技术实践观察地址： AI 塔罗占卜（塔罗之心）

摘要： AI 塔罗占卜这类应用在技术上的挑战，在于如何将用户提出的模糊、非结构化的情感问题，转化为 LLM 能够理解和推理的结构化输入。本文将从自然语言处理（NLP）的角度，探讨如何通过用户意图识别（Intent Recognition）和提示词工程（Prompt Engineering），将用户的模糊查询精确地映射到塔罗牌的符号学知识图谱中，并生成具有建设性、符合用户深层需求的解读。

一、模糊查询的挑战：从“非事实性”问题中提取意图

人类在寻求咨询时，提出的问题往往是模糊的、情感化的、非事实性的（例如：“这段缘分是否未完待续？”）。对于 AI 而言，核心挑战在于：

1. 意图的非显式性： 问题的表面含义往往掩盖了用户真正的深层意图（例如，寻求确认、寻找希望、或需要做出决定的勇气）。
2. 语义的模糊性： “缘分”、“未完待续”等词汇是高度主观的，没有精确的数学定义。

一个有效的 AI 咨询工具，必须具备强大的意图识别和模糊查询处理能力。

二、技术深潜：意图识别、提示词工程与结构化输出

实现对模糊查询的高效处理，需要一套精密的 NLP 流水线和提示词工程。

1. 用户意图识别（Intent Recognition）：

   • 核心技术： 利用预训练好的 NLP 模型（如 BERT 的变体），对用户输入进行命名实体识别（NER）和情感分析。
   • 意图分类： 将用户的意图分类到预设的类别中（例如：情感预测、事业决策、人际关系）。这为后续的提示词工程提供了关键的上下文。

2. 提示词工程（Prompt Engineering）：
   这是将用户输入转化为 LLM 可推理指令的关键环节。

   • 结构化提示词（Structured Prompt）： 系统将用户的原始问题、识别出的意图类别、抽取的牌面信息（符号）以及牌阵位置的语义，组合成一个高度结构化的提示词。例如：

     用户问题：这段缘分是否未完待续？
     问题类别：情感预测
     牌阵位置：未来
     抽中牌面：圣杯三（正位）
     任务：请结合上述信息，生成一段具有启发性、符合情感预测语境的解读。
     

   • 少样本提示（Few-Shot Prompting）： 在提示词中，可以包含 1-2 个高质量的解读范例，以引导 LLM 生成符合要求的、具有情感支持的文本。

3. LLM的结构化输出与校准：
   为了保证输出的中立性和建设性，LLM 的生成过程需要受到约束。

   • 输出模板： 系统可以要求 LLM 遵循特定的输出模板，例如先确认用户情感，再解读符号，最后提供建议。
   • RLHF校准： 通过人类反馈强化学习（RLHF），对模型的输出进行微调，以确保其语言风格是富有同情心、启发性的，但又保持技术上的克制。

三、技术价值的观察与应用场景

将意图识别、提示词工程和 LLM 的生成能力结合，创造了一个高效的情感决策辅助工具。

一个名为 AI 塔罗占卜（塔罗之心）的 Web 应用，其提供的预设问题（如：“Ta 心底是否藏着一个‘秘密答案’？”）就是对常见用户意图的预分类，这简化了提示词工程的复杂度。

该工具的价值在于：

• 实现高精度的意图匹配： 能够从用户模糊的提问中，提取出其真正关心的核心决策点。
• 提供了结构化的情感反馈： 将非结构化的情感问题，转化为结构化、有逻辑的符号解读。

四、总结与展望

AI 在主观情感问答中的应用，是对 NLP 在意图识别、模糊查询处理和提示词工程方面能力的一次综合考验。通过将用户的非结构化输入转化为 LLM 可推理的结构化提示词，这类工具为用户提供了一种独特、富有启发性的决策辅助。这展示了 LLM 在处理非事实性、情感性知识方面的巨大潜力。