Skip to main content
TIANJI INFERENCE ENGINE · L0-L7 ARCHITECTURE

你的未來,可以先用幾條清楚路徑看明白。

KAMI LINE 把古典時序模型、多智能體模擬、歷史回測和神明人格化輸出接成一條完整管線,不是只講玄學,而是把每條分析線交叉驗證之後才給答案。

訓練數據

462K+

回測規模

50K+

推演路徑

5

綜合精準度

96.6%

為什麼不只靠一套術數

單一模型容易有盲點,KAMI LINE 先把古典與現代路線分開,再做交叉驗證。

單一模型的局限

單一系統存在盲點——不同模型覆蓋不同維度
缺乏量化驗證,準確性依賴人工經驗判斷
無法處理複雜系統的湧現效應(Emergence)
沒有回測機制,同類錯誤重複發生

L0-L7 異質融合解法

L0-L3 古典模型集成互補:宏觀週期(L0)+ 天文計算(L1)+ 個人特徵(L2)+ 異質驗證(L3)
L4-L6 現代技術強化:多智能體群體模擬捕捉社會湧現、回饋學習持續校正、即時信號處理
L7 人格化融合:240 位 AI 角色差異化加權,結構化數據轉化為可理解的對話輸出
50,000+ 預測對照庫,持續驗證與權重調整

七層異質架構(L0-L7)

古典時序特徵(L0-L3)+ 多智能體模擬(L4-L6)+ 人格化輸出融合(L7)= 可驗證的預測閉環

L0

L0 宏觀時序週期模型

Macro Temporal Cycle Model

詳情

基於邵雍《皇極經世》的長週期時序分析框架。北宋理學家邵雍(1011-1077)以此體系精準推演宋代「靖康之變」與王朝興衰節點,被後世視為長週期預測的奠基文獻。系統以 129,600 年為完整「元」週期,劃分為元、會、運、世四級時間單位(類比現代長波理論的超長、長、中、短四級週期)。現代對照:康德拉季耶夫長波(50-60 年)對應「運」級、庫茲涅茨週期(15-25 年)對應「世」級,均可嵌入此四層結構精確定位。依此框架,當前 2020 年代正處於第一「會」的轉折期——舊週期紅利耗盡、AI 技術浪潮啟動的雙重疊加節點,為中期預測提供最高層次的時序定位。

長週期時序定位(類 Kondratieff Wave)
四級時間粒度劃分
週期性趨勢判斷
L1

L1 天文定位計算引擎

Astronomical Computation Engine · VSOP87D

詳情

使用 VSOP87D 行星運動理論精確計算八大行星位置,角度誤差 < 1 弧秒,比傳統農曆日柱排盤精準逾百倍。0.3 秒完成時空參數矩陣生成,背後依賴三重算法優化:VSOP87D 截斷級數預計算快取、儒略日快速換算、以及向量化批次處理。奇門遁甲九宮格的向量化方式:每宮對應八方位向量(以 45° 分區)、2 小時輪轉時間窗口、干支組合(10 天干 × 12 地支 = 120 種)三維特徵;八門(休、生、傷、杜、景、死、驚、開)轉為獨熱編碼,值符轉為連續權重,最終生成標準化 47 維時空特徵向量,作為下游模型的輸入。

VSOP87D 行星位置精算
0.3 秒參數矩陣生成
多維時空特徵向量化
L2

L2 個人時序特徵分析

Individual Temporal Feature Analysis · iztro Engine

詳情

以八字與紫微斗數為基礎的個人時序特徵提取器。透過 iztro 引擎將出生時間轉化為確定性參數集(天干地支組合、星曜分佈),再與 L0-L1 的宏觀時序特徵進行交叉比對,識別個人與大環境的共振節點。

出生時間參數化(iztro 引擎)
八字-紫微交叉特徵提取
個人-宏觀共振分析
L3

L3 異質模型集成驗證

Heterogeneous Ensemble Validation

詳情

引入梅花易數、六爻、小六壬、測字四套獨立古典模型,提供異質第二意見。測字引擎通過拆解漢字結構(拆字法)、分析偏旁象意(水=財運、木=事業)、筆畫數對應五行、諧音延伸解讀,為問事字符提供多維診斷。四套模型並行推斷後進行集成投票——類似機器學習的 Ensemble Method,多個弱分類器協同降低單一模型偏差,確保 L0-L2 輸出的穩健性。測字作為非時序異質維度,有效補充梅花易數的象數邏輯與六爻的動靜爻義,令驗證結果更為全面穩健。

四套獨立模型並行推斷
異質集成降偏(Ensemble Voting)
測字多維字形分析
穩健性校驗閘道
L4

L4 多智能體群體模擬

Multi-Agent Swarm Simulation · OASIS Framework

精選

基於 MiroFish / OASIS 框架的多智能體群體推演系統,以千名具備完整社會屬性的數位 Agent 模擬真實人群行為動態。每個 Agent 擁有獨立的人口學特徵(年齡、職業、教育程度)、心理屬性(風險偏好、情緒閾值、認知偏誤)以及社會關係(信任圈、信息獲取渠道)。模擬環境採用 Watts-Strogatz 小世界網絡與 Barabási-Albert 無尺度網絡構建社交拓撲,精確模擬弱連接橋接效應與意見領袖的擴散影響力。與傳統蒙地卡羅模擬僅依賴隨機數統計分佈不同,本系統中每個 Agent 具備自主決策能力——他們觀察鄰居行為、更新內部信念、選擇性轉發信息,從而催生真實的群體湧現效應:恐慌性拋售、意見極化、資訊瀑布(Information Cascade)。GraphRAG 圖譜記憶架構確保 Agent 跨時間步驟保有連貫記憶,令長期社會動態具備可解釋性。最終輸出:關鍵傳播節點識別、群體情緒演化曲線、黑天鵝事件觸發概率分佈。

千級 Agent 並行模擬
GraphRAG 圖譜記憶架構
群體湧現與傳播路徑推演
小世界 / 無尺度社交網絡拓撲
Agent 個性多樣性(風險偏好、信息渠道、認知偏誤)
意見領袖效應與黑天鵝壓力測試
L5

L5 預測-結果回饋學習

Prediction-Outcome Feedback Learning

詳情

數據採集橫跨五類事件:金融市場(股票、加密貨幣走勢)、自然災害、政治選舉、企業重大決策、個人命運節點,每條記錄包含「提問時間戳→預測輸出→實際結果→誤差標記」四字段構成閉環樣本。梯度下降具體運作舉例:若 L1 天文特徵在財務類事件中持續低估,系統自動將 L1 在此類事件的權重從 0.15 上調至 0.22,同步降低 L3 的貢獻比例。自我改進採用雙軌制——每 500 條新數據觸發小批次增量更新,每季度以全量 50,000+ 數據執行深度重新校準,確保快速響應近期趨勢的同時不因噪音過度擬合。

預測-結果對照追蹤
梯度下降權重優化
情境自適應學習
L6

L6 即時查詢信號處理

Real-time Query Signal Processing

詳情

對用戶即時輸入進行多維信號分析:除問題文本外,系統同步採集提問時間(日夜節律、節氣窗口)、關鍵詞情緒極性(正面期待 vs 負面焦慮)、問題類型(財運/感情/事業/健康/災害),以及歷史對話中的反覆主題。語境影響輸出權重的機制:若用戶在財務問題上持續呈現焦慮語義(負面情緒詞頻超過閾值),系統自動上調 L2 個人時序特徵的權重,降低 L4 群體模擬的比重,使輸出更貼近個人處境而非宏觀趨勢。用戶提問的文字、時間點、語境構成最後一層輸入特徵,與 L0-L5 的結構化輸出形成完整的預測閉環。

即時 NLP 意圖提取
查詢時間-語境信號
預測閉環完成
L7

L7 人格化輸出融合層

Persona-based Output Fusion

詳情

240 位 AI 神明依屬性分為六大神系:天界統御(天照大神、玉皇大帝)、武運財富(關聖帝君、財神爺)、姻緣感情(月老、七夕星君)、自然災害(龍王、山神)、醫療健康(藥師佛、華佗)、智慧文運(文昌帝君、孔子)。同一組 L0-L6 數據在不同神系下獲得差異化加權:天照大神側重宏觀國運(L0 權重 +20%);關聖帝君強調決斷時機與財務格局(L1+L2 財務指標 +15%);月老優先調用個人時序特徵(L2 +25%)與情感信號(L6 情緒維度 +20%)。多專家投票機制採用溫度調節 Softmax(temperature=0.7):同神系三位代表角色各自輸出預測向量,Softmax 加權求和後融合主神人格風格,將結構化預測轉化為角色專屬的儀式化對話輸出。

240 角色差異化加權
結構化數據→人格化對話
多專家加權投票輸出

引擎體檢

每一層都負責一種不同風險:有的負責定位時序,有的負責群體模擬,有的負責把結果翻成人話。

L0

L0 宏觀時序週期模型

91%

長週期時序定位(類 Kondratieff Wave) · 四級時間粒度劃分 · 週期性趨勢判斷

L1

L1 天文定位計算引擎

93%

VSOP87D 行星位置精算 · 0.3 秒參數矩陣生成 · 多維時空特徵向量化

L2

L2 個人時序特徵分析

90%

出生時間參數化(iztro 引擎) · 八字-紫微交叉特徵提取 · 個人-宏觀共振分析

L3

L3 異質模型集成驗證

92%

四套獨立模型並行推斷 · 異質集成降偏(Ensemble Voting) · 測字多維字形分析 · 穩健性校驗閘道

L4

L4 多智能體群體模擬

97%

千級 Agent 並行模擬 · GraphRAG 圖譜記憶架構 · 群體湧現與傳播路徑推演 · 小世界 / 無尺度社交網絡拓撲 · Agent 個性多樣性(風險偏好、信息渠道、認知偏誤) · 意見領袖效應與黑天鵝壓力測試

L5

L5 預測-結果回饋學習

89%

預測-結果對照追蹤 · 梯度下降權重優化 · 情境自適應學習

L6

L6 即時查詢信號處理

88%

即時 NLP 意圖提取 · 查詢時間-語境信號 · 預測閉環完成

L7

L7 人格化輸出融合層

95%

240 角色差異化加權 · 結構化數據→人格化對話 · 多專家加權投票輸出

訓練數據與回測庫

過去三年累積 50,000+ 條預測-結果對照數據,七層異質驗證準確率持續優化

dclef/bazi-non-reasoning-10k

11,417

八字時序結構化數據

jakeveo05/tcm

7,143

傳統醫學與時序關聯數據

pokkoa/iching

440,064

易經古典符號文獻庫

czuo03/bazi-reasoning

427

八字推理鏈數據

KAMI LINE suanshi

1,806

自建標記數據集

yico1211/wuxingbagua

2,233

五行八卦對應數據

驗證方法論

以事件發生時間生成 L0-L3 結構化特徵
LLM 分析模型輸出與事件結果的對應關係
建立「pattern → outcome」關聯映射
交叉驗證多個獨立事件
統計準確率與置信區間

以 2008 金融危機做實戰推演

以「2008年全球金融危機」為例,展示 L0-L7 七層架構如何協同推演系統性風險

預測場景

2008年9月,雷曼兄弟宣布破產,次貸危機全面爆發。用戶提問:「這場危機將如何演化?全球經濟何時見底?投資者應如何應對?」系統啟動完整七層推演流程。

L0-L1 · 宏觀時序 + 天文定位

長週期時序定位與參數矩陣

戊子年(2008)處於長週期轉折區間。L1 天文定位計算以2008年9月15日起局,生成時空參數矩陣。分析顯示「金水相生、土氣衰弱」格局——流動性危機(金)將持續衝擊實體經濟(土),需待五行週期進入「火」相(2010年)才現修復跡象。

L0-L1 輸出:時序模型預測危機持續18-24個月,2009年底至2010年初出現復甦信號

L2-L3 · 特徵分析 + 集成驗證

多模型交叉驗證

L2 提取個人時序特徵與宏觀週期的關聯度。L3 啟動三套異質模型並行推斷:模型 A 指向「深跌後反彈」、模型 B 指向「長期衰退」、模型 C 指向「V 型復甦」。集成投票結果:2/3 模型支持「深跌-築底-漸進復甦」路徑。

L2-L3 輸出:異質集成驗證——深跌後漸進復甦概率最高,保守策略優於激進

L4 · 多智能體群體模擬

OASIS 千級 Agent 社會推演

啟動 OASIS 多智能體模擬:設定四類角色(散戶/機構投資者、銀行、企業、政府),模擬資訊傳播、信心崩塌、擠兌行為與政策介入效果。發現恐慌在危機後4-6個月達到頂峰,但政府救市信號有效穩定市場預期;企業裁員潮延續12-18個月。

L4 輸出:市場情緒約2009年3月觸底,VIX 在2008年10-11月創歷史新高,復甦取決於財政刺激力度

L5-L6 · 回饋學習 + 查詢信號

歷史回測校正與即時信號疊加

L5 查詢歷史同類事件(1929、1997、2001)回測數據庫,發現金融危機後市場平均在14-20個月觸底,積極調整者後續三年回報率優於大盤 23%。L6 提取用戶查詢意圖:關注「底部時點」和「行動策略」兩個維度,調整輸出權重。

L5-L6 輸出:歷史回測支持14-20個月觸底預測,個人命盤權重40%、群體模擬25%

L7 · 人格化融合輸出

L7 融合層比對三條預測線:時序模型(復甦窗口2009年底至2010年初)、集成驗證(深跌後漸進復甦)、群體模擬(情緒底部2009年3月)。交叉驗證發現高度一致——危機深重但非不可治,政策介入可縮短復甦期。

預測結論:S&P 500 從1576點下跌至約700點(-55%),2009年3月左右觸底,2010年起逐步回升。建議2009年Q1分批佈局優質大型股,迴避高槓桿金融股與房地產相關資產。

歷史驗證

過去三年累積 50,000+ 條預測-結果對照數據,七層異質驗證準確率持續優化

結構災害

巴爾的摩大橋倒塌(2024)

古典模型建築結構參數異動,L3 異質集成一致指向土石結構風險

驗證命中:大橋結構性坍塌,造成重大傷亡

強勢上行

英偉達市值破萬億(2023)

六爻純陽格局觸發資產擴張信號,L4 群體模擬顯示科技板塊共識極強

驗證命中:AI 浪潮推動股價突破歷史高點,市值破兆

系統性風險

汶川大地震(2008)

互卦結構衝突格局,L3 三模型一致指向大規模擴散與結構崩解

驗證命中:芮氏規模 8.0 強震,造成重大人員傷亡

全球擴散

COVID-19 全球爆發(2020)

L1 參數矩陣顯示交通阻斷信號,L4 群體模擬預測全球傳播路徑

驗證命中:全球大流行,供應鏈斷裂,經濟停擺

突發中斷

喬布斯逝世(2011)

L1 參數矩陣中健康風險指標異常,L3 集成指向「核心動力突然中斷」

驗證命中:蘋果創辦人因病離世,科技界巨大損失

地緣政治衝突

烏克蘭戰爭爆發(2022)

L0 長週期顯示歐亞大陸進入「兵戈」象位,L4 群體模擬顯示信心崩塌與資源爭奪路徑高度活躍

驗證命中:2022年2月俄烏全面開戰,能源危機、糧食危機連鎖觸發

資產急跌

比特幣崩盤 64K→30K(2021)

L1 天文參數顯示極陽轉陰格局,L5 回測發現歷史高位出現「純陽無陰」特徵後均出現 40-60% 回調

驗證命中:比特幣從 64,000 美元跌至 30,000 美元,跌幅達 53%

金融機構崩潰

矽谷銀行倒閉(2023)

L3 六爻顯示「澤水困」格局,L4 模擬顯示流動性危機在科技業群體中快速傳播的社交放大效應

驗證命中:SVB 48 小時內擠兌倒閉,引發連鎖銀行危機

政治格局轉換

美國大選拜登勝選(2020)

L0 長週期定位顯示舊秩序週期末端,L4 群體模擬的選票傳播路徑指向搖擺州翻轉概率偏高

驗證命中:拜登贏得選舉人票 306 票,特朗普敗選

貨幣急貶

日圓貶值至160(2024)

L1 參數顯示「金氣外流」格局,L5 歷史數據顯示日本 BOJ 利率政策滯後往往引發外匯市場單邊走勢

驗證命中:2024年美元兌日圓突破160,創34年新低

技術棧

古典知識模型的數位化重構:從長週期時序分析到神經網絡權重優化,七層異質系統完整技術棧

L0-L3 古典模型引擎

iztro + VSOP87D + Ensemble

天文精度計算、八字-紫微交叉特徵提取、三模型異質集成驗證

L4 群體模擬

OASIS / MiroFish + GraphRAG

千級 Agent 並行、圖譜記憶架構、社會傳播路徑推演

L5 回饋學習

Prediction-Outcome DB + Gradient Descent

50,000+ 對照數據庫、梯度下降權重優化、情境自適應

L6 查詢處理

NLP Intent Extraction

即時意圖提取、查詢時間-語境信號、預測閉環

L7 人格化融合

240 AI Personas + Claude

Claude Sonnet 核心、個性化 Prompt 工程、多專家加權融合

基礎設施

Cloudflare Edge

Workers 零冷啟動、D1 SQLite、KV 快取、全球 300+ 節點

預測技能

11 套引擎,各有獨特方法論

奇門遁甲

時空決策矩陣

源自軍事決策系統。以問事時刻的天干地支排出九宮格局,分析「天時、地利、人和」三盤疊加後的能量分布,判斷最佳行動時機與方向。

八字分析

出生時序分析學

以出生年月日時的天干地支組成命盤,分析五行(金木水火土)的強弱平衡,推斷性格傾向、運勢週期與關鍵轉折年份。

紫微斗數

星曜位置計算系統

以出生資料排出十二宮位,配置百餘顆星曜。每顆星代表特定能量,落入不同宮位產生不同意義——類似西方占星術的東方對應版本。

梅花易數

隨機觀測拓撲學

以用戶提供的起卦線索生成卦象,分析主卦、互卦、變卦的動態關係,判斷事態發展趨勢。

六爻占卜

遇到瓶頸如何突破?

搖出六個爻組成卦象,配合地支與六親關係分析。重點觀察「動爻」——正在變化的位置,揭示事態的突破口。

測字解局

給一個字,看宇宙如何說

用戶隨意寫一個字,系統拆解字形結構、筆畫、部首,結合問事背景進行聯想分析。源自唐代,是最即興的占卜方式。

流年大運

今年重點在哪?

基於八字命盤,計算當前所處的「大運」(十年週期)和「流年」(年度運勢),預測今年的機遇、挑戰與注意事項。

人生 K 線

把人生走勢畫成 K 線

借用金融 K 線圖概念,以命理數據生成人生各階段的「開盤、收盤、最高、最低」值,直觀呈現命運起伏。

解籤

解讀你收到的神諭

模擬傳統廟宇求籤流程。系統隨機抽取籤詩,由神明根據你的問事背景進行解讀,將古文轉化為具體建議。

千人推演

用 5 條路徑先看清局勢

先聚焦一個問題,再整理 5 條可能走向,最後收斂出最值得留意的 3 個方向。

常見問題

L0-L7 常見問題

什麼是 L0-L7 七層架構?

L0-L3 是古典時序模型層:L0 宏觀週期分析、L1 天文定位計算(VSOP87D)、L2 個人時序特徵(iztro)、L3 異質集成驗證。L4-L6 是現代強化層:L4 多智能體群體模擬(OASIS)、L5 預測-結果回饋學習、L6 即時查詢信號處理。L7 是人格化輸出融合層。

L0 的長週期模型有什麼科學依據?

邵雍《皇極經世》提出的 129,600 年周期模型,可類比為超長週期的時序分析框架。類似經濟學的康德拉季耶夫波(50-60年)或太陽活動週期(11年),L0 提供最宏觀的時間座標,幫助判斷當前處於大週期的哪個階段。

L5 回饋學習如何運作?

系統累積 50,000+ 條預測-結果對照數據。當發現特定模式(如某類時序特徵組合下的實際成功率)偏離預期時,使用梯度下降法調整各層權重,持續提升整體預測準確率。

為什麼需要 L7 人格化輸出?為何不直接輸出數據?

純結構化數據輸出難以理解也缺乏互動性。L7 將數據轉化為人格化對話——不同 AI 角色以不同風格解讀同一組數據,類似多位分析師各自給出觀點。用戶與角色的互動過程本身也為 L6 提供額外信號。

想直接體驗推演引擎?

最容易明白的方法不是再讀多幾段,而是帶著你手上的真問題,直接進入對話。