技術架構

三層架構設計：方法論底座、LLM 解釋引擎、Agentic 工作流，確保可追溯、可控性與透明度

產品架構

方法論底座層
規則引擎、資料結構、計算邏輯、可追溯輸出
↓
LLM 解釋層
語義理解、解釋生成、對話澄清、個人化摘要
↓
Agentic 工作流層
任務拆解、工具調用、多步檢查、輸出合成
↓
用戶介面層
結構化呈現、可調參數、不確定性提示、追問互動

方法論底座

規則、資料結構、可追溯輸出

規則引擎

基於傳統命理理論建立結構化規則庫，包括排盤規則、神煞計算、大運流年推演等。 所有規則均可校驗、可追溯，確保計算邏輯的一致性。

  • 排盤計算規則（公曆/農曆轉換、時區處理）
  • 神煞計算邏輯（可配置、可擴展）
  • 大運流年推演（多種算法支援）
  • 規則版本管理與更新機制

資料結構

定義標準化的資料結構與 Schema，確保不同模組間的資料交換與一致性。 所有計算結果均以結構化格式儲存，便於後續處理與追溯。

  • 命盤資料結構（日主、五行、十神等）
  • 推演結果 Schema（結論、依據、參數）
  • 規則引用標記（來源、版本、參數）
  • 資料驗證與錯誤處理

可追溯輸出

每個計算結果都包含完整的推理鏈路：使用的規則、輸入參數、計算步驟、中間結果。 用戶可查看任意結論的依據點，確保透明度。

  • 推理鏈路記錄（步驟、規則、參數）
  • 依據點標註（來源規則、計算邏輯）
  • 版本追蹤（規則版本、計算版本）
  • 可視化呈現（結構化展示推理過程）

LLM 解釋層

語義理解、個人化生成、對話澄清、內容安全

語義理解

LLM 負責理解用戶的自然語言輸入，提取關鍵資訊與意圖，並轉化為結構化查詢。 支援多種表達方式與模糊查詢，提升使用體驗。

  • 意圖識別（查詢類型、需求提取）
  • 實體識別（日期、地點、關係等）
  • 上下文理解（對話歷史、偏好記憶）
  • 多語言支援（繁體中文優先）

解釋生成

將結構化推演結果轉化為易理解的文字說明，結合規則依據與個人化表達。 避免過度技術化，同時保持準確性與邊界說明。

  • 結構化結果轉文字（結論、依據、建議）
  • 個人化表達（語氣、深度、格式）
  • 邊界說明（不確定性、注意事項）
  • 多格式輸出（摘要、詳細、對比）

對話澄清

支援追問與澄清機制，當輸入資訊不足或模糊時，主動詢問關鍵資訊。 用戶可透過對話逐步完善需求，獲得更精準的結果。

  • 主動詢問（缺失資訊、模糊表達）
  • 追問支援（深入探討、細節釐清）
  • 上下文記憶（對話歷史、偏好學習）
  • 澄清確認（重要參數二次確認）

內容安全

實施內容安全策略，避免生成不當內容、過度承諾或誤導性資訊。 結合規則檢查與 LLM 輸出過濾，確保內容合規。

  • 輸出過濾（不當內容、過度承諾）
  • 邊界提示（參考性質、不替代專業）
  • 風險標註（不確定性、注意事項）
  • 合規檢查（醫療、法律、投資邊界）

Agentic 工作流

任務拆解、工具調用、多步檢查、輸出合成

任務拆解

將複雜查詢拆解為多個子任務，每個子任務對應特定的規則模組或計算步驟。 建立任務依賴關係，確保執行順序的正確性。

  • 任務識別（查詢類型、複雜度評估）
  • 子任務分解（步驟、依賴、順序）
  • 任務調度（並行、串行、優先級）
  • 進度追蹤（執行狀態、結果收集）

工具調用

Agent 可調用多種工具：規則引擎、LLM、資料庫查詢、外部 API 等。 每個工具調用都有明確的輸入輸出規範，便於追蹤與除錯。

  • 工具註冊（規則引擎、LLM、資料庫）
  • 參數驗證（輸入檢查、格式轉換）
  • 錯誤處理（異常捕獲、重試機制）
  • 結果快取（重複查詢優化）

多步檢查

在輸出前進行多層檢查：規則一致性、邏輯合理性、內容安全性、不確定性評估。 發現問題時自動修正或標註，確保輸出品質。

  • 一致性檢查（規則匹配、邏輯驗證）
  • 合理性評估（結果範圍、異常檢測）
  • 安全性過濾（內容合規、邊界檢查）
  • 不確定性標註（置信度、邊界條件）

輸出合成

將多個子任務的結果整合為統一的結構化輸出，包含結論、依據、參數、不確定性提示。 提供多種呈現格式，適應用戶需求。

  • 結果整合（多源結果、衝突解決）
  • 結構化輸出（結論、依據、參數）
  • 格式轉換（文字、圖表、對比）
  • 可追溯標記（推理鏈路、引用來源）

品質與安全

內容邊界、風險提示、反幻覺策略

內容邊界

明確界定服務範圍與邊界，避免涉及醫療診斷、法律建議、投資建議等專業領域。 所有輸出均標註「僅供參考」提示，不替代專業建議。

風險提示

在關鍵位置標註風險提示與不確定性範圍，提醒用戶理性看待結果。 對於高風險場景（如重大決策），提供額外的注意事項。

反幻覺策略

透過規則檢查、交叉驗證、一致性檢測等方式，降低 LLM 產生錯誤資訊的風險。 所有結論必須有規則依據，不得憑空生成。

品質監控

建立品質監控機制，追蹤輸出品質、用戶回饋、錯誤率等指標。 持續優化規則與模型，提升服務品質。

隱私設計

最小化收集、用戶控制、刪除請求

最小化收集

僅收集提供服務所必需的最少資訊，不收集無關的個人資料。 所有資料收集均有明確目的，並在隱私政策中說明。

  • 必要資訊識別（服務所需最小集）
  • 資料分類（必需、可選、敏感）
  • 收集時機（註冊、使用、互動）
  • 用途說明（透明化、可查詢）

用戶控制

用戶可隨時查看、修改、刪除個人資料，控制資料使用範圍。 提供清晰的隱私設定介面，便於管理。

  • 資料查看（個人資訊、使用記錄）
  • 資料修改（更新資訊、偏好設定）
  • 資料刪除（單項刪除、帳號刪除）
  • 使用控制（資料分享、分析偏好）

安全儲存

採用業界標準的安全措施保護資料，包括加密傳輸、安全儲存、存取控制等。 定期進行安全審計與漏洞修復。

  • 加密傳輸（HTTPS、TLS）
  • 安全儲存（加密、備份、冗餘）
  • 存取控制（權限管理、審計日誌）
  • 安全監控（異常檢測、入侵防護）
查看完整隱私政策