[Lo hice mientras estudiaba por mi cuenta.] Un servicio de saju donde el dictamen lo hace el código y la interpretación el LLM: Bangwooldang

Hola, estoy creando el servicio de reportes de saju "Bangwooldang".
Se puede usar de inmediato incluso sin registrarse ni iniciar sesión.

¿Por qué lo hice?

El saju es un dominio pésimo para dejárselo por completo a un LLM. Puede generar descripciones convincentes, pero en cuanto se mezcla una alucinación en las partes donde "hay una respuesta correcta", como el cálculo del calendario, los cinco elementos o la determinación del yongshin, creo que la confianza se derrumba. Además, existen varios métodos para calcular el yongshin, como eokbuyongshinbeop, johuyongshinbeop, tonggwanyongshinbeop y byeongyakyongshinbeop, y por eso la interpretación cambia; si simplemente se le pasa a la IA algo como "mi yongshin es este~", existe el riesgo de que haga una descripción incorrecta.

Al probar servicios existentes de saju con IA, era común que, con la misma fecha de nacimiento, cambiaran el yongshin y la descripción cada vez que los veía, y quise intentar bloquear eso de forma estructural.

Cómo lo hice — "el dictamen lo hace el código, solo la redacción la hace el LLM"

• Motor de calendario (determinista): los pesos de los cinco elementos, los diez dioses, las 12 fases de fortuna, sinsal y los cálculos de daeun/seun están todos en código. La corrección por hora solar verdadera según la región de nacimiento también se procesa completamente del lado del código.
• Capa de dictamen (determinista): el código decide incluso las evaluaciones de amor, trabajo, dinero, salud y el flujo mensual. El LLM no puede revertir esos resultados.
• El LLM solo redacta la personalización: solo escribe "cómo actúa esta energía en esta persona". Las definiciones de conceptos ("los diez dioses son ~") las renderiza un diccionario hardcodeado, así que en esta área hay 0 tokens y 0 alucinaciones.
• Guardrails: parsing → validación de esquema → revisión de palabras prohibidas/tono → fact-check comparando con los resultados del motor → reintento si falla → dividimos el reporte en 5 grupos para generarlo en paralelo y reducir la latencia.

Lo que aprendí mientras lo hacía

• Más que seguir ampliando una lista de "no hagas esto" en el prompt, fue mucho más efectivo restringir desde el inicio la entrada y el rol para que el LLM no pudiera tomar decisiones.
• Cuanto más gruesa se volvió la capa determinista, más bajaron al mismo tiempo el costo del LLM y la tasa de reintentos. Las medidas contra alucinaciones terminaron siendo también optimización de costos.
• El saju no es un libro de profecías. No es más que big data; simplemente es la energía correspondiente al momento en que nací, y llegué a la conclusión de que conocerla y actuar en consecuencia puede ayudar a orientar mejor mi vida.

Agradeceré cualquier tipo de feedback, ya sea sugerencias de funciones o críticas.
Por último, los gatos son demasiado adorables. 😺😺