feat(ai): 每个数据页面都有 AI 解读，靠一条带优先级的生产者/消费者队列

原来只有今日页有晨报、指标详情页有归因，其余页面一片空白。现在除设置外
的 10 个页面都有：健康、睡眠、运动、趋势、每日、身体成分、成绩预测、
身体年龄、挑战赛、运动详情。

不是给每个页面写一套，而是一个通用管线：
- services/scopes.py：一个页面一个 context builder，返回同一个信封。
  context["highlights"] 是已经算好的白话事实——模型负责解读它们，模型不
  可用时规则引擎原样渲染。两者引用同一批数字，所以降级读起来不像换了个 App。
  没数据的页面返回 None，宁可不出卡片，也不让模型对着空表格发挥。
- coach.scope_messages / parse_scope_insight：一套提示词吃所有页面，页面
  的差异全在 context 里，加页面 = 加一个 builder。
- 前端 <AiPanel scope="…">：一个组件渲染所有页面，轮询逻辑抽成
  lib/insight.ts 的 usePolledInsight，晨报卡也改用它。

## 队列

一次生成 40 秒到 4.5 分钟，所以什么都不能在请求里生成。页面只负责入队，
worker 负责消费（services/jobs.py）。

优先级才是用队列而不是后台线程的理由：同步完成后 prefetch 把所有页面按
背景优先级排进去，可能要跑半小时；而用户一打开某个页面，那个页面的任务
立刻提到队首、下一个就跑。你在看什么，队列就在算什么。

队列放在数据库而不是内存里，因为 gunicorn 有两个 worker：任务带 holder
声明后回读确认，和 scheduler.py 抢 tick 是同一套做法。id 由
user+kind+subject 推导，所以每几秒一次的轮询是幂等的入队，不会每几秒堆一
个任务。

## 网关中断时踩到的两个坑（当场修了）

写完正好赶上 oracle 那台机器不通，于是看到：
- 三次失败后任务被永久标 failed，网关恢复了也不会重试——一次瞬时中断就把
  那个页面的解读判了死刑，直到它的数据碰巧变化。加了冷却期，过期后重置
  尝试次数再排一次。
- 队列已经放弃了，页面还在 pending 转圈，要转满 8 分钟才停。meta.pending
  现在跟着队列状态走，并把失败原因带给卡片。

顺带把 BAND_SOURCES 从 routes/settings.py 下沉到 services/insights.py：
教练要拿它做参照，而 services 不该反向依赖 routes。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

backend/services/coach.py

@@ -407,3 +407,97 @@ def rule_trend_insight(window):
         "caution": "该结论由规则计算得出，未经模型归因，仅描述相关性而非因果。",
         "confidence": "low",
     }
+
+
+# --- per-screen insights ----------------------------------------------------
+# One prompt for every screen. The screen-specific part is entirely in the
+# context `scopes.py` builds, so a new screen needs a builder and nothing here.
+SCOPE_SCHEMA = """{
+  "headline": "针对这个页面的一句话结论，不超过 45 字",
+  "points": [
+    {"title": "维度名，不超过 8 字", "detail": "该维度的判断与依据，引用具体数值，不超过 70 字"}
+  ],
+  "actions": ["可执行的建议，1~3 条，每条不超过 30 字；没有值得建议的就给空数组"],
+  "caution": "需要留意的风险或容易误读之处；没有就填 null",
+  "confidence": "high|medium|low —— 取决于样本量与证据强度"
+}"""
+
+
+def scope_messages(context):
+    """Prompt for one screen's insight.
+
+    `highlights` goes in ahead of the raw data on purpose: they are the facts
+    already computed from it, and leading with them is what stops the model
+    re-deriving (and mis-deriving) numbers that are sitting right there.
+    """
+    highlights = "\n".join(
+        f"- {h['title']}：{h['detail']}" for h in context.get("highlights") or []
+    )
+    return [
+        {"role": "system", "content": SYSTEM},
+        {
+            "role": "user",
+            "content": (
+                f"我正在看「{context.get('label')}」这个页面。以下是已经算好的要点：\n\n"
+                f"{highlights}\n\n"
+                "完整数据如下（deviations 的 z 值是相对我自身近 28 天基线的偏离，"
+                "trends 是长周期走势，两者都已算好，直接引用即可）：\n\n"
+                f"```json\n{_payload(context)}\n```\n\n"
+                "请针对这个页面给出解读与建议，只谈这个页面涉及的内容，"
+                f"严格按以下 JSON 结构输出：\n\n{SCOPE_SCHEMA}"
+            ),
+        },
+    ]
+
+
+def parse_scope_insight(reply):
+    data = ai_svc.extract_json(reply)
+    if not isinstance(data, dict):
+        raise ai_svc.AIError("模型未返回 JSON 对象")
+
+    points = []
+    for item in data.get("points") or []:
+        if isinstance(item, dict):
+            title = _text(item.get("title"), 20)
+            detail = _text(item.get("detail"), 220)
+        else:
+            title, detail = None, _text(item, 220)
+        if detail:
+            points.append({"title": title or "要点", "detail": detail})
+
+    actions = [_text(a, 60) for a in (data.get("actions") or []) if _text(a, 60)]
+    confidence = str(data.get("confidence", "medium")).lower()
+    if confidence not in ("high", "medium", "low"):
+        confidence = "medium"
+
+    headline = _text(data.get("headline"), 140)
+    # A card with no headline and no points is blank space; rejecting it lets
+    # the caller fall back to the rule engine rather than render nothing.
+    if not headline and not points:
+        raise ai_svc.AIError("模型返回的解读没有可用内容")
+
+    return {
+        "headline": headline,
+        "points": points[:5],
+        "actions": actions[:3],
+        "caution": _text(data.get("caution"), 200),
+        "confidence": confidence,
+    }
+
+
+def rule_scope_insight(context):
+    """The computed highlights, rendered as-is.
+
+    No interpretation, and it says so: the honest fallback is the facts without
+    the reading of them, not a guess at what a model would have said.
+    """
+    highlights = context.get("highlights") or []
+    return {
+        # The first highlight leads and is then dropped from the list: showing
+        # it in both places printed the same sentence twice.
+        "headline": highlights[0]["detail"] if highlights else None,
+        "points": [dict(h) for h in highlights[1:6]],
+        "actions": [],
+        "caution": "以下为直接计算结果，尚未经过模型解读。",
+        "confidence": "low",
+    }