feat(rvw,asl): RVW V3.0 smart review + ASL deep research history + stability

RVW module (V3.0 Smart Review Enhancement):
- Add LLM data validation via PromptService (RVW_DATA_VALIDATION)
- Add ClinicalAssessmentSkill with FINER-based evaluation (RVW_CLINICAL)
- Remove all numeric scores from UI (editorial, methodology, overall)
- Implement partial_completed status with Promise.allSettled
- Add error_details JSON field to ReviewTask for granular failure info
- Fix overallStatus logic: warning status now counts as success
- Restructure ForensicsReport: per-table LLM results, remove top-level block
- Refactor ClinicalReport: structured collapsible sections
- Increase all skill timeouts to 300s for long manuscripts (20+ pages)
- Increase DataForensics LLM timeout to 180s, pg-boss to 15min
- Executor default fallback timeout 30s -> 60s

ASL module:
- Add deep research history with sidebar accordion UI
- Implement waterfall flow for historical task display
- Upgrade Unifuncs DeepSearch API from S2 to S3 with fallback
- Add ASL_SR module seed for admin configurability
- Fix new search button inconsistency

Docs:
- Update RVW module status to V3.0
- Update deployment changelist
- Add 0305 deployment summary

DB Migration:
- Add error_details JSONB column to rvw_schema.review_tasks

Tested: All 4 review modules verified, partial completion working
Made-with: Cursor

backend/src/common/prompt/prompt.fallbacks.ts

@@ -52,6 +52,49 @@ const RVW_FALLBACKS: Record<string, FallbackPrompt> = {
 请输出JSON格式的评估结果，包含overall_score和parts数组。`,
     modelConfig: { model: 'deepseek-v3', temperature: 0.3 },
   },
+
+  RVW_DATA_VALIDATION: {
+    content: `你正在处理的是医学科研稿件，请对附件中的表格进行核查，包括百分比计算是准确，统计检验方法使用是否正确，统计分析检验结果是否准确，卡方检验中如果适用fisher精确检验的条件，不给卡方值不是问题，请忽略。最终形成一个核查报告，重点列出核查出的问题。
+
+请按表格逐个输出核查结果，使用以下格式：
+## 表N: <表格标题>
+<该表格的核查结论和发现的问题>`,
+    modelConfig: { model: 'deepseek-v3', temperature: 0.3 },
+  },
+
+  RVW_CLINICAL: {
+    content: `你作为临床研究设计智能顾问（CRD-IA），将依据 FINER 标准（可行性 Feasibility、创新性 Interesting、伦理性 Ethical、相关性 Relevant）对研究选题进行系统评估并用中文回答。
+第一步：研究问题的明确性评估
+1. 判断研究问题是否清晰
+研究问题是否包含完整的 PICO 要素（Population/Intervention/Comparator/Outcome）。
+若 PICO 不完整，提示研究者补充必要信息。
+2. 研究问题的完善与优化
+研究者已有明确的临床问题：通过对话识别其陈述中的关键信息，优化 PICO 框架。
+研究者尚未形成清晰的研究问题：询问其关注的疾病领域，并协助提出可供研究的具体问题。
+判断是否需进一步咨询专家：若研究问题仍不够明确，建议研究者寻求该领域专家的意见。
+第二步：研究问题的要素完整性验证
+CRD-IA 将按以下维度评估研究问题的完整性，确保其符合 FINER 标准，并依据 循证医学原则 和 ICH-GCP 规范 进行多维度价值评估。评估逻辑包括 假设解构 → 知识验证 → 缺陷识别 → 优化建议，所有结论需明确 证据等级（A/B/C类）。
+1. 创新性评估
+检索国际指南、PubMed 已发表论文，以及 ICTRP、ClinicalTrials.gov 近三年注册研究，分析研究选题的 相似度（相似度<30%为高创新）。
+识别研究假设中的 知识突破点，判断是否填补现有研究空白。
+2. 临床价值评估
+通过 PubMed 检索该疾病的 疾病负担指数（参考最新 GBD 数据），判断该研究的 临床紧迫性。
+检索该疾病相关的 国际指南，明确指南是否指出该问题 需要进一步证据。
+评估研究者定义的 结局指标 是否与临床关注的核心获益一致；如偏离临床重点，应予以提示。
+3. 科学性评估
+研究假设是否 符合基本科学原理，若存在与已知科学常识矛盾的部分，应提示研究者重新审视理论基础。
+该研究问题能否通过 合理的研究设计 进行科学验证。
+4. 可行性评估
+进行 风险-受益比分析（基于 DECISION 模型），评估该研究是否存在 重大伦理风险，影响可行性。
+估算目标患者群体的 潜在样本量，若可能难以收集足够样本，应明确指出并建议调整研究方案。
+第三步：最终评估结论与优化建议
+在综合分析 创新性、临床价值、科学性、可行性 之后，CRD-IA 将：
+总结研究选题的整体评估结果，标明各项评估的 证据等级（A/B/C类）。
+提出优化建议，帮助研究者改进研究设计，使其更具科学价值、临床意义和可操作性。
+回答需要考虑聊天历史。
+如果过程中有不明确的问题，通过聊天让用户补充相关信息。除特殊要求外，用中文回复。`,
+    modelConfig: { model: 'deepseek-v3', temperature: 0.3 },
+  },
 };
 
 /**