您的位置首页 >人工智能 >

AI奇门遁甲小程序开发实战盘局智能解读模块的RAG架构与大模型微调方案

AI 奇门遁甲小程序的核心痛点是纯大模型容易编造格局、用神、断语,幻觉严重;这套方案采用RAG 做事实检索、LoRA 微调固化推理风格与输出格式的组合架构,排盘在小程序前端或者后端引擎算出结构化 JSON 盘局,再送入后端 RAG 链路检索古籍、流派规则、案例素材,微调后的模型负责理解奇门逻辑、生成通顺解读;RAG 负责 “给模型正确的知识点”,新增古籍、流派注释只需要更新知识库,不用重训模型;微调负责 “教会模型怎么按奇门思路推理、固定输出结构、适配问事场景”,二者配合可以大幅降低 AI 编造不存在格局、星神关系的问题;小程序端只负责接收用户输入、渲染九宫盘面、流式展示解读,后端承载向量库、检索、重排、模型推理、缓存、用户权限整套服务,适配微信小程序的请求频率、超时、token 成本约束。

一、RAG 知识库分层与数据预处理清单

知识库按标签分层,方便元数据过滤,避免跨流派知识互相干扰:

  • 基础规则库:阴阳遁、拆补法 / 置闰法、三奇六仪、八门九星八神原始定义、旺衰判定标准
  • 流派库:转盘、飞盘等不同流派的专属断法,每条文档打上流派标签
  • 古籍原文库:经典原文、名家批注,保留原文出处,用于溯源
  • 案例库:标注好的历史盘局 + 问事类型 + 参考解读,用于微调数据和 RAG 召回
  • 禁忌校验库:冲突规则、矛盾用神判定,用于后校验环节

预处理流程:文档清洗→去重、过滤错误版本→按语义切块(chunk 500–800 字,重叠 10%)→打元数据标签(流派、用神、问事分类)→Embedding 向量入库,同时保留原始文本用于 BM25 关键词检索。

二、RAG + 微调分工对比表

模块核心职责适合承载内容优势局限
RAG 检索增强提供事实依据、原始素材古籍条文、固定规则、新补充案例、流派差异新增知识不用重训模型,可溯源,可控只给素材,不能自动学会推理范式,容易出现素材拼接生硬
LoRA 微调学习推理范式、输出格式、语气风格高质量盘局 - 问答对、标准解读模板、多轮对话范式推理逻辑更贴合奇门思路,输出稳定统一改规则、新增古籍必须重新制作数据集微调,成本更高
组合方案(推荐)RAG 召回证据,微调模型基于证据推理全部规则 + 案例 + 风格幻觉最低、迭代灵活、成本均衡链路更长,需要调优检索、重排、Prompt、校验多环节

三、后端完整 RAG 架构链路

  1. 接收小程序上传结构化盘局 JSON + 用户问题 + 用户选择流派
  2. Query 改写:把自然语言问题结合盘局信息扩写检索词,区分 “问财运、感情、事业” 等问事类型
  3. 多路召回:BM25 关键词检索 + 向量语义检索,用流派、用神标签过滤无关知识库
  4. 重排(Rerank):重排模型对召回片段打分,保留 Top5–Top8 高相关片段,剔除冲突、低相关内容
  5. Prompt 组装:把结构化盘局、检索证据、系统指令一起送入基座模型(微调后的 LoRA 模型)
  6. 生成解读:SSE 流式返回给小程序,降低用户等待感知
  7. 后校验 Agent:规则引擎核对星门组合、格局是否存在,检测明显编造内容,冲突则拦截重生成
  8. 缓存落库:盘局 + 问题 + 检索结果 + 回答缓存,减少重复调用 LLM,节省 token 成本
  9. Badcase 收集:用户标记不准的解读,自动入库,作为后续迭代 RAG 和微调数据集

四、LoRA 微调数据集与训练方案

  1. 数据集构成:高质量成对数据,输入 = 盘局 JSON + 用户问题,输出 = 规范解读;同时加入负样本(错误断语 + 正确修正)
  2. 数据规模:500–2000 条高质量标注样本即可看到明显风格提升,重点保证标注一致性,不要堆砌脏数据
  3. 训练方式:QLoRA 低秩微调,只训练少量参数,显存开销低,适合中小团队本地或云训练;基座优先选国产开源大模型
  4. 训练目标:学会识别用神、区分流派、先讲格局再分步解读、不编造不存在格局、输出层次稳定
  5. 评估指标:幻觉率、引用覆盖率、用户满意度、不同流派下的一致性
  6. 上线策略:基础版本先用 RAG 跑通闭环,再用线上沉淀好的优质案例做微调,不要直接从零微调上线

五、小程序端与后端交互设计

  • 前端:排盘引擎(可前端本地起局,把结构化 JSON 传给后端)、九宫渲染、历史记录、流派切换、用户反馈按钮(标记不准)
  • 接口约束:微信小程序有超时限制,统一使用 SSE 流式输出,超时断开支持断点续传
  • 权限与限流:按用户做 token 配额,防止恶意刷接口;敏感词、违规内容前置过滤
  • 缓存策略:同一个盘局 + 同一个问题,7 天内复用结果,减少推理开销

六、优势与落地坑点

✅ 这套组合方案的优势

  1. 幻觉控制远优于纯 Prompt 或者纯微调,回答可以绑定古籍原文溯源
  2. 迭代灵活:新增古籍、补充流派注释,只更新向量库,不用重新训练模型
  3. 微调只负责推理范式,训练数据量需求小,标注成本可控
  4. 适配小程序流量模型,缓存 + 限流,控制 API 成本

❌ 高频踩坑点

  1. 知识库冲突:不同古籍、流派说法本身不一致,检索时必须锁定用户选择流派,否则召回矛盾素材
  2. 切块不当:切得太碎丢失上下文,切太大超出上下文窗口,容易稀释有效信息
  3. 微调过拟合:样本太少,模型只会背案例,遇到新盘局泛化变差
  4. 元数据漏标:不做流派过滤,飞盘、转盘素材混在一起,解读逻辑自相矛盾
  5. 校验缺失:RAG 给了素材,模型依然会脱离素材自由发挥,必须加后校验 Agent

【相关 FAQ】

问题 1:AI 奇门遁甲小程序解读模块,为什么优先 RAG+LoRA 而不是单独微调?

回答 1:单独微调很难持续更新古籍、规则,一旦新增资料就要重训;单独 RAG 容易素材拼接生硬、推理逻辑散乱;RAG 提供事实证据,LoRA 学习奇门推理范式,兼顾灵活迭代和稳定输出,更适合 AI 奇门遁甲小程序。

问题 2:奇门 RAG 知识库里面,拆补法和置闰法要分开吗?

回答 2:必须分开,给每条文档打上流派元标签,用户在小程序选择流派之后,检索阶段直接过滤另一流派素材,避免两种定局规则冲突造成解读混乱。

问题 3:QLoRA 微调需要多少标注数据才能用于 AI 奇门遁甲小程序?

回答 3:500 条以上高质量、统一标注的盘局问答对就可以看到风格提升;重点是标注标准统一,样本脏、标注混乱,再多数据效果反而变差。

问题 4:RAG 链路里面的重排环节能不能省略?

回答 4:不建议省略,多路召回经常带回语义相似但无关的片段,重排是降低幻觉的关键一步,尤其奇门规则严谨,无关素材混入很容易诱导模型编造格局。

【参考资料】

[2026-07-12] 国学领域 RAG 知识库构建与 Chunk 策略(腾讯云开发者社区)

[2026-08-05] QLoRA 低秩微调实战,领域模型训练最小闭环(阿里云开发者社区)

[2026-09-10] 小程序 SSE 流式接口、超时、限流落地方案(掘金)

[2026-11-01] 易学类大模型幻觉治理与事实校验 Agent 实践

【免责声明】

本文仅为小程序后端 AI 解读模块的技术方案分享;奇门遁甲属于传统民俗文化,AI 解读仅作娱乐参考,不可以作为决策依据;项目上线需要遵守国内互联网信息服务、内容合规相关法规。

今日大家都在搜的词: