🥹💛）。"
+        "▶收尾用该痛点的释然收束（'现在不慌了'类），禁止用'被身边人夸/被问起'桥段（那是套B的尾）。"
    ),
    "B": (
-        "【本条叙事主线·场景先行】用真实生活场景开篇（早八来不及/通勤手忙脚乱/赶时间出门），"
-        "轻松代入感，突出'快/省时/伪素颜自由'，点到平价性价比但不堆砌。"
-        "基调：轻松、生活化、像朋友随手分享。"
+        "【本条叙事主线·场景先行】开篇用一个具体的生活使用场景白描切入"
+        "（最真实高频的那个使用时刻，画面感优先），痛点藏在场景里自然带出、不喊口号，"
+        "突出'快/省时/省心'类卖点，点到平价性价比但不堆砌。"
+        "▶中段背书方式=身边人（同事/家人）在场景里的一句随口反馈，轻松不刻意。"
+        "▶成分融在使用场景里一两句带过即可，不要单独列大段成分清单，emoji用场景向（☕🚇✨）。"
+        "▶收尾用场景延续（'下次再有人问…我知道怎么答了'类）。"
    ),
    "C": (
-        "【本条叙事主线·成分背书先行】用成分原理或测评视角开篇（核心成分为什么有用/亲测对比），"
-        "专业可信，带使用前后时间线对比，像真实用户实证背书，结尾用'成分党闭眼入'收束。"
-        "基调：专业、可信、真实测评感。"
+        "【本条叙事主线·专业背书先行】开篇必须从'成分/参数/原理/测评对比'等专业依据切入"
+        "（按本产品品类对应：护肤食品讲成分配方、数码家居讲参数原理、服饰讲材质工艺，"
+        "如翻配料/参数表、对比实验、为什么这个设计/成分有用），先讲可信度再讲使用。"
+        "⚠️开篇禁止从'时间/场景'切入（如赶时间、通勤、被人问起，那是套A/B的开法），必须从专业依据入手。"
+        "▶中段背书方式=理性自证（参数/成分对比/和踩过的雷横向比/前后时间线实测/参考测评博主的拆解分析），"
+        "靠数据和亲测说话，不要用'闺蜜/同事/家人种草'来背书。"
+        "▶专业依据要讲得比A/B更深（为什么这项关键/感知差异/和别家差在哪），是本套的差异优势，"
+        "emoji用理性向（🔍💧🧪），收尾用专业可信度收束。"
    ),
 }


+IMAGE_RETRY_ATTEMPTS = 3        # 生图重试总次数（含首次）
 IMAGE_RETRY_BACKOFF_BASE = 2.0  # 指数退避底数（秒）
 IMAGE_SIZE_DEFAULT = "1024x1536"

@@ -185,6 +200,7 @@ FLYWHEEL_WEIGHTS = {
    "text_select": 3,
    "image_select": 3,
    "text_edit": 5,    # 改稿=用户真动手改字=最强真实意图,与approve同级(倩倩姐2026-06-16拍板)
+    "text_import": 8,  # 导入=客户实跑验证过的范本,权重最重(倩倩姐2026-06-26拍板),与enums.SIGNAL_WEIGHTS对齐
    "approve": 5,
    "reject_with_reason": -3,
    "regenerate": -1,
--- a/backend/app/services/ai_engine/fission_prompt.py
+++ b/backend/app/services/ai_engine/fission_prompt.py
@@ -137,7 +137,13 @@ 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）。"""
+    """组装裂变 user prompt（对齐上线版 handleContentSplit 的 prompt 变量拼装）。
+
+    D3修复：给每套分配正交叙事主线（复用 TEXT_NARRATIVE_BY_STRATEGY A/B/C），
+    套数超过3时按顺序循环（套4=A/套5=B），让各套开篇/背书/收尾正交拉开。
+    """
+    from app.services.ai_engine.constants import TEXT_NARRATIVE_BY_STRATEGY
+
    src = source_note or {}
    prod = product or {}
    dims = dimensions or DEFAULT_DIMENSIONS
@@ -149,9 +155,24 @@ def build_fission_prompt(
    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"]
-    )
+    # D2修复：去掉"真实测评/好物分享"泛词兜底（评分prompt明确泛词占≥50%最高6分，自打自）
+    # 改用产品真实信息提炼精准词；实在无keywords也不塞流量泛词
+    if keywords:
+        kw_line = "、".join(keywords)
+    else:
+        # 从产品卖点/人群/名称里取实质性词，不拼平台泛词
+        sp_words = [str(s).strip() for s in (points[:2] if points else []) if str(s).strip()]
+        kw_parts = [x for x in ([name] + sp_words + ([audience] if audience != "未提供" else [])) if x and x != "未提供"]
+        kw_line = "、".join(kw_parts) if kw_parts else ""
+
+    # D3修复：按套序循环分配 A/B/C 叙事主线
+    narrative_keys = list(TEXT_NARRATIVE_BY_STRATEGY.keys())  # ["A","B","C"]
+    narrative_lines = []
+    for i in range(note_count):
+        key = narrative_keys[i % len(narrative_keys)]
+        narrative_lines.append(f"第{i+1}套叙事主线：{TEXT_NARRATIVE_BY_STRATEGY[key]}")
+    narrative_block = "\n".join(narrative_lines)
+
    return f"""爆款参考：
 标题：{title}
 正文：{content}
@@ -166,7 +187,11 @@ def build_fission_prompt(
 生成数量：{note_count}套
 每套图片数量：{image_count}张

+【各套正交叙事主线——必须严格执行，这是本次裂变不同质的关键】
+{narrative_block}
+
 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。
+每套必须严格按其指定叙事主线展开开篇/背书/收尾，不同套之间叙事结构必须正交、不重复。
 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。"""

--- a/backend/app/services/ai_engine/gemini_factory.py
+++ b/backend/app/services/ai_engine/gemini_factory.py
@@ -43,6 +43,15 @@ class AIClients:
    _model_image: str = "gpt-image-2"
    _model_text: str = "claude-opus-4-8"  # 最强档(倩倩姐红线):Claude系一律4.8,绝不降级

+    def has_alt_channel(self) -> bool:
+        """是否真正配置了 codeproxy 备用通道（有独立 key 才算）。
+
+        🔴 没配 codeproxy key 时（用户未录 + env 未设），编排层据此跳过 codeproxy，
+        避免每张图都白白尝试 codeproxy → 撞"绝不静默降级"红线 → 空转重试 3 次。
+        录了 key 就自动启用真双通道互备，逻辑不变。
+        """
+        return bool(self._alt_token)
+
    def _client(self) -> httpx.AsyncClient:
        """主通道(apiports) client，按当前事件循环缓存"""
        return self._client_for(self._gpt_base, self._gpt_token)
@@ -67,15 +76,33 @@ class AIClients:
    # ── ImageClient 协议实现（供 image_gen.py 使用）────────

    def _gpt_target(self, provider: str | None) -> tuple[str, str | None, httpx.AsyncClient]:
-        """按 provider 选 (base, token, client)；codeproxy 走备用站独立 base+key"""
-        if provider == "codeproxy" and self._alt_token:
+        """按 provider 选 (base, token, client)；codeproxy 走备用站独立 base+key。
+
+        🔴 绝不静默降级（红线）：显式点名 codeproxy 却没有 codeproxy 独立 key 时,
+        必须抛错让该通道明确失败(由上层 generate_one_image 记录并切下一通道),
+        绝不静默用 apiports 主 key 冒充 codeproxy——那等于"假双通道"且无声退化,
+        既骗了主备设计也违反红线。用户要真备份就得录入第二把 key。
+        """
+        if provider == "codeproxy":
+            if not self._alt_token:
+                raise RuntimeError(
+                    "codeproxy 通道未配置独立 key,拒绝用 apiports 主 key 冒充"
+                    "(红线:绝不静默降级)。请为该用户录入 codeproxy key 以启用真双通道互备。"
+                )
            base = (self._alt_base or os.environ.get("CODEPROXY_BASE_URL") or "").rstrip("/")
            return base, self._alt_token, self._client_for(base, self._alt_token)
        base = (os.environ.get("IMAGE_API_BASE") or os.environ.get("APIPORTS_BASE_URL") or "").rstrip("/")
        return base, self._gpt_token, self._client_for(self._gpt_base, self._gpt_token)

    async def gpt_edits(self, prompt: str, reference_images: list[bytes], size: str, provider: str | None = None) -> bytes:
-        """GPT edits endpoint（带产品参考图，禁纯文生图）"""
+        """GPT edits endpoint（带产品参考图，禁纯文生图）。
+
+        codeproxy 走 OpenAI Images `/images/edits`；apiports 实测图片编辑注册在
+        `/chat/completions` 多模态通道，不能复用 `/images/edits`。
+        """
+        if provider == "apiports":
+            return await self._apiports_chat_image_edit(prompt, reference_images)
+
        import io
        files: list[tuple] = [("prompt", (None, prompt))]
        for i, img in enumerate(reference_images):
@@ -87,6 +114,29 @@ class AIClients:
        resp.raise_for_status()
        return _extract_image_bytes(resp.json())

+    async def _apiports_chat_image_edit(self, prompt: str, reference_images: list[bytes]) -> bytes:
+        """apiports 图片编辑：走 /chat/completions 多模态，参考图用 data URL。"""
+        if not reference_images:
+            raise ValueError("apiports 图生图缺少参考图，拒绝纯文生图")
+
+        import base64
+
+        base, _, client = self._gpt_target("apiports")
+        content: list[dict] = [{"type": "text", "text": prompt}]
+        for img in reference_images:
+            b64 = base64.b64encode(img).decode()
+            content.append({
+                "type": "image_url",
+                "image_url": {"url": f"data:image/png;base64,{b64}"},
+            })
+        payload = {
+            "model": self._model_image,
+            "messages": [{"role": "user", "content": content}],
+        }
+        resp = await client.post(f"{base}/chat/completions", json=payload, timeout=300.0)
+        resp.raise_for_status()
+        return _extract_chat_image_bytes(resp.json())
+
    async def gpt_generate(self, prompt: str, size: str, provider: str | None = None) -> bytes:
        """GPT 纯文生图（仅 ALLOW_TEXT_ONLY_IMAGE=true 时用）"""
        base, _, client = self._gpt_target(provider)
@@ -100,14 +150,17 @@ class AIClients:
        if not self._gemini_key:
            raise RuntimeError("Gemini key 未初始化")
        gemini_base = os.environ.get("GEMINI_API_URL", "https://generativelanguage.googleapis.com/v1beta")
-        url = f"{gemini_base}/models/{model}:generateContent?key={self._gemini_key}"
+        # 安全红线：key 走 header(x-goog-api-key)不进 URL query，
+        # 否则 httpx 异常的 __str__ 含完整 URL，会把明文 key 带进 WARNING 日志。
+        url = f"{gemini_base}/models/{model}:generateContent"
        parts: list[dict] = [{"text": prompt}]
        for img in reference_images:
            import base64
            parts.append({"inline_data": {"mime_type": "image/png", "data": base64.b64encode(img).decode()}})
        payload = {"contents": [{"role": "user", "parts": parts}], "generationConfig": {"responseModalities": ["IMAGE", "TEXT"]}}
        async with httpx.AsyncClient() as client:
-            resp = await client.post(url, json=payload, timeout=120.0)
+            resp = await client.post(url, json=payload,
+                                     headers={"x-goog-api-key": self._gemini_key}, timeout=120.0)
        resp.raise_for_status()
        return _extract_gemini_image(resp.json())

@@ -126,9 +179,10 @@ class AIClients:
            resp.raise_for_status()
            return resp.json()
        except (httpx.HTTPStatusError, httpx.TransportError, httpx.TimeoutException) as exc:
-            # 仅 5xx(服务端过载)或网络层错误才回落；4xx(参数/鉴权)回落也没用，直接抛。
+            # 回落判定：网络层错误、5xx(过载)、以及 402(欠费)/429(限流) 都该切通道——
+            # 这几种都是"本通道暂时不行、换通道有救"。401/403(鉴权)/400(参数) 回落也没用，直接抛。
            status = getattr(getattr(exc, "response", None), "status_code", None)
-            retryable = status is None or status >= 500
+            retryable = status is None or status >= 500 or status in (402, 429)
            if not (retryable and self._alt_token):
                raise
            alt_base = (self._alt_base or os.environ.get("CODEPROXY_BASE_URL") or "").rstrip("/")
@@ -196,21 +250,26 @@ class AIClients:
        self._gpt_client_loop_id = None


-def build_ai_clients(plain_key: str, gemini_key: str | None = None) -> AIClients:
+def build_ai_clients(plain_key: str, gemini_key: str | None = None, alt_key: str | None = None) -> AIClients:
    """
    用解密后的明文 key 构建 AIClients。
    只在 Celery worker 函数体内调用，plain_key 是局部变量。
    httpx client 不在此预创建（避免绑死到调用方 loop），首次 await 时按 loop 懒建。
    调用完成后 caller 负责 await clients.aclose()。
+
+    alt_key：用户录入的 codeproxy 备用站 key（基石B：worker 内查库解密后传入）。
+    倩倩姐红线「全做成自己的，不要埋进系统」——codeproxy key 优先用用户录入的，
+    未录入才回落 env CODEPROXY_KEY（向后兼容，避免没录时备用通道直接失效）。
+    base 地址（中转站 URL）非秘密，仍走 env 配置。
    """
    gpt_base = (
        os.environ.get("IMAGE_API_BASE")          # 旧变量名
        or os.environ.get("APIPORTS_BASE_URL")    # .env 实际变量名
        or ""
    ).rstrip("/")
-    # 备用站 codeproxy：系统级 key（非用户录入），apiports 503 时切过去保生图成功
+    # 备用站 codeproxy：优先用户录入 key，回落 env；apiports 503 时切过去保生图成功
    alt_base = (os.environ.get("CODEPROXY_BASE_URL") or "").rstrip("/")
-    alt_token = os.environ.get("CODEPROXY_KEY") or None
+    alt_token = alt_key or os.environ.get("CODEPROXY_KEY") or None
    return AIClients(
        _gpt_token=plain_key,
        _gpt_base=gpt_base or None,
@@ -240,6 +299,95 @@ def _extract_image_bytes(resp_json: dict) -> bytes:
    raise ValueError(f"无法解析图片响应：{list(item.keys())}")


+def _decode_b64_image(value: str) -> bytes:
+    """解 data URL 或裸 base64 图片。"""
+    import base64
+    if value.startswith("data:"):
+        value = value.split(",", 1)[1]
+    return base64.b64decode(value)
+
+
+def _bytes_from_image_item(item: dict) -> bytes | None:
+    """兼容 chat 图片 item 里的常见 url/base64 字段。"""
+    if not isinstance(item, dict):
+        return None
+    for key in ("b64_json", "base64", "data"):
+        val = item.get(key)
+        if isinstance(val, str) and val:
+            return _decode_b64_image(val)
+    url_val = None
+    if isinstance(item.get("image_url"), dict):
+        url_val = item["image_url"].get("url")
+    elif isinstance(item.get("image_url"), str):
+        url_val = item.get("image_url")
+    elif isinstance(item.get("url"), str):
+        url_val = item.get("url")
+    if isinstance(url_val, str) and url_val:
+        if url_val.startswith("data:"):
+            return _decode_b64_image(url_val)
+        resp = httpx.get(url_val, timeout=30.0)
+        resp.raise_for_status()
+        return resp.content
+    return None
+
+
+def _bytes_from_content_string(text: str) -> bytes | None:
+    """从 chat 返回的正文字符串里抠图：data URL / markdown 图链 / 裸图片URL。
+
+    很多中转站把 gpt-image 结果以 ![](url) 或 data URL 嵌在 content 文本里，
+    不走 images[]/parts 结构化字段，这里兜住这几种常见形态（前面带说明文字也能抠出）。
+    """
+    import re
+    m = re.search(r"data:image/[\w.+-]+;base64,[A-Za-z0-9+/=]+", text)
+    if m:
+        return _decode_b64_image(m.group(0))
+    m = re.search(r"!\[[^\]]*\]\((https?://[^\s)]+)\)", text)  # markdown 图链
+    if m:
+        resp = httpx.get(m.group(1), timeout=30.0)
+        resp.raise_for_status()
+        return resp.content
+    m = re.search(  # 裸图片URL（限图片后缀，避免误抓非图链接）
+        r"https?://[^\s)\]\"']+\.(?:png|jpe?g|webp|gif)(?:\?[^\s)\]\"']*)?",
+        text, re.IGNORECASE,
+    )
+    if m:
+        resp = httpx.get(m.group(0), timeout=30.0)
+        resp.raise_for_status()
+        return resp.content
+    return None
+
+
+def _extract_chat_image_bytes(resp_json: dict) -> bytes:
+    """从 /chat/completions 图片响应中提取图片 bytes。"""
+    choices = resp_json.get("choices") or []
+    if not choices:
+        raise ValueError("chat 图片响应缺少 choices")
+    message = choices[0].get("message") or {}
+
+    images = message.get("images")
+    if isinstance(images, list):
+        for item in images:
+            found = _bytes_from_image_item(item)
+            if found:
+                return found
+
+    content = message.get("content")
+    if isinstance(content, list):
+        for part in content:
+            found = _bytes_from_image_item(part)
+            if found:
+                return found
+    elif isinstance(content, str) and content:
+        found = _bytes_from_content_string(content)
+        if found:
+            return found
+
+    raise ValueError(
+        "无法解析 chat 图片响应："
+        f"top={list(resp_json.keys())}, message={list(message.keys())}"
+    )
+
+
 def _extract_gemini_image(resp_json: dict) -> bytes:
    """从 Gemini generateContent 响应提取图片 bytes"""
    import base64
--- a/backend/app/services/ai_engine/image_gen.py
+++ b/backend/app/services/ai_engine/image_gen.py
@@ -26,21 +26,37 @@ def _pick_reference_for_role(
    images_by_scene: dict[str, list[bytes]] | None,
    fallback: list[bytes] | None,
 ) -> tuple[list[bytes] | None, str]:
-    """R5多图：按分镜 role 选该场景的产品图。取不到回落主图。
+    """R5多图：把【全部】产品参考图都传给每张分镜，按 role 偏好排序。

-    返回 (参考图bytes列表, 命中scene标签用于日志)。
+    🔴 产品内外一体，绝不按 role 只喂单张（倩倩姐2026-06-26拍板纠正）：
+    旧逻辑命中偏好场景就 return 单张 → 质地特写分镜只拿到膏体微距、没有主图，
+    模型缺完整瓶身锚点 → 脑补瓶身走样+乱印字（"3张好/4张每套坏一张"的根因）。
+    现改为每张分镜都把所有场景图一起传，只把本 role 最相关的场景排最前
+    （多模态对靠前的图权重更高），且主图(primary)始终在列表内做瓶身锚点。
+
+    返回 (排序后的全部参考图bytes列表, 排序说明用于日志)。
    """
    if images_by_scene:
-        for scene in ROLE_SCENE_PREFERENCE.get(role, ["primary"]):
+        prefs = ROLE_SCENE_PREFERENCE.get(role, ["primary"])
+        ordered: list[bytes] = []
+        used_scenes: list[str] = []
+        # 1) 先按 role 偏好顺序排（本 role 最相关的视角靠前）
+        for scene in prefs:
            imgs = images_by_scene.get(scene)
            if imgs:
-                return imgs, scene
-        # 偏好全落空：用任意可用图兜底（仍优先 primary）
-        if images_by_scene.get("primary"):
-            return images_by_scene["primary"], "primary"
+                ordered.extend(imgs)
+                used_scenes.append(scene)
+        # 2) 主图始终保底进列表（即使不在偏好里，也要补做瓶身锚点）
+        if "primary" not in used_scenes and images_by_scene.get("primary"):
+            ordered.extend(images_by_scene["primary"])
+            used_scenes.append("primary")
+        # 3) 其余场景图也补进来：同一产品的所有视角都给模型看，防瓶身走样
        for scene, imgs in images_by_scene.items():
-            if imgs:
-                return imgs, f"{scene}(兜底)"
+            if scene not in used_scenes and imgs:
+                ordered.extend(imgs)
+                used_scenes.append(scene)
+        if ordered:
+            return ordered, "+".join(used_scenes)
    return fallback, "fallback"


@@ -53,17 +69,42 @@ class ImageClient(Protocol):
    async def gemini_generate(
        self, prompt: str, reference_images: list[bytes], model: str
    ) -> bytes: ...
+    def has_alt_channel(self) -> bool: ...


-def _image_provider_order() -> list[str]:
-    """从环境变量读主备顺序（扒 imageProviderOrder）"""
+def _image_provider_order(has_alt: bool = True) -> list[str]:
+    """从环境变量读主备顺序（扒 imageProviderOrder）。
+
+    🔴 真双通道互备（倩倩姐2026-06拍板）：codeproxy / apiports 是两个独立中转站,
+    各用自己的 base+key, 任一站上游挂(502/503)由另一站顶上 —— 这才是真备份。
+    若 .env 把主备都设成同一个站(如都 codeproxy), 去重后只剩一个 → 退化成"假备份"
+    (一站挂全挂)。故只要序列用到 GPT 中转站家族, 就自动补齐缺失的那个,
+    保证 codeproxy+apiports 双通道都在。"gpt" 是 apiports 的等价别名(同 base+主key),
+    归一化掉避免重复尝试同一站。codeproxy 走 /images/edits，apiports 走
+    /chat/completions 多模态编辑；两者都必须带产品参考图，不碰纯文生图。
+
+    🔴 has_alt=False（用户/env 都没配 codeproxy key）时，绝不把 codeproxy 补进序列——
+    否则每张图都白白尝试 codeproxy → 撞"绝不静默降级"红线 → 空转重试 3 次拖慢整体
+    （倩倩姐2026-06-30方案A）。录了 key（has_alt=True）才补齐，真双通道逻辑不变。
+    """
    primary  = os.environ.get("IMAGE_PROVIDER_PRIMARY", "gpt").lower()
    fallback = os.environ.get("IMAGE_PROVIDER_FALLBACK", "gemini").lower()
-    seen: list[str] = []
+    order: list[str] = []
    for p in [primary, fallback]:
-        if p and p not in seen:
-            seen.append(p)
-    return seen
+        p = "apiports" if p == "gpt" else p
+        # 没配 codeproxy key 时，显式点名 codeproxy 也跳过（避免空转重试）
+        if p == "codeproxy" and not has_alt:
+            continue
+        if p and p not in order:
+            order.append(p)
+    if any(p in ("codeproxy", "apiports") for p in order):
+        for ch in ("codeproxy", "apiports"):
+            # codeproxy 仅在真有备用 key 时补齐
+            if ch == "codeproxy" and not has_alt:
+                continue
+            if ch not in order:
+                order.append(ch)
+    return order


 def _gemini_models() -> list[str]:
@@ -90,12 +131,20 @@ async def _retry(coro_fn, attempts: int = IMAGE_RETRY_ATTEMPTS, backoff: float =
 async def _request_gpt(client: ImageClient, prompt: str, reference_images: list[bytes], provider: str | None = None) -> bytes:
    if reference_images:
        return await client.gpt_edits(prompt, reference_images, IMAGE_SIZE_DEFAULT, provider)
-    # 无产品参考图时降级为纯文生图（需 ALLOW_TEXT_ONLY_IMAGE=true 或 M2阶段）
-    allow_text_only = os.environ.get("ALLOW_TEXT_ONLY_IMAGE", "true").lower() == "true"
-    if allow_text_only:
-        logger.warning("无产品参考图，降级为纯文生图（可能产品跑偏，建议前端上传参考图）")
-        return await client.gpt_generate(prompt, IMAGE_SIZE_DEFAULT, provider)
-    raise ValueError("GPT 主通道缺产品图：禁止纯文生图以免产品跑偏（设 ALLOW_TEXT_ONLY_IMAGE=true 可解锁）")
+    # 🔴 红线：瓶身忠于参考图原样，禁止纯文生图脑补产品（倩倩姐2026-06-15拍板）。
+    # ALLOW_TEXT_ONLY_IMAGE 默认 false，即使显式设为 true 也拒绝——纯文生图会让产品包装
+    # 完全由模型自由发挥，严重走样，不符合合规与真实双重要求。
+    # 若要解锁请联系产品负责人，不在代码层开放。
+    _env_val = os.environ.get("ALLOW_TEXT_ONLY_IMAGE", "false").lower()
+    if _env_val == "true":
+        logger.warning(
+            "检测到 ALLOW_TEXT_ONLY_IMAGE=true，但该选项已被锁定（红线：禁纯文生图）。"
+            "将强制抛出缺图异常，请为产品上传参考图。"
+        )
+    raise ValueError(
+        "缺少产品参考图，无法生成忠于实物的产品图，请先上传该产品的主图。"
+        "（红线：禁止纯文生图脑补产品包装，ALLOW_TEXT_ONLY_IMAGE 已锁定为无效）"
+    )


 async def _request_gemini(client: ImageClient, prompt: str, reference_images: list[bytes]) -> bytes:
@@ -118,7 +167,9 @@ async def generate_one_image(
    返回图片 bytes（PNG/JPEG）。
    """
    refs = reference_images or []
-    providers = _image_provider_order()
+    # 没配 codeproxy 备用 key 时不把它补进尝试序列（避免每张图空转重试，方案A）
+    has_alt = bool(getattr(client, "has_alt_channel", lambda: True)())
+    providers = _image_provider_order(has_alt)
    errors: list[str] = []

    for provider in providers:
@@ -191,6 +242,9 @@ async def generate_storyboard_images(
            f"素材使用={item.get('asset_use','')}。"
            f"{brand_line}"
            f"禁止事项={item.get('forbidden','')}。"
+            "参考图说明：随附的多张参考图都是【同一个产品】的不同视角（主图=产品/包装本体，"
+            "其余=质地/细节/场景特写）；产品外形、颜色、包装上原有文字必须100%忠于主图原样，"
+            "禁止重绘产品本体、禁止在包装上增删改任何文字（品牌词只放图上标题/贴纸等排版层，绝不印产品本体）。"
            "排版要求：独立小红书3:4图文海报，画面完整；标题只出现一次，不与其他页重复；"
            "中文文字少而清晰，主标题+最多3个短点位；可自然用✅✨🌿💧🪞🧴📦🔍种草符号但不堆砌；"
            "不要生成App截图或笔记详情页界面。"
--- a/backend/app/services/ai_engine/image_postprocessor.py
+++ b/backend/app/services/ai_engine/image_postprocessor.py
@@ -21,6 +21,9 @@ except ImportError:
    _PILLOW_OK = False
    logger.warning("Pillow 未安装，image_postprocessor 不可用")

+# 北哥暖棕调色层（A4），自带开关与降级
+from .beige_color_grade import grade as _beige_grade, is_enabled as _beige_enabled
+
 # 比例映射表，对齐大卫 RATIO_MAP。key 为字符串如 '3:4'
 RATIO_MAP: dict[str, tuple[int, int]] = {
    "1:1":  (1024, 1024),
@@ -74,12 +77,27 @@ def process_image(
                img = ImageOps.fit(img, (tw, th), method=Image.LANCZOS)
                logger.debug("resize %dx%d → %dx%d (ratio=%s)", actual_w, actual_h, tw, th, aspect_ratio)

-        # --- Step2: resample_strength 削像素水印（可选，默认轻采样）---
-        img = _apply_resample(img, resample_strength)
+        # --- Step2+3: 去AI化破水印（硬路默认开，倩倩姐2026-06-26拍板，对齐大卫xhs实测版）---
+        # 硬路 = 缩2px裁1px边错位采样 + 亮度/饱和微调，专破 SynthID 像素水印。
+        # 「像素不能有任何压缩」红线：大卫硬路只动边缘2px，没有全图来回缩放；
+        # Clover 原 Step2（缩98%再放大）是额外的全图 LANCZOS 重采样、会软化全图像素，
+        # 故硬路开启时直接跳过 Step2，只走硬路局部错位——既破水印又不压全图像素。
+        hard_mode = os.environ.get("SYNTHID_HARD_MODE", "1") != "0"
+        if hard_mode:
+            # 硬路只动边缘(缩2px裁1px)，用图片当前尺寸即可，不依赖 RATIO_MAP；
+            # 故非标准比例(target=None)也走硬路，绝不降级到全图 LANCZOS 有损重采样。
+            img = _apply_synthid_break(img)
+        else:
+            # 仅硬路显式关闭时，才用全图轻采样兜底破水印
+            img = _apply_resample(img, resample_strength)

-        # --- Step3: SynthID 破除（SYNTHID_HARD_MODE=1 才开，默认关）---
-        if os.environ.get("SYNTHID_HARD_MODE") == "1" and target:
-            img = _apply_synthid_break(img, target)
+        # --- Step3.5: 北哥暖棕调色（BEIGE_COLOR_GRADE 默认开，去AI化核心）---
+        # 在重编码前以 bytes 往返：grade 内部自带开关/降级，关则原样透传
+        if _beige_enabled():
+            buf0 = io.BytesIO()
+            img.save(buf0, format="JPEG", quality=100, subsampling=0)
+            graded = _beige_grade(buf0.getvalue())
+            img = Image.open(io.BytesIO(graded)).convert("RGB")

        # --- Step4: 高保真 JPEG 重编码，去所有元数据 ---
        buf = io.BytesIO()
@@ -118,19 +136,20 @@ def _apply_resample(img: "Image.Image", strength: int) -> "Image.Image":
    return img


-def _apply_synthid_break(img: "Image.Image", target: tuple[int, int]) -> "Image.Image":
+def _apply_synthid_break(img: "Image.Image") -> "Image.Image":
    """
-    SynthID 破除（SYNTHID_HARD_MODE=1 时调用）：
-    对齐大卫逻辑 — 缩到(w-2,h-2)再裁掉1px边 + 亮度*1.005/饱和*0.998。
+    SynthID 破除（硬路，默认开）：对齐大卫 xhs 实测版。
+    顺序对齐大卫：先微调亮度/饱和(modulate) → 再缩2px裁1px边错位采样。
+    只动边缘像素、按图片当前尺寸算，不依赖目标比例，不做全图重采样、不压全图像素。
    诚实声明：只能削弱 SynthID，不保证 100% 清除。
    """
-    tw, th = target
-    img = ImageOps.fit(img, (tw - 2, th - 2), method=Image.LANCZOS)
-    # 裁掉1px边，消除边缘水印残留
-    img = img.crop((1, 1, tw - 3, th - 3))
-    # 微调亮度/饱和（对齐大卫 modulate brightness/saturation）
+    # 先 modulate（亮度*1.005/饱和*0.998），对齐大卫 modulate 在缩裁之前
    img = ImageEnhance.Brightness(img).enhance(1.005)
    img = ImageEnhance.Color(img).enhance(0.998)
+    # 按当前尺寸缩2px再裁1px边，错位采样破边缘水印残留（w-4 × h-4）
+    w, h = img.size
+    img = ImageOps.fit(img, (w - 2, h - 2), method=Image.LANCZOS)
+    img = img.crop((1, 1, w - 3, h - 3))
    return img


--- a/backend/app/services/ai_engine/llm_scorer.py
+++ b/backend/app/services/ai_engine/llm_scorer.py
@@ -1,7 +1,8 @@
 """
 llm_scorer.py — AI 评委打分入口（让模型真读文案，替代机械找词）
 合规第7维仍走机械硬拦(score_compliance)；AI 读前6维给分+理由。
-任何异常/解析失败 → 回退旧机械 score_copy，绝不卡链路。
+B1(倩倩姐2026-06-26)：评分两通道(apiports+codeproxy强档兜底)都挂时，
+绝不静默回退机械分糊弄，抛 ScoringUnavailableError 由上层逐条接住、标"评分不可用"。
 """
 from __future__ import annotations
 import asyncio
@@ -12,17 +13,23 @@ from typing import Any

 from .constants import BANNED_WORDS_DEFAULT, BANNED_VISUAL_WORDS, QUALITY_PASS_SCORE
 from ._scoring_dims import score_compliance
-from .text_scoring import score_copy
 from ._score_prompt import SCORER_PERSONA, build_score_prompt, COMPLIANCE_MAX

 logger = logging.getLogger(__name__)

-# 6 个 AI 维度满分（倩倩姐2026-06-15拍板·与 constants.AI_DIM_WEIGHTS/_score_prompt 三处同步）
-# 痛点18+情绪18+买点18+钩子15+标题13+真实感13=95，+合规5=100
-# "真实感"替换旧"产品聚焦一件事"，对齐富贵"很少提产品/前70%干货后30%植入"原则
+
+class ScoringUnavailableError(RuntimeError):
+    """评分通道(apiports+codeproxy 强档兜底)均不可用。
+    按倩倩姐2026-06-26 B1拍板：评分拿不到真AI分时绝不静默回退机械分糊弄
+    （机械分会误杀好文案/漏放烂文案，双破"质量过关"红线），明确抛错由上层逐条接住。"""
+
+# 7 个 AI 维度满分（倩倩姐2026-06-22拍板补标签精准·与 constants.AI_DIM_WEIGHTS/_score_prompt 三处同步）
+# 痛点16+情绪16+买点16+钩子13+标题13+真实感11+标签精准10=95，+合规5=100
+# "标签精准度"=北哥要害⑤(精准购买意向埋词)，分从原6维各匀出，总分仍95，合格线80不动
 _DIM_MAX = {
-    "痛点人群精准": 18, "情绪张力": 18, "买点转化": 18,
-    "开头钩子": 15,    "标题点击力": 13, "真实感": 13,
+    "痛点人群精准": 16, "情绪张力": 16, "买点转化": 16,
+    "开头钩子": 13,    "标题点击力": 13, "真实感": 11,
+    "标签精准度": 10,
 }
 # 评委合规相关默认权重（仅供 score_compliance 复用其内部硬拦逻辑）
 _COMPLIANCE_W = {"compliance": COMPLIANCE_MAX}
@@ -65,22 +72,29 @@ async def llm_score_copy(
            )
            break
        except Exception as exc:  # noqa: BLE001 — 含 httpx.HTTPStatusError 503/429
+            # chat_complete 底层已含 apiports→codeproxy gpt-5.5 强档回落(含402欠费/429限流)。
+            # 走到这里说明两通道都失败。503/429 给瞬时过载留重试窗口，其余直接判通道不可用。
            status = getattr(getattr(exc, "response", None), "status_code", 0)
            if status in (503, 429) and attempt < 3:
                await asyncio.sleep(backoff[min(attempt, 2)])
                continue
-            logger.warning("AI评委调用失败，回退机械打分: %s", exc)
-            return score_copy(copy, source, banned_words, pass_score=pass_score)
+            # B1红线：绝不静默回退机械分糊弄，明确抛错由调用方逐条接住、标记"评分不可用"
+            logger.error("AI评委两通道均失败，判定评分不可用(不降级机械分): %s", exc)
+            raise ScoringUnavailableError(f"评分通道不可用: {exc}") from exc

    verdict = _parse_verdict(raw)
    if not verdict:
-        logger.warning("AI评委输出解析失败，回退机械打分。raw[:120]=%s", raw[:120])
-        return score_copy(copy, source, banned_words, pass_score=pass_score)
+        # 拿到了回复但不是合法JSON：模型偶发不听话。同样不静默机械分，抛错让上层标记。
+        logger.error("AI评委输出解析失败(不降级机械分)。raw[:120]=%s", raw[:120])
+        raise ScoringUnavailableError("评分输出解析失败")

    details: list[dict] = []
+    _COMPLIANCE_ALIASES = ("合规", "违禁", "禁用")  # LLM 偶尔不听话多吐合规维度，显式剔除防污染机械合规分
    for d in verdict["dims"]:
        item = str(d.get("item", "")).strip()
-        if item not in _DIM_MAX:          # 只收白名单6维，模型偶尔多吐"总分"等噪声项，丢弃
+        if any(a in item for a in _COMPLIANCE_ALIASES):
+            continue                      # 合规只认机械 dim_comp，丢弃 LLM 主观合规判定
+        if item not in _DIM_MAX:          # 只收白名单7维，模型偶尔多吐"总分"等噪声项，丢弃
            continue
        mx = _DIM_MAX[item]
        sc = max(0, min(mx, int(round(float(d.get("score", 0))))))
--- a/backend/app/services/ai_engine/package_exporter.py
+++ b/backend/app/services/ai_engine/package_exporter.py
@@ -1,7 +1,7 @@
 """
 package_exporter.py — 达人素材交付包生成
 架构方案§五 1A步骤5：按笔记分文件夹 + 图(01/02/03) + 文案.txt + 发布清单 + 合规说明
-路径规则：uploads/packages/{workspace_id}/{task_id}/note_{n}/
+路径规则：{UPLOAD_ABS_ROOT}/packages/{workspace_id}/{task_id}/note_{n}/
 """
 from __future__ import annotations
 import json
--- a/backend/app/services/ai_engine/preference_aggregator.py
+++ b/backend/app/services/ai_engine/preference_aggregator.py
@@ -53,7 +53,8 @@ def aggregate_preference_context(

        # text_edit(改稿)是最强真实信号,角度按权重计入(倩倩姐2026-06-16拍板)
        # image_select(选图)按套别叙事角度计入,让选图偏好真正闭环回生图(R7断点2)
-        if sig_type in ("text_select", "approve", "text_edit", "image_select") and angle:
+        # text_import(导入)=客户实跑验证过的范本,权重最高(8),角度计入让飞轮最重学习(倩倩姐2026-06-26)
+        if sig_type in ("text_select", "approve", "text_edit", "image_select", "text_import") and angle:
            angle_counts[angle] += weight
        elif sig_type == "reject_with_reason":
            reason = str(e.get("reason") or "").strip()
--- a/backend/app/services/ai_engine/storyboard.py
+++ b/backend/app/services/ai_engine/storyboard.py
@@ -67,7 +67,7 @@ def get_narrative_roles(image_count: int = 6) -> list[dict]:
    """
    按图数返回分镜角色列表（扒 getNarrativeRoles，Q6对齐北哥6张套路）
    ≤3 张：极速链路  hook / applied_proof / closer
-    ≤6 张：北哥标准链路  ①封面痛点大字 ②单品特写+品牌词 ③成分 ④质地 ⑤上脸对比 ⑥促单
+    ≤6 张：北哥标准链路  ①封面痛点大字 ②单品特写+品牌词 ③成分/参数 ④质地/细节 ⑤效果证明(按品类) ⑥促单
    >6 张：沉浸链路  + pain_scene / scenario / social_proof
    """
    count = clamp_count(image_count)
@@ -102,14 +102,14 @@ def build_visual_system(product: dict, analysis: dict | None = None) -> dict:
        "typography": identity.get("typographyStyle", "主标题清晰黑体或手写感标题，辅助文字便签/勾选标注，字重颜色保持同一体系"),
        "sticker": identity.get("stickerLanguage", "少量箭头、放大镜、勾选、小表情、便签，不使用促销按钮"),
        "layout": identity.get("layoutStyle", "同一组图片保持色调、光线、产品露出方式一致，每张图承担不同叙事角色"),
-        "texture": identity.get("materialTexture", "产品包装、质地、手背/上脸肤感要真实自然"),
+        "texture": identity.get("materialTexture", "产品包装、材质、质地/细节要真实自然，符合本品类的真实使用质感"),
        "package_details": identity.get("packageDetails", "如果提供产品图，必须还原包装颜色、瓶身形状、标签方向和主视觉"),
        "xhs_style_preset": identity.get("xhsStylePreset", "真实测评风/手写安利风/清单便签风"),
        "symbol_system": identity.get("symbolSystem", "中等密度小红书种草符号：✅ ✨ 🌿 💧 🪞 🧴 📦 🔍 💛，每张最多2-4个"),
        "quality_rules": [
            "同组图片字体体系相对一致，但不要像固定模板",
            "每张压图文字必须服务当前叙事角色，不能重复封面标题",
-            "护肤品优先出现手背涂抹、质地微距、自然上脸局部或真实生活场景",
+            "效果证明页按品类出真实使用证据：护肤=手背涂抹/质地微距/自然上脸局部，食品=冲泡入口，家居数码=使用过程，服饰=上身材质，均为真实生活场景",
            "人物真实自然，有轻微皮肤纹理和生活感，不要AI精修美女",
            "禁止乱码、错别字、App底栏、Like评论分享、硬广价格牌、虚假功效before/after",
        ],
--- a/backend/app/services/ai_engine/storyboard_templates.py
+++ b/backend/app/services/ai_engine/storyboard_templates.py
@@ -18,11 +18,11 @@ import re

 # ── sanitize（扒 sanitizeImagePlanText，防违禁视觉词进 prompt）
 _SANITIZE_RULES: list[tuple[str, str]] = [
-    (r"before\s*&\s*after", "质地与肤感说明"),
-    (r"before\s*/?\s*after", "质地与肤感说明"),
-    (r"\bbefore\b", "质地状态"),
-    (r"\bafter\b", "上脸肤感"),
-    (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"),
+    (r"before\s*&\s*after", "质地与使用状态说明"),
+    (r"before\s*/?\s*after", "质地与使用状态说明"),
+    (r"\bbefore\b", "使用前状态"),
+    (r"\bafter\b", "使用后状态"),
+    (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/使用状态说明"),
    (r"功效对比|效果对比|改善对比", "质地/场景说明对比"),
    (r"肤色变白|皮肤变白|变白|美白", "自然光泽感"),
    (r"瑕疵消失|斑点消失|痘印消失|消除瑕疵|祛斑", "妆感更服帖"),
@@ -42,33 +42,33 @@ ROLE_STORYBOARD_TPL: dict[str, dict] = {
    "hook": {
        "goal": "让{audience}因为{pain}停下划走，产生点开欲",
        "overlay": "{hook}",
-        "visual": "自然光生活场景，手持产品或产品在桌面前景，真实肤感/手部细节，像iPhone随手实拍的封面，不是海报",
+        "visual": "自然光生活场景，手持产品或产品在桌面前景，真实使用细节/手部细节，像iPhone随手实拍的封面，不是海报",
        "basis": "来自选中文案标题、人群{audience}、痛点{pain}",
        "forbidden": "不要价格、不要重复后续卖点、不要App界面、不要广告海报感",
    },
    "product_closeup": {
        "goal": "建立单品记忆锚点，让用户记住是哪个产品",
        "overlay": "{brand}",
-        "visual": "单品高清特写居中，干净浅色台面，柔和顶光，瓶身/包装/标签清晰可读，品牌词自然出现在画面或瓶身",
+        "visual": "单品高清特写居中，干净浅色台面，柔和顶光，瓶身/包装/标签清晰可读且忠于参考图原样，品牌词只出现在图上标题/贴纸等文字排版层，绝不印到瓶身上",
        "basis": "来自产品名和品牌词，第2张和第6张都要带品牌词强化记忆",
        "forbidden": "不要堆多个产品、不要花哨背景抢主体、不要改包装文字",
    },
    "ingredient": {
-        "goal": "用成分/配方信息建立信任，但不医疗化",
+        "goal": "用成分/配方/参数信息建立信任，但不夸大不医疗化",
        "overlay": "看清{point}",
-        "visual": "成分卡片式布局，产品+成分图标/短说明，浅色商务美妆风，信息层级清楚",
-        "basis": "来自卖点里的成分/功效点，理性表达不夸大",
+        "visual": "信息卡片式布局，产品+成分/参数图标+短说明，浅色干净商务风，信息层级清楚（护肤食品讲成分配方，数码家居讲参数原理，服饰讲材质工艺）",
+        "basis": "来自卖点里的成分/参数/工艺点，理性表达不夸大",
        "forbidden": "不要治疗/改善疾病承诺、不要医生背书、不要绝对化",
    },
    "texture": {
        "goal": "让用户看到{point}的真实质感证据",
        "overlay": "{point}看得见",
-        "visual": "手背或指尖涂抹质地微距，产品放在旁边，自然光，保留真实皮肤纹理，能看清延展和肤感",
-        "basis": "来自卖点里的质地/肤感描述",
+        "visual": "质地/材质/细节微距，产品放在旁边，自然光，保留真实纹理（护肤=涂抹延展肤感，食品=色泽质地，服饰=面料织纹，数码家居=做工细节），能看清{point}",
+        "basis": "来自卖点里的质地/材质/做工描述",
        "forbidden": "不要生成变白效果、不要医疗化对比、不要和封面同构图",
    },
    "applied_proof": {
-        "goal": "用可感知的上脸/使用证据证明{point}",
+        "goal": "用可感知的真实使用证据证明{point}",
        "overlay": "{proof_overlay}",
        "visual": "{proof_visual}",
        "basis": "来自核心卖点{point}和用户对效果的关注",
--- a/backend/app/services/ai_engine/text_variants.py
+++ b/backend/app/services/ai_engine/text_variants.py
@@ -14,7 +14,7 @@ from typing import Any
 from .constants import MAX_OPTIMIZE_ROUNDS
 from ._text_prompt import COPY_SYSTEM, build_prompt, parse_json_array, build_local_drafts
 from .text_scoring import score_copy, dedupe_copies
-from .llm_scorer import llm_score_copy
+from .llm_scorer import llm_score_copy, ScoringUnavailableError
 from .banned_word_checker import check_and_fix, build_entries_from_db, CheckResult

 logger = logging.getLogger(__name__)
@@ -69,6 +69,35 @@ async def _call_llm(client: Any, prompt: str, max_tokens: int = 8192) -> str:
 # 故分批：每批最多 4 条，串行调用合并。批大小可经 TEXT_BATCH_SIZE 调。
 TEXT_BATCH_SIZE = int(os.environ.get("TEXT_BATCH_SIZE", "4"))

+# 评分有限并发：评分无状态、逐条独立可并发，但仍限并发数防 apiports 限流(生成层串行
+# 不动，task45 实测全并发雪崩)。默认3=保守值(评分 max_tokens仅1500，远轻于生成8192，
+# 且评分已带 503/429 重试兜底)，可经 SCORE_CONCURRENCY 调。
+_SCORE_CONCURRENCY = int(os.environ.get("SCORE_CONCURRENCY", "3"))
+
+
+def _build_cross_set_avoidance(previous: list[dict]) -> str:
+    """从已生成的其他套文案提炼回避约束，喂进生成 prompt 防三套撞车。
+    覆盖三个最易同质化的点：已用标签、背书人物桥段、收尾句式。"""
+    if not previous:
+        return ""
+    used_tags: list[str] = []
+    used_titles: list[str] = []
+    for c in previous:
+        used_titles.append(c.get("title", ""))
+        for t in (c.get("tags") or []):
+            tag = str(t).replace("🛒", "").strip()
+            if tag and tag not in used_tags:
+                used_tags.append(tag)
+    lines = ["【跨套去重·硬约束（本条务必与已发布的其它套拉开，禁止换皮重复）】"]
+    if used_titles:
+        lines.append(f"- 已用标题（禁止同主题/同句式）：{ '；'.join(t for t in used_titles if t) }")
+    if used_tags:
+        lines.append(f"- 已用标签（本条至少换掉一半，改用不同人群/场景/成分组合的精准长尾，扩大触达不抢同批流量）：{ '、'.join(used_tags) }")
+        lines.append("- 标签禁止与已用标签共用同一核心搜索词（别套已用的核心词，本条标签就别再都堆这个词，换成本套独有的人群/场景/卖点关键词分流）。")
+    lines.append("- 背书角色/桥段禁止与上面套雷同：若别套用了'闺蜜种草'，本条换成自证/家人/同事/自己反复试错等不同来源；")
+    lines.append("- 卖点罗列的措辞顺序与 emoji 禁止与别套一致；同一个具体种草桥段全局只许出现一次。")
+    return "\n".join(lines)
+

 async def _generate_one_batch(llm_client: Any, product: dict, batch_n: int, extra: str,
                              strategy_narrative: str = "") -> list[dict]:
@@ -119,25 +148,53 @@ async def generate_text_variants(
    贯穿首批生成与优化轮，确保同套内文案同一叙事不串味。"""
    banned_entries = build_entries_from_db(banned_word_rows or [])
    extra = flywheel_context
+    # 跨套去重：把已生成套的标签/背书桥段提炼成回避约束喂进生成 prompt，
+    # 防止三套撞车（仅事后 dedupe 删不掉"同用闺蜜背书/同套标签"的同质化）
+    avoid = _build_cross_set_avoidance(previous_copies or [])
+    if avoid:
+        extra = f"{extra}\n{avoid}" if extra else avoid

    copies: list[dict] = await _generate_in_batches(
        llm_client, product, count, extra, strategy_narrative)
    if not copies:
        copies = list(build_local_drafts(product, count))  # generator → list

-    candidates: list[dict] = []
-    for c in copies:
+    # 评分有限并发：逐条独立无状态可并发，sem 限并发数防 apiports 限流(生成层串行不动)。
+    # 每条语义与原串行完全一致：违禁词机械检查(同步,放 sem 外不占并发额度)→AI评分→
+    # 评分不可用则标记不计合格不炸整批；auto_fixed 回写修正文案。gather 保序=候选顺序不变。
+    sem = asyncio.Semaphore(_SCORE_CONCURRENCY)
+
+    async def _score_one(c: dict) -> dict:
        ban: CheckResult = check_and_fix(
            f"{c.get('title','')} {c.get('content','')}",
            banned_entries or None,
        )
-        scored = await llm_score_copy(llm_client, c, product, [e.word for e in banned_entries])
+        try:
+            async with sem:
+                scored = await llm_score_copy(llm_client, c, product, [e.word for e in banned_entries])
+        except ScoringUnavailableError as exc:
+            # B1：评分两通道都挂→不打机械分糊弄，这条标"评分不可用·不计合格"，不炸整批
+            logger.warning("文案评分不可用，标记不计合格(非质量问题): %s", exc)
+            c.update({"source": "ai", "score": 0,
+                      "score_detail": [{"item": "评分不可用", "score": 0, "max": 100,
+                                        "note": "评分通道(apiports+codeproxy)暂不可用，非文案质量问题"}],
+                      "passed": False, "banned_word_status": ban.status,
+                      "scoring_unavailable": True, "verdict": "", "summary": "评分服务暂不可用"})
+            return c
        c.update({"source": "ai", "score": scored["score"], "score_detail": scored["score_detail"],
                  "passed": scored["passed"], "banned_word_status": ban.status,
                  "verdict": scored.get("verdict", ""), "summary": scored.get("summary", "")})
        if ban.status == "auto_fixed" and ban.fixed_text:
            c["content"] = ban.fixed_text
-        candidates.append(c)
+        return c
+
+    candidates: list[dict] = list(await asyncio.gather(*(_score_one(c) for c in copies)))
+    scoring_failures = sum(1 for c in candidates if c.get("scoring_unavailable"))
+
+    # 整批评分全因通道不可用而失败 → 抛错让上层透传"评分服务不可用"，区别于"质量不合格"
+    if copies and scoring_failures == len(copies):
+        raise ScoringUnavailableError(
+            f"本套 {len(copies)} 条文案评分全部失败：评分通道(apiports+codeproxy)均不可用")

    failed = [c for c in candidates if not c["passed"] and c["banned_word_status"] != "hard_block"]
    # 优化轮默认关闭：apiports 60s 网关限制下优化轮的 _call_llm 常需白等 60s 才 503，
@@ -164,7 +221,11 @@ async def generate_text_variants(
            logger.warning("文案优化轮 LLM 失败，沿用原始候选不再重试")
            break
        for nc in parse_json_array(raw2):
-            sc2 = await llm_score_copy(llm_client, nc, product, [e.word for e in banned_entries])
+            try:
+                sc2 = await llm_score_copy(llm_client, nc, product, [e.word for e in banned_entries])
+            except ScoringUnavailableError as exc:
+                logger.warning("优化轮评分不可用，跳过该条不计入: %s", exc)
+                continue
            nc.update({"source": "ai", "score": sc2["score"], "score_detail": sc2["score_detail"],
                       "passed": sc2["passed"], "banned_word_status": "pass",
                       "verdict": sc2.get("verdict", ""), "summary": sc2.get("summary", "")})