运营后台

每个术数一个独立模块：接入引擎=市场上最优的计算/知识源，推理底层=该术数的推理链与模型结构（判定引擎骨架）。运营者可调优，用户前端聊天完全无感。保存后对所有用户下一次对话生效。

同一时辰，让每个已接入术数体系独立解读，再融合裁决并产出底层模型优化建议。这是「反复优化模型」的核心闭环：分体系跑 → 融合 → 看冲突/一致 → 回写术数模型。结果自动存入实验数据库，可回溯。

你已付费并授权的课程材料，粘贴进来 → AI 提取成可复用「体系要点」→ 注入到底层模型。这是实验数据库的来源 B。

每个用户的画像/人设都从聊天里自动长出。点用户看其画像与反馈。整体反馈是底层模型迭代的依据（实验数据库来源 A）。

这里留的是真实用户对话。看到哪条回复不对，就写「正确说法」——它会在下一轮直接拼进系统提示词（不用重启、不用重建档案），作为不得再犯的硬指令。算错了先去改代码，话说错了用这里纠。

触发词留空＝对所有对话生效；填了词＝只在用户问题里出现该词时生效。纠正内容优先级高于普通框架描述。

用户流失只有一个死法：他抓到你说了一句他没说过的话。一次就够，之后你说什么他都不信。 这一栏查的就是这件事——每条回复发出去之后，后台会反查它有没有 「声称他说过、但档案和他的原话里都查不到」的内容。
三类：引用（「你说过…」）、处境（「你去年买了房」）、 编来源（认错时说「这是从别处带进来的」——这是用第二个谎补第一个）。 只有他的原话算证据，摘要和上一轮助手说的话都不算。 这个数应该一直是 0；它涨，就是在流失用户。

每个零件是一个员工，各自记账。主指标是区分度，不是命中率—— 一个总说「今年会有变化」的零件命中率能到九成，却毫无信息量。
防过拟合三档：已验 < 10 只记账不调权；10–19 可看趋势不调权； ≥ 20 才允许动权重。单次反馈永远只改计数，不改权重。

排盘、定局、飞星这类零件不产断语，产中间件，所以不能用区分度考核—— 它们错的表现是「整盘全错」，不会等用户半年后来告诉你。 这一栏考核的是回归测试通过率：把输入空间铺开，查数学不变量有没有破 （无重、无漏、分布均匀、连续、守恒）。破了不用门派之争，直接是 bug。

每次回答完，系统会自动抽出最多 3 条「将来能验证对错」的话，标上出自哪个零件。 到期核实时，点一下应验 / 部分 / 没应验，KPI 就记到对应零件头上。

客户交出生辰的那一刻，后台就用三套互不可见的推理路径把六个领域（事业/钱/感情/身体/家宅/六亲） 一次断完，再让一个复核者回头挑毛病。此后他问什么，都是从这个结果里取，不是当场算—— 所以他感受到的是「你早就知道」，而不是「你在等我算」。

三条路凭什么算独立：模型不同（v4-pro / flash）、体系不同（八字看旺衰用神 / 紫微看宫位四化 / 象数看五运六气·姓名·号码·八宅）、温度不同、是否深思不同。 最关键的是盘面切片：八字判官看不到紫微星曜，象数判官看不到旺衰—— 不切片的「多路」只是同一个模型换三种语气，一致是伪一致。

怎么读这两个数：一致率不该恒高（恒高说明没真分开算）； 反证率更不该恒 0（恒 0 说明复核者只在附和，没在挑毛病）。

用户一给出输入（生辰 / 姓名 / 号码 / 坐向），系统就把七个体系一次算完并固化成档案， 以后每轮对话直接引用这份档案回答，不再「问到什么算什么」。 这里是档案原件：facts 是代码算出的确定事实，readings 是建档时模型读一次并固化的结论。 改了底层算法或修正了盘面规则，点「重建」即可回算。

运营端发布预测（结合该用户画像）。月底用户在聊天框里自然回答「准不准」，系统自动抽取应验情况入库。这里查看命中率并生成修正建议，反哺底层模型。

把「用户整体反馈 + 预测命中率 + 已学课程」喂给 AI，产出下一版底层模型与知识库优化。审核后一键应用。建议每周或每月跑一次。