resume.github.io
紫微斗数数据化解读系统
紫微斗数数据化解读系统是我独立推进并已上线的个人系统项目。我把两年多传统文化学习、上百万字笔记、Obsidian 知识管理、规则算法化、Python 全栈开发和 AI 问答结合起来，做成了一套 在线排盘、命盘交互、积分测算、AI 解读和命盘问答系统。
线上地址：ziweimodel.cn
项目缘起
这个项目对我来说是一个人生阶段的重要作品。
前期我经历过神经炎症疾病，后来通过针灸和中医调理逐步恢复。在中医医生的引导和机缘下，我接触到台湾倪海厦，一开始只是想学习中医，但后来更吸引我的是命理和传统文化。因为自己曾被看准过，我对紫微斗数产生了很强的兴趣，之后持续学习了两年多，积累了大量课程笔记、书籍整理、盘例记录和个人理解。
随着学习深入，我发现紫微斗数背后有很多可拆解的结构：星曜、宫位、四化、三方四正、大限、流年、格局、权重、触发条件和综合判断。刚好我长期做数据产品，也习惯从对象、关系、口径、规则和验证链路去理解复杂系统，于是我开始思考：能不能把这些知识数据化，让解盘从经验表达走向 结构化、可计算、可交互、可持续迭代。
项目定位
紫微斗数数据化解读系统的核心定位，是把传统知识体系转成一套可运行的系统。
它包含几层能力：
| 层级 | 系统能力 |
|---|---|
| 知识层 | 将学习笔记、术语、星曜、宫位、四化和盘例沉淀为知识库 |
| 规则层 | 将隐性解读经验拆成可计算、可匹配、可解释的规则结构 |
| 算法层 | 结合命盘结构、大限、流年、宫位关系和权重进行测算 |
| 产品层 | 支持在线排盘、命盘切换、解读生成、积分消耗和 AI 问答 |
| 迭代层 | 后续继续清洗知识库、优化算法权重和提升解读准确性 |
这个系统对我的意义，是把“我学过的东西”变成“系统可以调用的东西”。它也让我更深地理解了数据资产的价值：知识如果只停留在笔记里，价值很难被放大；一旦被结构化、规则化、产品化，就可以进入真实交互和持续迭代。
产品展示
我的角色
这是我的个人项目，我承担了从知识整理、产品设计、系统开发到上线迭代的完整工作。
| 工作方向 | 我做了什么 |
|---|---|
| 领域学习 | 持续学习紫微斗数和传统文化，沉淀上百万字笔记与盘例理解 |
| 知识管理 | 用 Obsidian 建立知识库，将分散内容组织为可维护的知识系统 |
| 数据结构 | 将星曜、宫位、四化、运限、格局和断语拆成结构化字段与规则 |
| 算法设计 | 将解盘思路转成可计算流程，包括命盘结构、权重、触发条件和解读模块 |
| 全栈开发 | 为完成系统学习 Python 全栈开发，搭建在线排盘、后端服务和前端展示 |
| AI 协作 | 借助 AI 完成代码实现、结构整理和功能迭代，同时持续校验解读质量 |
| 上线运营 | 完成线上部署，支持用户注册、积分消耗、命盘测算和命盘 AI 问答 |
这个项目最核心的地方，是它让我真正把“缺什么，就去学什么”变成了行动。因为想做系统，我去学 Python；因为想让知识可调用，我去整理规则；因为想让结果更可信，我去思考数据清洗、算法权重和准确性验证。
系统架构
系统整体可以概括为：
传统文化学习与笔记
-> Obsidian 知识库
-> 术语 / 星曜 / 宫位 / 四化 / 格局结构化
-> 规则与算法设计
-> 在线排盘与命盘交互
-> AI 解读与命盘问答
-> 用户反馈与持续迭代
技术链路上，系统围绕排盘、命盘结构、规则匹配、AI 解读和用户积分展开。前端负责输入、命盘展示和交互；后端负责命盘生成、解读触发、积分扣减和结果管理；知识库和规则层负责给 AI 提供结构化上下文。
我希望 AI 在这里基于命盘结构、知识规则和上下文进行表达，避免自由发挥。当前版本已经能够完成从排盘到解读的完整闭环，但我也清楚看到：早期知识库给的数据过多、过泛，形成的 LLM Wiki 还不够精准，后续需要重新清洗和压缩，让系统更准确、更稳定。
数据化解盘思路
紫微斗数本身有很强的结构性。命盘可以被拆成一组可计算的关系：
- 星曜落在哪个宫位。
- 宫位之间如何形成三方四正。
- 大限、流年、小限如何引动本命结构。
- 四化如何改变星曜性质和事件方向。
- 不同组合如何形成优势、课题、风险和人生主线。
我做这个系统时，先把知识拆成可用的数据结构，再交给大模型组织表达。这样做的目标，是让系统输出尽量具备来源、结构和可复盘逻辑，减少泛化表达。
这也是我从数据产品经验中延续下来的方法：先建立 稳定的数据资产，再建立 可解释的输出链路，最后通过准确性和长期反馈获得用户信任。
当前成果
- 完成紫微斗数在线排盘系统上线，访问地址为 ziweimodel.cn。
- 支持用户输入出生信息生成命盘，并进行本命、大限、流年、小限等维度切换。
- 支持通过积分触发命盘解读，形成可运营的测算机制。
- 支持命盘 AI 问答，用户可以围绕自己的命盘继续互动。
- 完成从 Obsidian 知识库、规则整理、算法设计到 Python 全栈开发的完整实践。
- 沉淀了传统文化知识工程、AI 辅助开发、产品上线和持续迭代经验。
当前问题与后续迭代
这个项目目前已经上线，但我不会把它包装成“已经完美”。它还有很多需要继续打磨的地方：
| 方向 | 后续计划 |
|---|---|
| UI 体验 | 当前界面可用，但视觉层级、信息密度、移动端体验还需要继续优化 |
| 知识清洗 | 早期笔记和 LLM Wiki 内容偏多、偏泛，需要重新筛选、压缩和标注来源 |
| 算法权重 | 命盘解读涉及多层关系，规则权重和触发逻辑还需要通过案例持续校验 |
| 准确性反馈 | 需要引入用户反馈和案例回收，让解读结果可以被持续验证 |
| 问答质量 | 命盘 AI 问答需要更强的上下文控制，避免生成泛化内容 |
我希望它成为一个长期系统。未来会继续围绕数据清洗、规则优化、案例验证、用户反馈和报告生成做迭代。
对我的影响
这个项目对我的影响很大。
它让我确认了一个方向：传统知识并不一定和现代技术相冲突。只要能找到合适的数据结构和产品形态，传统文化也可以被系统化、交互化、持续迭代。
它也让我更相信学习力和好奇心的重要性。很多能力来自真实问题的牵引：想做系统，就学开发；想让解读可信，就学数据结构；想让知识活起来，就学知识管理；想让用户能持续使用，就学产品运营。
统计学家 C. R. Rao 在《Statistics and Truth》前言中引用过一组话，我很喜欢它表达的思路：
在终极的分析中，一切知识都是历史。
All knowledge is, in final analysis, history.
在抽象的意义下，一切科学都是数学。
All sciences are, in the abstract, mathematics.
在理性的世界里，所有的判断都是统计学。
All judgements are, in their rationale, statistics.
这几句话和我做这个项目的感受非常接近：知识需要来源，科学需要结构，判断需要统计和验证。紫微斗数数据化解读系统对我来说，就是一次把个人经历、传统文化、知识管理、数据结构、AI 和工程能力连接起来的实践。