核心结论先讲清楚: 做奇门遁甲类小程序的盘局智能解读模块,最稳的路线是 "确定性排盘 + 规则引擎兜底 + RAG 检索供事实 + 轻量微调塑风格" 的混合架构。盘面本身必须由程序按节气、四柱、局数规则确定性生成,不能让大模型自由排盘;解读阶段,古籍口诀、符号释义、格局规则和历史案例放进知识库,由 RAG 在回答时检索相关片段并标注出处,保证每句解读有依据;大模型微调只用来学断局话术、输出格式、术语习惯和推理表达,不把事实知识硬训进权重。事实靠检索更新,行为靠微调固定,关键判断(空亡、入墓、转宫、真假入墓等)交给规则引擎校验。下面把模块拆分、RAG 管线、微调方案、数据流步骤和风险控制逐条展开。
一、整体架构:五层分工,不让大模型越界
| 层级 | 职责 | 技术要点 |
|---|---|---|
| 前端小程序 | 提问输入、盘局展示、报告渲染、反馈收集 | Uni-app / 小程序原生;结构化展示九宫、星门神干与解读结论 |
| 排盘引擎 | 按天文节气、四柱、局数规则确定性起局 | 独立程序实现,置闰、拆补等细节需人工核验;大模型不参与造盘 |
| 规则引擎 | 用神选取、生克刑冲害合、空亡入墓等关键判定 | 规则库 + 知识图谱;先出结构化判定结果,再交给生成层 |
| RAG 检索层 | 从古籍、规则、案例库中检索相关片段 | 嵌入模型 + 向量库 + 关键词混合检索 + 出处标注 |
| 大模型生成层 | 把结构化判定和检索素材组织成通俗解读 | 基座大模型 + 可选 LoRA 微调;受提示词与规则约束输出 |
1. 为什么排盘不能交给大模型
- 大模型可能排错盘,也可能顺着聊天记忆给出用户想听的话;盘面是整套解读的地基,必须由代码按固定算法生成。
- 大模型在这套系统里只负责 "理解和组织表达",把规则判定翻译成人话,不负责创造盘面和事实。
2. 为什么事实走 RAG、风格走微调
- 奇门资料会持续补充、校勘和版本更新,RAG 改知识库即可生效,不用重训模型;引用出处也方便追溯。
- 断局口吻、报告结构、术语习惯这类稳定的行为模式,适合用少量标注数据做 LoRA 微调,减少长提示词的重复约束。
二、知识库构成:RAG 要检索什么
1. 四类知识素材
| 素材类型 | 内容举例 | 处理方式 |
|---|---|---|
| 古籍口诀 | 《烟波钓叟歌》《奇门遁甲大全》等原文与注疏 | 结构化分块,标注篇目、章节、版本 |
| 符号释义 | 开门、生门、乙奇、庚、白虎、天芮星等符号的基本象意 | 按符号实体建条目,附五行、类象、适用事项 |
| 格局规则 | 青龙返首、伏吟、反吟、空亡、入墓、转宫翻宫等判定规则 | 规则化条目,供规则引擎与检索层共用 |
| 案例库 | 起局信息、提问类型、相关宫位要素、解读要点、实际结果(需授权匿名) | 带标签的案例对,供检索参考与后续微调训练 |
2. 实体与关系沉淀
- 实体抽取:门、星、神、干、宫位、格局、事项类别。
- 关系构建:例如 "开门 + 乙奇 + 九天 = 利求名、利公事" 这类组合关系,存入图数据库(如 Neo4j)作为规则库和知识图谱。
- 每条素材保留元数据:来源、版本、日期、适用流派、授权状态,方便检索过滤和出处回溯。
三、RAG 管线:从提问到带出处的解读
1. 离线索引阶段
- 文档解析:PDF、Word、Markdown、表格统一解析为纯文本与结构化条目。
- 清洗校勘:去重、断句、统一术语写法,标注存疑内容。
- 结构化分块:按篇目、条目、符号释义等真实结构切分,而不是按固定字数硬切;典型块长 256–1024 token,保留 10%–20% 重叠;父子分块适合长条文(检索小块、返回父段落)。
- 向量化:嵌入模型把文本块转为向量,连同元数据写入向量数据库。
- 关键词索引:另建 BM25 等词法索引,覆盖干支、星门神等专有名词的精确匹配。
2. 在线检索阶段
- 问题理解:识别提问类别(事业、财运、感情、考试、出行、健康等),映射对应用神(如戊为财、乙为妻、丁为文书)。
- 查询改写:把口语问题转成检索词,补充相关符号、宫位和格局关键词。
- 混合检索:向量语义检索 + 关键词检索,结果用融合排序(如 RRF)合并,取 Top-k 片段。
- 规则结果注入:把规则引擎算出的用神、旺衰、生克关系、特殊格局作为结构化上下文一并放入提示词。
- 生成与引用:大模型只基于检索片段和规则结果作答,关键结论后标注来源条目;找不到支撑依据的内容不允许补写。
- 弃权边界:材料不足或问题超出范围时,明确回复 "依据现有盘面与资料无法判断",不强行给结论。
3. 检索质量控制点
- 专有名词同时走词法匹配,避免语义检索把 "庚" 和同类符号混淆。
- 冲突条目并列返回,标注流派差异,不单方面取舍。
- 每条引用可回溯到具体篇目或案例编号,便于人工复核。
四、大模型微调方案:学行为,不背事实
1. 微调解决什么、不解决什么
| 维度 | 适合微调 | 不适合靠微调 |
|---|---|---|
| 输出格式 | 固定报告结构:盘面概述、用神分析、机遇风险、行动建议 | 古籍条文等事实知识 |
| 语言风格 | 断局口吻、通俗表达、术语使用习惯 | 频繁更新的案例与规则版本 |
| 推理表达 | 按 "先定用神 — 再看生克 — 后给建议" 的顺序组织语言 | 盘面计算与关键格局判定 |
| 术语一致性 | 统一同义词和类象表述 | 未经过校勘的存疑资料 |
2. 数据准备
- 问答对:问题类型 + 盘面结构化要素 + 标准解读文本。
- 思维链样本:把资深断局的推理步骤拆开:选用神 → 看宫位旺衰 → 分析星门神干关系 → 对照格局 → 给出建议。
- 负例与边界样本:超出范围的问题、资料不足的情形、需要免责提示的场景。
- 数据配比:覆盖多事项类别、多格局类型、多轮追问;业务专家参与标注,避免把个人主观判断当成固定规则。
- 授权要求:案例数据须匿名化并取得授权,不含可识别个人隐私。
3. 训练方式建议
- 基座模型不动权重,优先用 LoRA 等参数高效微调,只训练小适配器,降低成本和回归风险。
- 先小批量试跑,对比微调前后在格式遵循、术语一致、话术稳定上的变化。
- 留出测试集:用已发生结果的历史案例回测,检查解读是否跑偏;同时做通用能力回归,避免微调后模型表达退化。
4. 迭代闭环
- 每次解读后收集用户 "准 / 不准" 反馈和专业人士复核意见。
- 高价值反馈案例回流到案例库,作为下一轮检索素材和微调候选数据。
- 规则修订优先改规则引擎和知识库,不轻易通过重训模型来改事实。
五、一次完整解盘的数据流
- 用户在小程序选择事项类别,输入问题。
- 排盘引擎按时间、节气生成确定盘面,输出九宫、天盘地盘、星门神干、格局与旺衰。
- 规则引擎选取用神,计算生克刑冲害合,判定空亡、入墓、转宫等特殊状态。
- RAG 层按事项类别、用神和格局检索古籍条文、符号释义与相似案例。
- 提示词组装:任务说明 + 盘面结构化数据 + 规则判定结果 + 检索片段 + 输出格式与免责约束。
- 大模型生成解读报告,结论挂接出处编号;规则引擎对关键结论做二次校验。
- 前端渲染盘局图、分层解读和行动建议,收集反馈入库。
六、RAG 与微调对照表
| 对比项 | RAG 检索增强 | 大模型微调(LoRA) |
|---|---|---|
| 知识存在位置 | 外部知识库与向量索引 | 模型权重 / 适配器 |
| 更新方式 | 改文档、重新索引即可 | 需收集数据重新训练 |
| 可追溯性 | 可标注引文来源 | 权重内隐式,难逐条溯源 |
| 前期成本 | 中等,依赖检索工程与分块质量 | 较高,依赖标注数据与算力 |
| 推理开销 | 多一步检索,延迟略高 | 无检索步骤,延迟较低 |
| 最适合 | 事实、条文、案例、频繁更新的资料 | 风格、格式、术语、稳定行为模式 |
| 幻觉控制 | 检索准确时 grounding 较强 | 可减少表达偏差,但不能消除幻觉 |
七、合规与风险控制
- 定位表述:产品定位为传统文化与决策参考工具,不承诺预测结果,不替代医疗、法律、投资等专业判断。
- 免责提示:涉及健康、法律、财务等问题,报告末尾固定提示仅供参考,需咨询专业人士。
- 幻觉兜底:关键格局判定以规则引擎为准;模型输出与规则结果冲突时,以规则结果为准并提示人工复核。
- 数据合规:用户提问与案例数据做匿名化处理,明确授权范围,不存储敏感个人信息。
- 版本留痕:知识库版本、模型版本、提示词版本可追溯,方便复盘错误解读。
【相关 FAQ】
问题 1:做 AI 奇门遁甲小程序的盘局解读模块,为什么事实部分要用 RAG 而不是直接微调进大模型?
回答 1:奇门古籍条文、符号释义和案例需要持续校勘、补充和版本更新,RAG 把知识放在外部知识库,改文档并重新索引就能生效,还能给每条解读标注出处;微调把知识压进权重,更新要重训模型,也难以逐条溯源。所以事实素材走 RAG,微调只负责话术和格式这类稳定行为。
问题 2:这套奇门解读模块的 RAG 架构具体包含哪些组件?
回答 2:离线侧有文档解析、清洗、结构化分块、嵌入模型和向量库,另建关键词索引;在线侧做问题理解、用神映射、查询改写、向量加关键词混合检索,再把规则引擎判定结果和检索片段一起组装进提示词,最后由大模型生成带出处的解读。关键结论找不到检索依据时不允许补写。
问题 3:大模型微调在奇门遁甲盘局解读里应该承担什么角色?
回答 3:微调主要学输出格式、断局口吻、术语习惯和推理组织顺序,比如固定 "盘面概述 — 用神分析 — 机遇风险 — 行动建议" 的报告结构;盘面计算、空亡入墓等关键判定仍由规则引擎完成,古籍事实由 RAG 提供。建议优先用 LoRA 轻量微调,并用历史案例集做回测和通用能力回归。
问题 4:排盘环节为什么不让大模型直接参与,而要单独做确定性排盘引擎?
回答 4:大模型存在排错盘和迎合用户记忆的风险,盘面是整套解读的地基,必须由程序按节气、四柱和局数规则确定性生成,每一步可核对。大模型只在盘面确定之后负责理解要素、组织表达,不能随口造盘或改盘。
问题 5:奇门 AI 解读如何控制幻觉,保证给出的解读有依据?
回答 5:靠三层约束:规则引擎先定关键判定,RAG 只允许基于检索到的条文和案例作答并标注出处,提示词明确要求无支撑结论删除、资料不足时弃权。用户反馈和专业复核案例回流案例库持续迭代;涉及健康、法律、投资的内容固定标注免责提示,不作为专业决策依据。
【参考资料】
- [2026-11-21](机器学习奇门软件模式开发:软件、现成平台、小程序)顺企网软件开发频道
- [2026-11-19](机器学习奇门软件系统搭建:平台、成熟案例、APP)顺企网软件开发频道
- [2026-09-05](RAG vs fine-tuning: a decision guide for enterprise LLMs)Nanobase AInanobase.ai
- [2026-08-12](国学奇门产品:300 万字知识库配合 RAG 检索与规则引擎)抖音
- [2026-08-01](大模型排盘可靠性与系统边界:盘面由程序生成)抖音
- [2026-04-28](RAG 与 Fine-tuning 的核心差异与适用场景)H3C《数字化领航》AI 应用专刊H3C
- [2026-02-06](RAG vs Fine Tuning: Enterprise Decisions for AI Models and AI Systems)Databricks BlogDatabricks
- [2026-02-05](RAG vs Fine-Tuning: Key Differences Explained)Spice AI
- [2026-01-15](轻量化风水 AI APP(API 套壳版)调研分析与实现方案)熹微博客blog.x-rush.cn
- [2023-12-18](Retrieval-Augmented Generation for Large Language Models: A Survey)arXiv
【免责声明】
本文为技术方案探讨,奇门遁甲属于传统文化与民俗研究范畴,相关解读不构成科学预测,也不能替代医疗、法律、金融等专业意见。文中涉及的知识库素材、案例数据需注意版权与个人信息授权;RAG 与微调的实际效果受素材质量、标注水平和模型能力影响,上线前应经过充分回测、专家复核与合规审查。本文不鼓励任何形式的封建迷信宣传或以预测为名的付费决策引导。
本文来自作者[虚芯时序]投稿,不代表新新网立场,如若转载,请注明出处:https://www.xxcmw.com/rgzn/202611/5218.html
评论列表(4条)
我是新新网的签约作者“虚芯时序”!
希望本篇文章《AI 奇门遁甲小程序实战盘局解读模块的 RAG 检索架构与大模型微调落地方案》能对你有所帮助!
本站[新新网]内容主要涵盖:互联网行业的追踪与探索
本文概览:核心结论先讲清楚: 做奇门遁甲类小程序的盘局智能解读模块,最稳的路线是 "确定性排盘 + 规则引擎兜底 + RAG 检索供事实 + 轻量