第一层：先得到可核对的结构化命盘
出生日期、时间、地点和性别先经过历法、时区与太阳时处理，再由排盘程序计算四柱、十神、藏干、紫微宫位或其他结构。这个环节的目标是确定事实字段，而不是生成解释。
把计算与写作分开，能够避免语言模型凭印象补全干支或宫位。用户也可以先核对基础盘，再决定是否继续阅读深度报告。
第二层：按问题检索相关知识与记录
同一张命盘可以回答许多问题。系统需要先识别用户正在关注事业、关系、财富还是情绪，再从对应知识内容、当前画像和相关历史记录中提取有限而有用的上下文。
检索的作用不是堆砌资料，而是把最相关的依据交给模型。上下文过多反而会稀释重点，因此较久远的内容适合先提炼为关键记忆，再按需展开。
第三层：把术语翻译成因果链
语言模型负责把结构化字段与知识依据组织成易读文本。专业表达应包含“看到了什么、为什么这样判断、在什么条件下成立、现实中可以怎么验证”四个部分。
与其写“你一定适合创业”，更可靠的写法是说明哪些结构支持自主决策，哪些因素提示现金流或合作风险，并给出小规模试验的现实建议。
第四层：用一致性与边界控制质量
- 检查干支、星曜、宫位与报告引用是否一致。
- 区分命盘事实、规则解释、用户自述与推测。
- 对出生时间争议、资料缺失和体系冲突明确降级表达。
- 健康、法律与投资问题不替代相应专业服务。
参考资料与内容依据
技术与治理资料本文说明的是产品中的计算、检索、生成与治理流程，不宣称 AI 能验证命理体系本身。技术原理和风险边界分别引用论文及 NIST 官方资料。资料检索与页面核对日期：2026-08-29。当前为编辑校核版，未标注为独立领域专家审定。
-
同行评审论文 [1] Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Patrick Lewis 等；NeurIPS · 2020
用于说明检索模块与语言生成模块结合的基本技术路径。 查看原始来源 -
官方治理框架 [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0)
National Institute of Standards and Technology (NIST) · 2023
用于 AI 输出的透明度、风险识别、测量、管理与持续监控原则。 查看原始来源 -
官方治理框架 [3] Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
National Institute of Standards and Technology (NIST) · 2024
用于生成式 AI 的事实核对、来源说明、内容风险与人工监督边界。 查看原始来源 -
官方技术资料 [4] General Solar Position Calculations
NOAA Global Monitoring Laboratory · 技术资料
用于均时差、真太阳时、经度与时区修正的计算说明。 查看原始来源 -
官方数据资料 [5] Time Zone Database
Internet Assigned Numbers Authority (IANA) · 持续更新
用于核对各地区历史 UTC 偏移、夏令时和行政时区变更。 查看原始来源
