在确定性领域规则上构建AI产品

基于确定性领域规则构建 AI 产品

领域专属 AI 产品通常会以两种方式之一失败。一种是用语言模型去计算它根本不具备计算能力的事实，另一种是把确定性规则引擎藏在用户无法审计的答案背后。

更好的架构是将计算层与解释层分离。

第一层从显式输入中产生事实。第二层用自然语言解释这些事实。

对于日历、财务计算器、医学评分规则或传统图表系统，只要领域允许，第一层就应该是确定性的。同样的输入应该产生同样的结构化输出。中间值应该是可见的、可测试的、可版本化的。

AI 层不应该静默地重新计算这些事实。它应该接收一个结构化的快照，然后在此基础上回答问题。

一个简单的数据流如下：

验证输入并标准化时间、地点、单位和地区。

运行确定性领域引擎。

同时存储结果和计算设置。

从选中的事实中构建解释上下文。

要求模型在清晰的边界内进行解释、比较或总结。

在生成的文本旁边展示底层事实。

为什么这对手工计算器很重要

以八字命盘为例。节气边界、出生时间、地点、时区处理以及显示的四柱都是基于规则的事实。如果语言模型直接猜测它们，即使回答流畅，内部也可能不一致。

在传统中国八字计算器系统中，计算过程应该保持可复现性，而 AI 解释应该是可选的。用户可以先检查命盘，然后决定是否需要叙述性解释。

奇门遁甲有同样的架构要求。奇门遁甲命盘计算器必须在 AI 层讨论格局或决策因素之前，先确定时间和九宫结构。模型应该解释所提供的命盘，而不是在回答中途凭空编造一个不同的命盘。

将溯源当作产品数据来对待

结构化输出应该包含的不仅仅是最终结果，还应该包括：

标准化的输入值；

时区和地点假设；

规则或算法版本；

相关的边界条件；

置信度或不确定性标志；

暴露给语言模型的事实列表。

这种溯源数据使得调试成为可能。当用户报告答案错误时，团队可以确定问题是出在输入标准化、规则引擎、上下文组装，还是模型回答上。

测试边界，而不仅仅是每一层

单元测试可以证明规则引擎处理已知案例的能力，而 prompt 评估可以给解释质量打分。最昂贵的失败往往出现在层与层之间的边界上。

例如，一个正确的结构化结果可能被映射到错误的 prompt 字段。地区转换可能改变一个日期。汇总步骤可能丢失一个边界标志。AI 回答可能引用一个从未出现在提供上下文中的值。

因此，集成测试应该捕获传递给模型的精确结构化载荷，并验证生成的声明是基于该载荷的。

围绕可验证性设计接口

UI 应该让用户能够区分三件事：

由确定性引擎产生的计算事实；

由用户或系统选择的假设和设置；

关于这些事实的解释，由模型生成或人工撰写。

这种区分比通用的 AI 免责声明更有用。它向用户展示了什么可以被复现，什么仍然是解释性的。

同样的架构不仅适用于玄学计算器。税务估算器、资格工具、工程计算器、评分系统和合规检查器都受益于稳定的规则层加上可选的语言层。

用代码处理必须保持一致的部分。用 AI 处理能够从解释中受益的部分。让边界保持可见。