AI占星的提示词工程：如何用Prompt Engineering构建占星卜卦系统

作者： Soul Answers占星AI实践团队
分类： 人工智能 / 提示词工程 / LLM应用实践
阅读时间： 约15分钟

---

前言

如果你用 ChatGPT 问过占星问题，大概率得到过这样的回答：

「根据你的星盘，你近期运势不错，建议把握机会……」

听起来像占星，但没有任何实质内容。

这不是 LLM 不够聪明，而是它不知道「占星卜卦」这件事有一套具体的判断规则——它只是从训练数据里拼凑出了听起来像占星的语言。

本文以一个 AI 占星卜卦系统的构建实践为例，完整介绍如何通过提示词工程（Prompt Engineering），将占星卜卦这套有明确逻辑的规则体系转化为 LLM 可执行的判断系统。

---

目录

1. 什么是占星卜卦（Horary Astrology）
2. 为什么通用 LLM 做不好占星解读
3. 提示词工程的整体架构设计
4. 第一层：领域知识的结构化注入
5. 第二层：推理流程的强制约束
6. 第三层：规则冲突的处理机制
7. 实际效果与问题
8. 对其他领域的参考意义
9. 总结

---

1. 什么是占星卜卦（Horary Astrology）

在开始讲提示词工程之前，需要先理解我们要「教」给 AI 的是什么。

占星卜卦（Horary Astrology） 是一套起源于古希腊、由17世纪英国占星师威廉·利利（William Lilly）系统化的占星方法。

它的核心逻辑是：

当一个人心中带着真诚的问题，在某一时刻提出——这个时刻的天象星盘，与这个问题存在关联，可以通过分析星盘推导出答案。

和很多人以为的「玄学随机」不同，卜卦有一套非常具体的规则体系：

要素	说明
星盘	提问时刻，从提问地点看出去的天象快照
宫位	星盘分为12格，每格对应生活的一个领域
代言星	每个宫位有一颗行星代表该领域
相位	行星之间的角度关系，决定事情走向
月亮状态	月亮虚空等状态决定盘是否可判断

这套规则的关键特征是：它是确定的，不是模糊的。

月亮虚空时「事情无果」——这是规则，不是概率。上升点在 0-3 度内「盘不可判」——这是条件，不是建议。

---

2. 为什么通用 LLM 做不好占星解读

理解了占星的规则特性之后，问题就很清晰了。

2.1 训练数据混乱

LLM 的训练数据中，「占星」相关内容包含：

• 现代心理占星（强调性格分析，不做具体预测）
• 传统卜卦（有明确判断规则）
• 娱乐星座内容（基本没有占星依据）
• 不同时代占星师的互相矛盾的观点

这三类内容的方法论完全不同，模型在没有明确指引时会混用，导致输出「听起来像，但逻辑上错误」。

2.2 规则执行不严格

即使模型「知道」月亮虚空规则，在实际判断时也容易跳过检查步骤——因为没有强制执行机制。

2.3 推理顺序错乱

占星判断有严格的步骤顺序，跳步会产生错误结论。通用 LLM 倾向于直接输出结论，压缩中间推理过程。

2.4 规则矛盾无法处理

当遇到不同文献对同一规则有不同解释时，模型不知道应该采用哪个，会输出自相矛盾的内容。

---

3. 提示词工程的整体架构设计

构建提示词系统时，将问题拆解为三个层次：

┌─────────────────────────────────────────┐
│           提示词系统整体架构              │
├─────────────────────────────────────────┤
│  Layer 3: 冲突处理层                     │
│  → 规则来源权威层级                      │
│  → 矛盾规则的优先级裁定                  │
├─────────────────────────────────────────┤
│  Layer 2: 流程约束层                     │
│  → 强制执行判断步骤顺序                  │
│  → Chain-of-Thought 触发机制            │
├─────────────────────────────────────────┤
│  Layer 1: 知识注入层                     │
│  → 行星知识结构化                        │
│  → 宫位规则条件化                        │
│  → 相位判断操作化                        │
└─────────────────────────────────────────┘

三层各自解决不同的问题：

• Layer 1 解决「模型知道什么」
• Layer 2 解决「模型按什么顺序思考」
• Layer 3 解决「规则冲突时模型怎么选择」

---

4. 第一层：领域知识的结构化注入

4.1 颗粒度的选择

知识注入的第一个关键决策是颗粒度。

❌ 错误示例（颗粒度太粗）：

你是一位占星师。
行星含义：太阳=自我，月亮=情绪，金星=爱情，火星=行动...
请根据星盘进行解读。

这种写法对实际判断几乎没有帮助，因为「金星代表爱情」在宏观上正确，但在具体判断中，金星的含义取决于它的宫位、品质状态、与其他行星的相位关系。

✅ 正确示例（操作级颗粒度）：

[行星·金星·卜卦判断规则]

基础属性：
- 性质：阴性、凉湿
- 代表领域：爱情/美/合作/和谐/部分财务

品质状态判断：
- 入庙：金牛座（力量最强）、天秤座
- 入旺：双鱼座
- 入陷：天蝎座（力量削弱）
- 入落：处女座（力量最弱）

注意：品质状态影响结论的"强度"，不改变结论的"方向"

角色判断规则：
当金星 = 第七宫宫主星时 → 代表"对方"（感情中的另一半）
当金星 = 第二宫宫主星时 → 代表"财务状况"
当金星位于第五宫时 → 加强感情、子女、娱乐相关解读的权重

这种结构让模型能精确调用规则，而不是泛化输出。

4.2 规则的条件化表达

传统占星文献是散文式的，需要转化为条件化格式。

原文献表述（散文）：

月亮虚空的时候，问题往往无果，事情不了了之，除非月亮在某些强势的星座里……

条件化重写：

[规则·月亮空亡]

触发条件：
月亮已完成当前星座内与其他行星的最后一次相位，
且尚未进入下一个星座

基本结论：
问题「无果」——事情可能不了了之，或结果与预期完全不符

例外条件（以下情况时，空亡效力减弱，可继续判断）：
1. 月亮位于巨蟹座（月亮入庙）
2. 月亮位于金牛座（月亮入旺）
3. 月亮位于射手座
4. 月亮位于双鱼座

输出要求：
无论是否有例外，必须在判断结果中明确标注月亮状态

条件化格式让模型能够准确识别触发条件、正确处理例外、知道在什么位置输出这个判断。

4.3 知识模块的拆分粒度

在实际系统中，约6万字的占星知识被拆分为以下模块：

核心知识模块
├── 行星模块（7颗传统行星 × 多维度描述）
├── 宫位模块（12个宫位 × 领域映射规则）
├── 相位模块（主要相位 × 入出相位判断）
├── 月亮专项模块（虚空/饱和/转光等特殊状态）
├── 行星品质模块（庙旺陷落 × 逆行 × 燃烧）
├── 卜卦规则模块（盘合法性 × 禁止判断条件）
└── 时机判断模块（行星速度 × 时间换算）

每个模块独立维护，可以单独更新，不影响其他模块。

---

5. 第二层：推理流程的强制约束

5.1 为什么需要强制流程

知识注入解决了「知道什么」，但模型仍然可能跳过某些步骤直接输出结论。

以一个实际错误案例为例：

用户问题：我和TA有没有结果？

模型错误输出（跳步）：
"根据第七宫宫主星土星与你的代言星火星形成四分相，
这段关系存在较大阻碍，建议谨慎……"

正确判断流程应该发现：
此时月亮空亡（月亮在处女座，已完成最后相位）
→ 正确结论：此时不适合判断这个问题，而不是给出阻碍结论

跳过月亮空亡检查，导致了完全错误的结论。

5.2 强制流程的 Prompt 设计

[卜卦判断·强制执行流程]

重要：以下步骤必须严格按顺序执行。
在完成当前步骤并输出检查结果之前，禁止进入下一步骤。

━━━ 步骤 1：盘合法性检查 ━━━
检查项：
□ 上升点度数在 3-27 度之间？
□ 上升星座与提问者基本情况相符？

输出格式：
[步骤1结果] 合法 / 不合法
理由：___
结论：继续 / 终止（原因：___）

━━━ 步骤 2：月亮状态检查 ━━━
检查项：
□ 月亮是否空亡？
□ 月亮是否处于饱和（Besieged）状态？

输出格式：
[步骤2结果] 正常 / 虚空 / 饱和
是否有例外条件：是 / 否（说明：___）
结论：继续 / 修正判断方向（说明：___）

━━━ 步骤 3：确定代言星 ━━━
...（以下类似）

这种格式有几个设计要点：

1. 「禁止」比「应该」更有效：在 prompt 里用「禁止进入下一步骤」，比「应该按顺序」有更强的约束效果
2. 输出格式标准化：每个步骤都要求特定格式输出，让推理过程可见
3. 终止条件明确：某些步骤失败时应该终止，不能继续推进到结论

5.3 Chain-of-Thought 的强制触发

[输出要求]

1. 推理过程：每个步骤必须输出检查结果，不得省略
2. 结论依据：最终结论必须明确引用至少2个星象依据
3. 不确定性标注：若某个判断存在争议或不确定，必须标注
4. 禁止直接给结论：不得在完成推理步骤前输出判断结论

示例（正确）：
[步骤2结果] 月亮状态：正常（月亮双子15度，下一相位为与木星的三分相）
[步骤3结果] 代言星确定：第一宫宫主=火星（代表提问者），第七宫宫主=金星（代表对方）
[步骤5结果] 相位分析：火星与金星即将形成六分相（相差约62度），为入相位
[综合结论] 这段关系有发展可能，六分相意味着需要主动推进……

示例（错误，禁止）：
这段关系有一定阻碍，建议谨慎……（直接结论，无推理过程）

---

6. 第三层：规则冲突的处理机制

6.1 传统文献中的规则矛盾

这是整个提示词系统中最难处理的部分。

占星文献跨越两千年，不同时期的占星师对同一现象有不同甚至矛盾的解释。

典型冲突案例：逆行行星作为代言星

来源	规则表述
威廉·利利（17世纪）	代言星逆行 = 提问者会改变想法，或事情会反复
更早的古典传统	代言星逆行 = 整张盘的判断质量下降，结论存疑
现代实践者	某些问题类型（如失物）中，逆行代言星是正面信号

三种解释都有文献支撑，但结论完全不同。

6.2 权威层级的显式定义

解决方案：在 prompt 中显式定义规则来源的权威层级。

[规则权威层级·占星卜卦]

当遇到规则冲突时，按以下优先级裁定：

优先级 1（最高权重）：
威廉·里利《基督教占星学》(Christian Astrology, 1647) 
中的明确规定

优先级 2：
约翰·弗洛里、本·以斯拉等古典阿拉伯-希腊传统
中的共识规则（多个来源一致时采用）

优先级 3：
奥利维亚·巴克利、德比·霍尔丁等现代卜卦师
的注解和补充规则

优先级 4：
基于大量卜卦案例归纳的实践规律

冲突处理规则：
1. 优先采用高权威来源的规则
2. 低权威来源的例外/补充条件，在结论中标注来源
3. 无法调和的冲突，必须在输出中明确说明：
   「此处文献存在分歧，本次解读采用[来源]的标准，
   另一种解读为[alternative]」

这个机制的价值在于：

• 可追溯：用户知道结论依据哪套规则
• 透明：冲突不被隐藏，而是显式标注
• 可维护：权威层级可以根据实践反馈调整

---

7. 实际效果与现存问题

7.1 有效的地方

问题	方案	效果
关键步骤跳过	强制流程 + 禁止指令	月亮空亡、盘合法性检查几乎不再跳过
结论无依据	CoT 强制触发	每个结论都附带星象依据，可验证
规则混用	权威层级定义	同一规则体系内的一致性大幅提升
知识泛化	操作级颗粒度	同一行星在不同宫位下的解读显著区分

7.2 还未解决的问题

时机判断精度
行星速度换算时间这一步，由于影响因素太多（星座类型、宫位位置、行星品质），误差仍然较大，目前给出的是范围而非精确时间。

非结构化输入的处理
用户输入往往是「我最近有点纠结要不要换工作」，需要将其转化为可判断的卜卦问题。这个「问题格式化」步骤目前还需要额外的 prompt 处理。

极端盘面
某些罕见的星盘组合（如多颗行星同时逆行、多重虚空叠加等），规则库的覆盖不足，需要继续补充。

---

8. 对其他领域的参考意义

这套方法论不是占星专属的。

任何「有明确规则体系的专业领域 + LLM 应用」都面临类似问题：

• 法律文书解读：不同法律条文之间有优先级（宪法 > 法律 > 法规），需要权威层级定义
• 医学辅助诊断：诊断有明确的排查顺序，需要强制流程约束
• 金融合规审查：规则细则需要操作级颗粒度，不能泛化处理

核心方法论是一样的：

1. 确定认知边界：隔离不相关训练数据的干扰
2. 操作级知识注入：规则细化到可执行层面
3. 流程强制约束：推理顺序不能被压缩
4. 冲突优先级机制：规则矛盾时有明确裁定规则

---

9. 总结

本文介绍了构建 AI 占星卜卦系统时使用的提示词工程方法，核心是三层架构：

Layer 1：知识注入层    → 操作级颗粒度，条件化表达
Layer 2：流程约束层    → 强制执行步骤顺序，CoT 显式触发
Layer 3：冲突处理层    → 权威来源层级，冲突显式标注

这套方法要解决的核心问题不是让 LLM「更懂占星」，而是给它一个确定的规则世界，让它在这个世界内严格推理。

对 LLM 应用开发者来说，当你面对一个有明确规则体系的专业领域时，与其花大量时间做 fine-tuning，不如先认真考虑：这套规则能不能通过结构化的提示词工程来实现？

很多时候，答案是可以的。

---

参考资料

• William Lilly, Christian Astrology (1647)
• Olivia Barclay, Horary Astrology Rediscovered (1990)
• Deborah Houlding, The Houses: Temples of the Sky (2006)
• Wei, Jason, et al. “Chain-of-thought prompting elicits reasoning in large language models.” NeurIPS (2022)

---

本文实践案例来自 Soul Answers 占星平台的提示词工程探索。

---

CSDN 标签： 提示词工程 Prompt Engineering 大语言模型 LLM应用开发 AI产品实践 Chain-of-Thought 领域知识注入 占星AI