你有沒有注意到：當你心裡裝著一個感情問題，你不會想找同事傾訴，你會找最好的朋友；當你面對一個職場決策，你不會找媽媽，你會找業界的前輩。不同的問題，自然對應不同的傾聽者。你的大腦在一瞬間完成了這個「路由」——把問題送到最合適的那個人面前。AI 系統做的事情，和你的大腦完全一樣，只是它把這個過程變成了可以計算的數學。

現代大型語言模型在處理文本時，會將每一個詞語或概念映射為高維向量空間中的一個點——這就是所謂的「embedding」。在這個空間中，語義相近的概念彼此距離更近：「愛情」和「婚姻」的向量比「愛情」和「股票」更接近；「奇門遁甲」和「方位決策」的距離，比「奇門遁甲」和「感情療愈」更近。這套語義拓撲結構，是語言模型在訓練過程中從海量文本中自然學習到的——沒有人工硬編碼告訴模型「這兩個概念相關」，相關性是從語言使用模式中湧現出來的。

KAMI LINE 的神明路由系統正是建立在這個語義空間之上。每一位神明都對應一套特定的人格特質、關注領域和語言風格：月老專注於緣分與感情的柔性引導，關聖帝君偏向義氣與事業的決斷語氣，不動明王則適合處理需要突破障礙、化解內在恐懼的問題。當用戶提出問題時，系統會計算問題語義向量與不同神明「人格向量」之間的餘弦相似度，選取最匹配的神明作為主要推演者。這個過程不依賴關鍵詞匹配或硬規則——即使用戶只是描述了一種模糊的情感狀態，系統也能通過語義理解判斷這更接近月老的問題空間，還是觀世音菩薩的療愈場域。

更進一步，KAMI LINE 在系統架構中加入了諸葛亮作為時空錨定層（L1），在神明回應之前先完成對問題背景、時間節點和五行狀態的結構化分析。這個設計源自一個重要的技術洞察：語言模型在回答複雜問題時，若先被引導完成明確的分析步驟，最終輸出的質量會顯著提升——這與思維鏈提示（Chain-of-Thought Prompting）的研究結論一致。術數中「先定局，再推演，再收束」的三層結構，與 AI 領域「分步推理、多角度驗證、最終整合」的最佳實踐，在方法論上高度吻合。

這也是為什麼在 kamiline.xyz 提問，感覺不像在用一個萬能的聊天機器人，而更像是走進了一個廟宇，有人引導你到最合適的神明面前。系統在你看不見的地方，已經完成了那個「把你的問題送到最懂它的人面前」的判斷——和你大腦每天做的事情，本質上沒有分別。