ZIWEIMODEL · TECHNICAL WHITEPAPER

ZiweiModel：面向紫微斗数知识推理的
结构化算法系统

ZiweiModel 技术白皮书 · ziweimodel.cn · 2026 年 7 月

Abstract / 摘要

本文介绍 ZiweiModel 的方法框架：如何将紫微斗数中的命盘对象、宫位关系、星曜组合、四化信号、时间层叠加与专题判断，组织为一套可执行、可追溯、可迭代的结构化知识推理系统。ZiweiModel 不把完整命盘直接交给大语言模型生成判断，而是先通过领域本体、十二宫图结构、规则引擎、评分函数、时间激活和专题聚合形成结构化证据包，再由 LLM 将证据包转译为面向不同读者的文本。本文定位为技术白皮书和论文式方法说明，重点阐述系统设计、算法表达、工程边界和未来数据校准路径；当前系统属于知识驱动专家系统，展示分用于表达结构强弱和激活程度，不代表事件概率。

关键词：ZiweiModel；紫微斗数；专家系统；知识图谱；图推理；规则引擎；评分函数；证据包；LLM 表达层；数据校准

1 引言：为什么不能直接将命盘交给 LLM

紫微斗数命盘包含十二宫、星曜、四化、星曜亮度、三方四正、邻宫暗合、本命、大限、流年等多层信息。传统解读依赖命理师将这些信息组合成判断，核心难点不在于“能不能说出一段话”，而在于能否说明这段话来自哪些盘面证据、哪些规则、哪个时间层，以及这些证据之间如何互相增强或抵消。

许多 AI 命理产品采用较直接的路径：排盘程序生成命盘文本，再把文本交给 LLM 输出解读。这种方式开发快，但会把证据抽取、规则适用、层级区分和最终表达混在一次生成里，常见风险包括信息遗漏、时间层混淆、规则补全和输出漂移。

ZiweiModel 的核心原则是：LLM 只负责归纳与表达，不负责重新发明紫微斗数规则。推理与表达必须分离。

$$\text{Judgment} = f(\text{Chart}, \text{Graph}, \text{Rules}, \text{Scores}, \text{Time}, \text{Context}) \tag{1}$$

$$\text{Reading} = \operatorname{LLM}(\text{Judgment}, \text{Audience}, \text{Style}) \tag{2}$$

工程含义

公式 (1) 表示“判断”由结构化系统产生，公式 (2) 表示“表达”由 LLM 完成。这样做的价值是：同一份命盘、同一套规则、同一个时间上下文，应得到稳定的底层证据包；即使后续更换模型，变化也应主要发生在文字风格，而不是核心判断。

ZiweiModel 系统架构图 — Figure 1. ZiweiModel 系统架构。出生信息首先转为结构化命盘，随后进入领域本体、图关系计算、象义域选择、规则引擎、评分函数和时间激活模块，最终生成证据包并交给表达层。

工程含义

Figure 1 强调 ZiweiModel 不是“命盘文本 + Prompt”的单层应用，而是将命盘判断拆成多个可维护模块。每个模块都有输入、输出和版本，因此可以调试、复核和迭代。

2 相关工作

2.1 传统专家系统

ZiweiModel 的核心架构接近知识驱动专家系统（Knowledge-Based Expert System）。经典专家系统通常由知识库、推理引擎和解释模块构成，依赖领域专家把隐性经验拆解为可执行规则。紫微斗数同样是一个经验密集、规则复杂、数据稀缺的领域，因此适合先从专家系统冷启动，再逐步进入数据校准。

2.2 知识图谱与本体建模

领域本体用于定义对象、属性和关系。ZiweiModel 将命盘拆为 Chart、Palace、Star、Mutagen、TimeLayer、Rule、EvidenceRecord 等对象，并以地支作为固定位置主键，本质上是一种面向传统文化知识的结构化建模方法。

2.3 图推理与消息传播

图神经网络中的消息传播机制通过邻接节点信息更新目标节点表示。ZiweiModel 当前不声称使用训练完成的 GNN 模型，但十二宫之间的本宫、对宫、三合、邻宫和暗合关系，天然可以表示为带类型边和关系权重的图结构。

2.4 LLM 与表达层约束

LLM 擅长自然语言生成、总结和改写，但它不天然拥有某个专业领域的稳定推理边界。ZiweiModel 将 LLM 限定为表达层，类似于把“检索/推理”和“生成”拆开：前者负责证据，后者负责语言。

3 领域本体建模

命盘在 ZiweiModel 中不是一张不可解析的图片，也不是一段自然语言文本，而是一组可定位、可组合、可追踪版本的对象。系统首先需要回答：哪些信息是稳定位置，哪些信息是时间上下文，哪些信息是可被规则读取的特征。

Definition 1（地支主键原则）

地支（子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥）是命盘中相对稳定的位置标识，应作为宫格的固定主键。宫位名称、星曜、四化和时间层信息是叠加在固定位置上的上下文属性。

Chart {
  chart_id
  birth_info
  palaces[12]
  time_layers = { natal, decadal, yearly, minor, monthly, daily }
}

Palace {
  earthly_branch       // 稳定主键
  heavenly_stem
  palace_name(layer)   // 随时间层变化的上下文属性
  stars(layer)
  mutagens(layer)
  brightness
  tags
}

$$X_{p,l} = \{ \text{branch}_p, \text{name}_{p,l}, \text{stars}_{p,l}, \text{mutagens}_{p,l}, \text{brightness}_{p,l}, \text{tags}_{p,l} \} \tag{3}$$

其中 $p$ 表示固定地支位置，$l$ 表示时间层。也就是说，同一个地支位置在本命、大限、流年中可以承载不同宫位语义，但数据地址保持稳定。

工程含义

这一步解决的是“盘面如何变成数据”。如果没有稳定主键，系统很容易把某个时间层的宫位名称当成永久位置，导致后续关系计算和证据追踪出错。

ZiweiModel 领域本体对象关系图 — Figure 2. ZiweiModel 领域本体。Chart 组织 Palace、Star、Mutagen、TimeLayer、Rule 和 EvidenceRecord；Palace 以地支定位，以时间层承载上下文属性。

工程含义

Figure 2 对外说明系统并非只是在“读一张盘”，而是在建立可计算的对象模型。后续的规则命中、评分、缓存和版本管理，都依赖这套对象关系。

4 十二宫图结构与消息传播

十二宫不是彼此孤立的十二个格子，而是一张带类型边的图。目标宫位的判断不只来自本宫，还来自对宫、三合宫、邻宫、暗合宫等相关位置。ZiweiModel 将这类关系形式化为图 $\mathcal{G} = (\mathcal{V}, \mathcal{E})$。

关系类型	结构关系	算法角色
本宫	$v_i$ 自身	目标判断的主体证据
对宫	$v_i \leftrightarrow v_{i+6}$	镜像与张力证据
三合	$v_i \rightarrow v_{i+4}, v_{i+8}$	协同支持或牵制证据
邻宫	$v_{i-1}, v_{i+1}$	夹辅、夹制与补充证据
暗合	由干支关系映射	隐性关联证据

Table 1. 十二宫关系类型

$$H_t = 0.5H_{\text{self}} + 0.3H_{\text{opposite}} + 0.1H_{\text{triad}_1} + 0.1H_{\text{triad}_2} \tag{4}$$

$$H_t = \sum_{j \in \mathcal{N}(t)} w_{t,j} \cdot \phi(X_j, R_{t,j}, C) \tag{5}$$

其中 $t$ 为目标宫，$\mathcal{N}(t)$ 为相关宫集合，$w_{t,j}$ 为关系权重，$X_j$ 为相关宫特征，$R_{t,j}$ 为关系类型，$C$ 为年龄、时间层、专题和用户问题，$\phi$ 用于把实际落点证据转译为目标宫语义下的证据。

工程含义

公式 (4) 是便于理解的简化版，公式 (5) 是工程实现中的一般形式。它让系统能够回答：“这条证据实际落在哪里，为什么会影响当前目标宫，影响强度是多少。”

Proposition 1（目标宫位原则）

设星曜或四化实际落点为宫位 $j$，当前解读目标为宫位 $t$。该信号对 $t$ 的影响强度由关系权重 $w_{t,j}$ 决定；知识检索以 $t$ 的语义为锚点，同时保留 $j$ 的实际位置信息用于证据追踪。

十二宫图结构与消息传播示意图 — Figure 3. 十二宫图结构与消息传播。目标宫位从本宫、对宫、三合宫和补充关系中接收证据，并按关系类型、时间层和专题上下文调整权重。

工程含义

Figure 3 是算法感最强的部分：紫微斗数中的“三方四正”被转化为图上的邻居聚合问题。这样，传统术语不再只是经验说法，而可以进入可计算、可调参、可记录的推理链路。

5 语义空间与上下文选择

一个宫位通常对应一组象义，而不是单一含义。例如子女宫可以代表孩子、生育、亲密关系、作品、下属、宠物和晚辈；兄弟宫也可能涉及现金流、合伙、团队、同辈支持等主题。系统不能把所有象义平均输出，而要根据上下文选择最相关的主题。

Definition 2（象义域）

宫位 $p$ 的象义域 $\mathcal{T}(p)$ 是一个语义集合：$\mathcal{T}(p)=\{t_1,t_2,\dots,t_k\}$。每个 $t_i$ 是该宫位在特定上下文中可能指向的现实主题。

$$\mathcal{T}^{*} = \operatorname{TopK}\left(\operatorname{Score}(t_i \mid P,A,L,E,Q)\right) \tag{6}$$

其中 $P$ 为目标宫位，$A$ 为年龄阶段，$L$ 为时间层，$E$ 为星曜与四化证据，$Q$ 为用户问题，$\mathcal{T}^{*}$ 为本次解读应优先表达的主题集合。

宫位	年轻阶段优先象义	中年阶段优先象义	成熟阶段优先象义
子女宫	亲密、兴趣、作品、宠物	生育、子女、下属、作品	成年子女、晚辈、生活乐趣
兄弟宫	同学、朋友、同辈关系	现金流、合伙、团队	同辈支持、晚年社交
父母宫	学业、师长、文书	上司、制度、长辈	健康、遗产、精神依托

Table 2. 象义域随年龄和专题动态选择

工程含义

象义域选择让系统避免“看见一个宫位就输出所有含义”。年龄、问题和专题只改变解释优先级，不改变原始盘面，这一点对用户体验非常关键。

6 规则引擎与证据追踪

传统命理经验往往以自然语言存在，例如“化忌代表阻力”“禄忌同现不可简单断吉凶”“财帛化禄而田宅见空劫，可能有进财但守财不足”。ZiweiModel 的规则引擎要做的，是把这些经验转为可执行条件，而不是让 LLM 在文本中自行补全判断。

Rule {
  id
  topic
  required_conditions[]
  optional_boosters[]
  conflict_conditions[]
  polarity              // opportunity | risk | mixed | neutral
  strength              // 0-1
  evidence_paths[]
  user_expression
  expert_expression
  source
  version
}

IF
  Palace.Wealth has(化禄 OR 禄存)
AND
  Palace.Property has(空劫 OR 化忌 OR 强煞)
THEN
  hit(rule_id = wealth_cash_in_storage_weak)
  polarity = mixed
  conclusion = 有进财机会，但守财与资产承接能力偏弱

$$\operatorname{EvidenceRecord} = \{r_i, x_i, p_i, l_i, c_i, v_i, h_i\} \tag{7}$$

其中 $r_i$ 为规则编号，$x_i$ 为命中条件，$p_i$ 为宫位路径，$l_i$ 为时间层，$c_i$ 为上下文，$v_i$ 为知识版本，$h_i$ 为证据哈希。

工程含义

规则引擎的输出重点不是一句“看起来像结论”的话，而是一条可复核的证据记录。以后如果用户、命理师或算法工程师质疑某个判断，可以追到具体规则、具体宫位、具体时间层和具体版本。

规则引擎与证据追踪流程图 — Figure 4. 规则引擎与证据追踪。结构化对象进入规则匹配器后，输出规则命中、强度、极性、冲突项、证据路径、知识版本和证据哈希。

工程含义

Figure 4 对应系统的可解释性基础。它让 ZiweiModel 能够从“我觉得是这样”变成“系统为什么这样判断”，这也是该系统区别于纯文本生成的关键。

7 评分函数

评分函数用于把多项结构证据压缩为便于比较的展示分。这个分数表达的是当前知识和规则下的结构顺逆、资源承载、阻力密度和时间激活程度，不是统计意义上的事件概率。

$$c_i = s_i \cdot w_i \cdot \lambda_i \cdot m_i \tag{8}$$

其中 $s_i$ 为单项证据的基础分，$w_i$ 为关系权重，$\lambda_i$ 为时间层权重，$m_i$ 为叠星、亮度或组合倍率。

$$S_{\text{raw}} = \sum_i c_i + \sum_j b_j - \sum_k q_k + \sum_l g_l \tag{9}$$

其中 $b_j$ 为吉性组合加成，$q_k$ 为阻力或冲突惩罚，$g_l$ 为禄忌同宫、多忌叠加、强组合共现等交互项。

$$S_{\text{display}} = 100 \cdot \frac{1}{1 + e^{-(\alpha S_{\text{raw}} + \beta)}} \tag{10}$$

工程含义

公式 (8) 计算单项贡献，公式 (9) 汇总结构强弱，公式 (10) 将原始分映射到 0 到 100 的展示区间。Logistic 映射能避免极端分无限放大，也方便未来用真实反馈校准参数 $\alpha$ 与 $\beta$。

Caution（评分边界）

$S_{\text{display}} = 72$ 不表示某件事有 72% 的发生概率。当前阶段的分数只表示给定规则下的结构强度。只有完成样本定义、标签采集、验证集划分和概率校准后，某些输出才可能具有频率意义。

ZiweiModel 评分函数拆解图 — Figure 5. 评分函数拆解。系统将星曜、四化、关系权重、时间层权重、组合加成、冲突惩罚和交互项压缩为展示分。

工程含义

Figure 5 适合向技术读者说明“分数怎么来的”。它不是把命运简单数字化，而是把大量离散证据压缩成一个可比较、可解释、可复核的指标。

8 时间激活与多尺度推理

本命盘描述长期底色，但长期底色并不意味着每一年都以同样强度表现。ZiweiModel 将大限、流年、小限、流月等时间层看作多尺度信号，并用时间门控机制判断某个主题是否在特定窗口内被激活。

$$A_k(t) = \sigma\left(B_k + D_k(t) + Y_k(t) + M_k(t) + R_k(t) - C_k(t)\right) \tag{11}$$

其中 $B_k$ 为本命主题底色，$D_k(t)$ 为大限阶段信号，$Y_k(t)$ 为流年触发，$M_k(t)$ 为小限或流月等短周期信号，$R_k(t)$ 为规则组合增强，$C_k(t)$ 为冲突或抑制项。

$$\Delta_{\text{decadal}} = S_{\text{decadal}} - S_{\text{natal}},\quad \Delta_{\text{yearly}} = S_{\text{yearly}} - S_{\text{decadal}} \tag{12}$$

工程含义

公式 (11) 回答“主题有没有被激活”，公式 (12) 回答“趋势是在变好还是变差”。这能区分“长期结构好但今年承压”和“长期底子弱但短期有机会”这两类完全不同的体验。

趋势类型	本命分	大限差值	流年差值	解释方向
持续改善	低或中	正	正	阶段与年度同步上升
高位回落	高	正或零	负	底层优势仍在，但年度承压
短期机会	低	负或零	正	短期有利，但承接力需复核
持续偏弱	低	负或零	负	多层结构均未形成支持

Table 3. 三代趋势类型诊断

9 专题推理

专题判断不是单宫判断，而是围绕一个问题组织多宫证据。例如财运专题至少需要评估赚钱能力、现金流稳定性、财富来源、守财能力、投资风险、合伙风险和长期积累能力。ZiweiModel 通过 TopicConfig 声明不同专题需要读取哪些宫位和规则。

TopicConfig(wealth) {
  core_palaces      = { 财帛宫, 命宫 }
  support_palaces   = { 官禄宫, 福德宫, 迁移宫 }
  storage_palaces   = { 田宅宫 }
  network_palaces   = { 交友宫, 兄弟宫 }
  risk_palaces      = { 疾厄宫, 父母宫 }
}

$$T_{\text{score}} = \operatorname{Agg}\left(S_p, A_k(t), R_{\text{hits}}, C_{\text{conflict}}, W_{\text{topic}}\right) \tag{13}$$

其中 $S_p$ 为相关宫位分，$A_k(t)$ 为时间激活，$R_{\text{hits}}$ 为规则命中，$C_{\text{conflict}}$ 为冲突项，$W_{\text{topic}}$ 为专题配置权重。

工程含义

专题聚合能避免“单宫决定论”。同一颗星曜在财运、事业、关系、健康等专题中可能承担不同角色，必须回到专题配置、图关系和时间上下文中综合判断。

10 推理与表达分离

当领域对象、图关系、规则命中、评分和时间激活完成后，系统形成一份结构化证据包。LLM 的任务不是重新判断命盘，而是根据证据包生成用户能理解的文本，或生成便于命理师复核的专业版文本。

EvidencePackage {
  chart_id
  target
  context
  selected_domains
  graph_neighbors
  scores
  activations
  rule_hits
  conflicts
  source_versions
  evidence_hash
}

$$\text{UserReading} = \operatorname{LLM}(\text{EvidencePackage}, \text{style}=\text{plain}) \tag{14}$$

$$\text{ExpertReading} = \operatorname{LLM}(\text{EvidencePackage}, \text{style}=\text{technical}) \tag{15}$$

维度	用户版	专家版
术语密度	减少术语，强调现实感受	保留三方四正、层级、规则编号
内部细节	不展示复杂权重	展示实际落点、权重、推理顺序
表达重点	状态、优势、风险、建议	证据、规则、版本、可复核路径
约束	不制造确定性恐吓	不越过证据强度下结论

Table 4. 用户版与专家版表达对比

工程含义

公式 (14) 和公式 (15) 表示同一份证据包可以生成不同表达，但不能生成不同判断。用户版更接地气，专家版更可复核，二者底层证据必须一致。

推理层与表达层边界图 — Figure 6. 推理层与表达层边界。结构化推理生成 EvidencePackage，LLM 只负责在用户版和专家版之间调整表达方式，不负责新增规则或覆盖证据。

工程含义

Figure 6 是对外最重要的可信度说明：ZiweiModel 使用 LLM，但不把判断权完全交给 LLM。真正决定结论的是证据包，LLM 只是把证据讲清楚。

11 从专家系统到数据校准

当前 ZiweiModel 是知识驱动专家系统，其组成包括人工定义的数据结构、人工整理的知识库、人工抽取的规则、人工设置的初始权重、程序化评分函数和 LLM 表达层。它的优势是冷启动快、可解释、可复核，适合数据稀缺但知识复杂的领域。

但系统也需要明确边界：当前权重依赖专家经验，规则可能带有主观偏差，复杂组合可能造成规则膨胀。在缺少真实反馈数据、标签定义和校准流程之前，分数不能被解释为概率。

features      = 命盘结构 + 时间层 + 宫位特征
rule_hits     = 命中规则 + 强度 + 冲突项
scores        = 宫位分 + 专题分 + 激活分
outputs       = 用户版表达 + 专家版表达
feedback      = 用户反馈 + 后续真实结果
labels        = 事件标签 + 主观感受标签 + 时间窗口

$$\text{专家规则} \rightarrow \text{数据积累} \rightarrow \text{特征数据集} \rightarrow \text{权重学习} \rightarrow \text{概率校准} \rightarrow \text{人工复核} \rightarrow \text{规则更新} \tag{16}$$

工程含义

数据化不是把传统规则扔掉，而是先把规则变成可记录的特征，再用反馈数据校准权重、发现边界和修正规则。专家系统负责冷启动，数据校准负责长期迭代。

12 局限与未来工作

本文讨论的是 ZiweiModel 的方法架构，不声称系统已经完成大样本验证，也不声称展示分具有统计概率意义。系统当前更准确的定位是“可解释的知识驱动专家系统”，而不是“已完成校准的预测模型”。

后续工作应集中在四个方向。第一，建立清晰的事件标签、主观感受标签和时间窗口标签。第二，持续归档 EvidenceRecord，使每次输出都能关联知识版本、评分版本和 Prompt 版本。第三，设计规则有效性评估流程，观察不同规则在不同专题和人群中的表现。第四，在数据规模和标签质量满足要求后，再进入权重学习、概率校准和混合模型。

边界声明：ZiweiModel 的目标不是把紫微斗数包装为精确科学，而是用现代数据结构、规则系统和可追溯工程方法，降低传统经验判断的黑箱程度。

13 结论

ZiweiModel 将紫微斗数解读拆分为结构化命盘、领域本体、图关系推理、象义域选择、规则引擎、评分函数、时间激活、专题聚合和表达层生成。其核心贡献在于把传统专家判断从不可复核的自然语言经验，转化为可定位对象、可记录证据、可追踪版本和可约束表达的专家系统流程。

算法的价值不在于替代传统经验，也不在于制造一种看似绝对的结论，而在于让判断过程变得清晰、可讨论、可修正、可验证。当判断可以被拆解，它就能被复核；当规则可以被复核，它就能被改进；当结果可以被记录，它就有机会被数据重新校准。这就是 ZiweiModel 的核心目标。

$$\begin{aligned} \text{命盘} &\rightarrow \text{数据} \quad;\quad \text{宫位} \rightarrow \text{对象} \quad;\quad \text{象义} \rightarrow \text{特征} \\ \text{经验} &\rightarrow \text{规则} \quad;\quad \text{引动} \rightarrow \text{激活} \quad;\quad \text{判断} \rightarrow \text{函数} \\ \text{语言} &\rightarrow \text{证据表达} \quad;\quad \text{专家系统} \rightarrow \text{数据校准} \end{aligned}$$

参考文献

Jackson, P. (1998). Introduction to Expert Systems (3rd ed.). Addison-Wesley.
Shortliffe, E. H. (1976). Computer-Based Medical Consultations: MYCIN. Elsevier.
Gruber, T. R. (1995). Toward principles for the design of ontologies used for knowledge sharing. International Journal of Human-Computer Studies, 43(5-6), 907-928.
Kipf, T. N. & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. ICLR.
Lewis, P. et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. NeurIPS.
Platt, J. (1999). Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods. Advances in Large Margin Classifiers.
Zadrozny, B. & Elkan, C. (2002). Transforming classifier scores into accurate multiclass probability estimates. KDD.