AI 占星的提示词工程

如果你用市面上的通用模型问过占星问题，大概率得到过这样的回答：

「根据你的星盘，你近期运势不错，建议把握机会……」

听起来像占星，但没有任何实质内容。这不是 LLM 不够聪明，而是它不知道「占星卜卦」这件事有一套具体的判断规则——它只是从训练数据里拼凑出了听起来像占星的语言。

本文完整介绍如何通过提示词工程（Prompt Engineering），将占星卜卦这套有明确逻辑的规则体系转化为 LLM 可执行的判断系统。Soul Answers AI 占星平台的提示词工程实践，是本文的主要案例来源。

1. 什么是占星卜卦（Horary Astrology）

在开始讲提示词工程之前，需要先理解我们要「教」给 AI 的是什么。

占星卜卦（Horary Astrology）是一套起源于古希腊、由17世纪英国占星师威廉·利利（William Lilly）系统化的占星方法。它的核心逻辑是：

当一个人心中带着真诚的问题，在某一时刻提出——这个时刻的天象星盘，与这个问题存在关联，可以通过分析星盘推导出答案。

和很多人以为的「玄学随机」不同，卜卦有一套非常具体的规则体系：

这套规则的关键特征是：它是确定的，不是模糊的。月亮空亡时「事情无果」——这是规则，不是概率。上升点在 0-3 度内「盘不可判」——这是条件，不是建议。

2. 为什么通用 LLM 做不好占星解读

2.1 训练数据混乱

LLM 的训练数据中，「占星」相关内容同时包含三类完全不同的东西：

• 现代心理占星（强调性格分析，不做具体预测）
• 传统卜卦（有明确判断规则）
• 娱乐星座内容（基本没有占星依据）

这三类内容的方法论完全不同，模型在没有明确指引时会混用，导致输出「听起来像，但逻辑上错误」。

2.2 规则执行不严格 / 推理顺序错乱

即使模型「知道」月亮空亡规则，在实际判断时也容易跳过——因为没有强制执行机制。占星判断有严格的步骤顺序，跳步会产生完全错误的结论。当遇到不同文献对同一规则有不同解释时，模型不知道应该采用哪个，会输出自相矛盾的内容。

3. 提示词工程的整体架构设计

构建提示词系统时，将问题拆解为三个层次，每层各自解决不同的问题：

4. 第一层：领域知识的结构化注入

4.1 颗粒度的选择

知识注入的第一个关键决策是颗粒度。一开始很容易写出这样的 prompt：

你是一位占星师。
行星含义：太阳=自我，月亮=情绪，
金星=爱情，火星=行动...
请根据星盘进行解读。

[行星·金星·卜卦判断规则]
品质状态：
- 入庙：金牛座、天秤座
- 入旺：双鱼座
- 入陷：天蝎座（力量削弱）
角色判断：
当金星=第七宫宫主星→代表"对方"
当金星=第二宫宫主星→代表"财务"

「金星代表爱情」在宏观上正确，但在具体判断中，金星的含义取决于它的宫位、品质状态、与其他行星的相位关系。操作级颗粒度让模型能精确调用规则，而不是泛化输出。

4.2 规则的条件化表达

传统占星文献是散文式的，需要转化为条件化格式。以月亮空亡规则为例：

原文献表述（散文）：

月亮空亡的时候，问题往往无果，事情不了了之，除非月亮在某些强势的星座里……

条件化重写：

[规则·月亮空亡]

触发条件：
月亮已完成当前星座内与其他行星的最后一次相位，
且尚未进入下一个星座

基本结论：
问题「无果」——事情可能不了了之，或结果与预期完全不符

例外条件（空亡效力减弱，可继续判断）：
1. 月亮位于巨蟹座（月亮入庙）
2. 月亮位于金牛座（月亮入旺）
3. 月亮位于射手座
4. 月亮位于双鱼座

输出要求：
无论是否有例外，必须在判断结果中明确标注月亮状态

条件化格式让模型能够准确识别触发条件、正确处理例外、知道在什么位置输出这个判断。在实际系统中，约7万字的占星知识被拆分为行星、宫位、相位、月亮专项、行星品质、卜卦规则、时机判断共7个独立模块，每个模块可以单独维护更新。

5. 第二层：推理流程的强制约束

5.1 为什么需要强制流程

知识注入解决了「知道什么」，但模型仍然可能跳过某些步骤直接输出结论。看一个实际错误案例：

用户问题：我和TA有没有结果？

模型错误输出（跳步）：
"根据第七宫宫主星土星与你的征象星火星形成四分相，
这段关系存在较大阻碍，建议谨慎……"

正确判断流程应该发现：
此时月亮空亡（月亮在处女座，已完成最后相位）
→ 正确结论：此时不适合判断这个问题

强制流程的核心设计是在 prompt 里明确标注每个步骤，并加入硬性约束：

[卜卦判断·强制执行流程]

重要：以下步骤必须严格按顺序执行。
在完成当前步骤并输出检查结果之前，
禁止进入下一步骤。

━━━ 步骤 1：盘合法性检查 ━━━
□ 上升点度数在 3-27 度之间？
□ 上升星座与提问者基本情况相符？
输出格式：[步骤1结果] 合法/不合法，理由：___

━━━ 步骤 2：月亮状态检查 ━━━
□ 月亮是否空亡？
□ 月亮是否处于饱和（Besieged）状态？
输出格式：[步骤2结果] 正常/空亡/饱和

━━━ 步骤 3：确定征象星 ━━━
...（以下类似）

有三个关键设计要点：「禁止」比「应该」更有效——在 prompt 里用「禁止进入下一步骤」，比「应该按顺序」有更强的约束效果；每个步骤要求特定格式输出，让推理过程可见；某些步骤失败时应该终止，不能继续推进到结论。

5.2 Chain-of-Thought 的强制触发

[输出要求]

1. 推理过程：每个步骤必须输出检查结果，不得省略
2. 结论依据：最终结论必须明确引用至少2个星象依据
3. 禁止直接给结论：不得在完成推理步骤前输出判断结论

示例（正确）：
[步骤2结果] 月亮状态：正常（月亮双子15度，下一相位为与木星三分相）
[步骤3结果] 征象星：第一宫宫主=火星（提问者），第七宫宫主=金星（对方）
[步骤5结果] 相位：火星与金星即将形成六分相（62度），为入相位
[综合结论] 这段关系有发展可能，六分相意味着需要主动推进……

6. 第三层：规则冲突的处理机制

占星文献跨越两千年，不同时期的占星师对同一现象有不同甚至矛盾的解释。以「逆行行星作为征象星」为例：

三种解释都有文献支撑，但结论完全不同。解决方案是在 prompt 中显式定义规则来源的权威层级：

[规则权威层级·占星卜卦]

优先级 1（最高）：
威廉·利利《基督教占星学》(Christian Astrology, 1647)

优先级 2：
圭多·波那蒂、威廉·拉姆齐等古典传统的共识规则

优先级 3：
德雷克·阿普比、奥利维亚·巴克莱等现代卜卦占星师的经验

优先级 4：
基于大量案例归纳的实践规律

冲突处理：
无法调和时，必须在输出中注明：
「此处文献存在分歧，本次采用[来源]的标准，
另一种解读为[alternative]」

7. 实际效果与现存问题

还未解决的问题：

• 时机判断精度：行星速度换算时间，误差仍然较大，目前给出范围而非精确时间
• 非结构化输入：「我最近有点纠结要不要换工作」需要额外的格式化 prompt 处理
• 极端盘面：某些罕见星盘组合，规则库的覆盖不足，需要继续补充

8. 对其他领域的参考意义

这套方法论不是占星专属的。任何「有明确规则体系的专业领域 + LLM 应用」都面临类似问题：

• 法律文书解读：不同法律条文之间有优先级，需要权威层级定义
• 医学辅助诊断：诊断有明确的排查顺序，需要强制流程约束
• 金融合规审查：规则细则需要操作级颗粒度，不能泛化处理

核心方法论是一样的：确定认知边界 → 操作级知识注入 → 流程强制约束 → 冲突优先级机制。

9. 总结

本文介绍了构建 AI 占星卜卦系统时使用的提示词工程方法，核心是三层架构：

• Layer 1 知识注入层：操作级颗粒度，条件化表达，7万字模块化知识库
• Layer 2 流程约束层：强制执行步骤顺序，CoT 显式触发，终止条件明确
• Layer 3 冲突处理层：权威来源层级，冲突显式标注，结论可追溯

这套方法要解决的核心问题不是让 LLM「更懂占星」，而是给它一个确定的规则世界，让它在这个世界内严格推理。

对 LLM 应用开发者来说，当你面对一个有明确规则体系的专业领域时，与其花大量时间做 fine-tuning，不如先认真考虑：这套规则能不能通过结构化的提示词工程来实现？很多时候，答案是可以的。

常见问题

Q：Soul Answers 是什么？

A：Soul Answers 是一个 AI 占星卜卦平台，搭载约7万字占星提示词系统，支持 Horary 卜卦、本命盘分析、流年推运、合盘分析等功能。本文描述的提示词工程方法论是其核心技术基础。

Q：AI 卜卦和市面上的通用模型占星有什么区别？

A：市面上的通用模型没有专门的占星规则约束，会混合不同方法论随机输出。Soul Answers 通过三层提示词工程确保：严格按照古典卜卦规则推理、不跳过关键判断步骤、遇到规则冲突时有明确的优先级处理机制。

Q：提示词工程能替代 fine-tuning 吗？

A：对于有明确规则体系的专业领域，结构化提示词工程通常是比 fine-tuning 更高效的起点——成本更低、可解释性更强、规则更新更灵活。本文描述的三层架构是一个可参考的实践路径。