[Saya membuatnya sambil mempelajarinya sendiri.] Bangwooldang, layanan saju yang penilaiannya dilakukan dengan kode dan interpretasinya oleh LLM

Halo, saya sedang membuat layanan laporan saju bernama "Bangwooldang".
Tidak perlu login; pengguna tamu juga bisa langsung melihatnya.

Mengapa dibuat?

Saju adalah domain terburuk jika diserahkan sepenuhnya kepada LLM. LLM memang pandai membuat narasi yang terdengar meyakinkan, tetapi menurut saya kepercayaan akan runtuh begitu halusinasi masuk ke bagian-bagian yang punya "jawaban benar", seperti perhitungan manse-ryeok, lima unsur, dan penentuan yongshin. Selain itu, ada berbagai metode untuk menghitung yongshin, seperti metode eokbu yongshin, johoo yongshin, tonggwan yongshin, dan byeongyak yongshin, yang membuat interpretasinya berbeda. Karena itu, jika kita menyerahkan ke AI dengan mengatakan "yongshin saya ini~", ada kekhawatiran AI akan memberikan penjelasan yang keliru.

Saat mencoba layanan saju AI yang sudah ada, saya sering menemukan kasus di mana yongshin dan narasinya berubah setiap kali dilihat, padahal tanggal lahirnya sama. Saya ingin mencegah hal ini secara struktural.

Bagaimana dibuat — "Penilaian oleh kode, hanya narasi oleh LLM"

• Mesin manse-ryeok (deterministik): pembobotan lima unsur, sepuluh bintang, 12 fase keberuntungan, shinsal, serta perhitungan daewoon/sewoon semuanya dilakukan oleh kode. Koreksi waktu matahari sejati berdasarkan wilayah kelahiran juga seluruhnya ditangani di sisi kode.
• Lapisan penilaian (deterministik): penilaian cinta, karier, kekayaan, kesehatan, hingga alur bulanan ditentukan oleh kode. LLM tidak dapat membalik hasil ini.
• LLM hanya untuk narasi personalisasi: LLM hanya menulis "bagaimana energi ini bekerja pada orang ini". Definisi konsep seperti "apa itu sepuluh bintang" dirender oleh kamus hardcoded, sehingga area ini memakai 0 token dan 0 halusinasi.
• Guardrail: parsing → validasi skema → pemeriksaan kata terlarang/nada → fact-check dengan membandingkan hasil mesin → coba ulang jika gagal → laporan dipecah menjadi 5 grup dan dibuat secara paralel untuk mengurangi latensi.

Hal yang dipelajari saat membuatnya

• Daripada menambah daftar "jangan lakukan" di prompt, jauh lebih efektif mempersempit input dan peran agar sejak awal LLM tidak bisa membuat keputusan.
• Semakin tebal lapisan deterministiknya, biaya LLM dan rasio retry sama-sama turun. Upaya mengatasi halusinasi sekaligus menjadi optimisasi biaya.
• Saju bukanlah kitab ramalan. Ia hanyalah big data, sekadar energi sesuai waktu saya dilahirkan; saya menilai bahwa memahami hal itu dan menyikapinya adalah arah yang membantu hidup saya.

Saya akan sangat berterima kasih atas umpan balik apa pun, baik saran fitur maupun kritik!
Terakhir, kucing itu sangat lucu. 😺😺