测评知识库与推荐交流优化
本次更新同时调整了测评结果 Knowledge Base、量表推荐流程和 AI 对话风格。目标是让 KL 不只负责找到相关量表，也能更准确地承接 EQAI 测评结果，并以更自然的方式帮助用户梳理需求。
Knowledge Base 结构与计分方向
当前三个已开放测评已经建立统一的结果分析知识条目。所有题目的最终得分均采用 1–7 分满意方向：1 分表示该题反映的状态存在明显问题，需要重点关注；7 分表示状态良好，通常无需担心。正向题与反向题均由上游完成方向统一，因此分析时不会因为题目中出现“困难”“缺乏”或“压力”等词语而错误反转分数含义。
公共的 scoreRange 和 scoringRule 现在只保存在量表级 scoring 配置中，每道题只保留题目 ID、内容和所属维度，避免重复数据。旧版运行时 Knowledge Base 会在读取时自动迁移到新格式。
结果中的历史字段 risk_level 在 KL 内统一按“满意等级”解释，等级越高代表状态越好。KL 还会根据经过校验的题目数量计算：
maximumPossibleScore = questions.length × 7总分和满分只作为整体参考。AI 分析会优先查看每道题的得分、维度分布、个别低分关注点和高分优势，避免用一个总分掩盖内部差异。
推荐与澄清流程
正常推荐流程现在保留至少三轮澄清交流。用户在澄清问题后的非空回复都会计入轮次，包括简短、模糊或重复回答；只有澄清计数达到三次，并且服务端已经锁定至少一个经过 CSV 校验的关联量表时，才显示推荐确认按钮。
澄清回答如果比较宽泛，不会再清空上一轮候选。例如用户先表达“担心融入不了”，之后补充“发生在我主动想加入大家”，系统会把后一句视为对原方向的补充。当本轮检索为空时，继续保留上一轮合法候选；明确的新需求检索出新结果后，才由新候选覆盖。
推荐卡片继续由后端结构化生成，不依赖 AI 自然语言正文。用户确认后立即显示卡片，不重复分析或再次询问。结果分析页的 ChatBox 则默认专注于已完成测评，只有用户明确提出希望推荐新的量表时才重新进入推荐流程。
更自然的 Persona 表达
推荐前的回应、分析、澄清问题和过渡语现在全部由 DeepSeek 根据上下文生成。系统进一步强化了两个 Persona 的措辞差异，并要求先注意用户表达中的压力、犹豫、挫败或努力，再用生活化语言自然提问，避免固定句式、技术分类和问卷录入式交流。
普通聊天生成温度由 0.45 提高到 0.6，让表达更灵活、更有真人交流感；结构化量表检索仍保持 temperature: 0，确保候选 ID、排序和推荐卡片稳定。
本轮修改完成后，TypeScript 检查、90 项自动化测试和生产构建均已通过。