[Criei enquanto estudava por conta própria.] Bangwooldang, um serviço de saju em que o código faz a avaliação e o LLM faz a interpretação

Olá, estou criando o serviço de relatórios de saju "Bangwooldang".
Não é necessário fazer login; visitantes também podem ver imediatamente.

Por que criei?

Saju é o pior domínio para entregar inteiramente a um LLM. Ele cria bem descrições convincentes, mas acredito que a confiança desmorona no momento em que alucinações entram em partes que têm “resposta correta”, como cálculos de manseyeok, os cinco elementos e a determinação do yongshin. Além disso, há diversas formas de calcular o yongshin, como o método eokbu yongshin, o método johhu yongshin, o método tonggwan yongshin e o método byeongyak yongshin, e as interpretações mudam por causa disso; se eu simplesmente passar para a IA “meu yongshin é este”, há o risco de a IA fazer descrições incorretas.

Ao usar serviços existentes de saju com IA, era comum que, mesmo com a mesma data de nascimento, o yongshin e as descrições mudassem a cada consulta, e eu quis impedir isso estruturalmente.

Como foi feito — “o código avalia; o LLM apenas descreve”

• Motor de manseyeok (determinístico): ponderação dos cinco elementos, dez deuses, 12 estágios de fortuna, shinsal e cálculos de grandes ciclos/fortuna anual são todos feitos em código. A correção para o tempo solar verdadeiro de acordo com a região de nascimento também é toda tratada no código.
• Camada de avaliação (determinística): avaliações de amor, carreira, dinheiro, saúde e até o fluxo mensal são decididos pelo código. O LLM não pode inverter esses resultados.
• O LLM apenas faz a descrição personalizada: ele escreve apenas “como essa energia atua para esta pessoa”. Definições de conceitos (“o que são os dez deuses...”) são renderizadas por um dicionário hardcoded, então essa área tem 0 tokens e 0 alucinações.
• Guardrails: parsing → validação de schema → checagem de palavras proibidas/tom → fact-checking comparando com os resultados do motor → nova tentativa em caso de falha → o relatório foi dividido em 5 grupos e gerado em paralelo para reduzir a latência.

O que aprendi ao criar

• Em vez de aumentar a lista de “não faça” no prompt, foi muito mais eficaz restringir a entrada e o papel do LLM para que ele nem pudesse decidir desde o início.
• Quanto mais espessa ficava a camada determinística, menor ficavam tanto o custo do LLM quanto a taxa de novas tentativas. Medidas contra alucinações eram também otimização de custos.
• Saju não é um livro de profecias. É apenas big data; é simplesmente a energia associada ao horário em que nasci, e julguei que conhecê-la e lidar com ela seria uma direção útil para a minha vida.

Agradeço qualquer feedback, seja sugestão de funcionalidade ou crítica!
Por fim, gatos são muito fofos. 😺😺