[Ich habe das direkt beim Lernen gebaut.] Ein Saju-Service, bei dem die Beurteilung per Code und die Deutung per LLM erfolgt: Bangwooldang

Hallo, ich entwickle den Saju-Report-Service "Bangwooldang".
Man kann ihn auch ohne separates Login direkt als Gast nutzen.

Warum habe ich das gebaut?

Saju ist die denkbar ungeeignetste Domäne, um sie vollständig einem LLM zu überlassen. Es erzeugt zwar überzeugend klingende Beschreibungen, aber sobald sich bei Teilen mit eindeutigen richtigen Antworten — wie der Berechnung des astrologischen Kalenders, den fünf Elementen oder der Bestimmung des Yongsin — Halluzinationen einschleichen, geht das Vertrauen verloren. Außerdem gibt es verschiedene Methoden zur Berechnung des Yongsin, etwa eokbuyongsinbeop, johuyongsinbeop, tonggwanyongsinbeop und byeongyakyongsinbeop, wodurch sich auch die Deutung verändert. Wenn man einer AI einfach sagt: „Mein Yongsin ist das hier“, besteht die Gefahr, dass sie falsche Beschreibungen erzeugt.

Wenn man bestehende AI-Saju-Dienste ausprobiert, kommt es häufig vor, dass bei demselben Geburtsdatum das Yongsin und die Beschreibung bei jedem Aufruf anders ausfallen. Das wollte ich strukturell verhindern.

Wie habe ich es gebaut — „Die Beurteilung macht der Code, nur die Beschreibung das LLM“

• Manse-Engine (deterministisch): Gewichtung der fünf Elemente, Zehn Götter, 12 Wachstumsphasen, Shinsal sowie die Berechnung großer und jährlicher Glückszyklen sind vollständig in Code umgesetzt. Auch die Korrektur auf wahre Sonnenzeit je nach Geburtsort wird bei KodaDan vollständig verarbeitet.
• Bewertungsschicht (deterministisch): Einschätzungen zu Liebe, Beruf, Vermögen und Gesundheit bis hin zum monatlichen Verlauf werden vom Code festgelegt. Das LLM kann diese Ergebnisse nicht umkehren.
• Das LLM übernimmt nur die personalisierte Beschreibung: Es schreibt nur, „wie diese Energie bei dieser Person wirkt“. Begriffsdefinitionen („Die Zehn Götter sind ~“) werden über ein hartkodiertes Wörterbuch gerendert; in diesem Bereich sind es 0 Tokens und 0 Halluzinationen.
• Guardrails: Parsing → Schema-Validierung → Prüfung auf verbotene Wörter/Tonalität → Fact-Check gegen die Engine-Ergebnisse → bei Fehlschlag Retry → zur Reduzierung der Latenz wird der Report in 5 Gruppen aufgeteilt und parallel erzeugt.

Was ich beim Bauen gelernt habe

• Es war deutlich effektiver, Eingaben und Rollen von vornherein so stark einzugrenzen, dass das LLM gar nichts entscheiden kann, als die Liste mit „Tu das nicht“ im Prompt immer weiter zu verlängern.
• Je dicker die deterministische Schicht wurde, desto stärker sanken sowohl die LLM-Kosten als auch die Retry-Rate. Maßnahmen gegen Halluzinationen waren zugleich Kostenoptimierung.
• Saju ist kein Orakelbuch. Es ist letztlich nur Big Data und nichts weiter als die Energie, die sich aus meinem Geburtszeitpunkt ergibt; ich bin zu dem Schluss gekommen, dass es meinem Leben hilft, diese zu kennen und entsprechend damit umzugehen.

Ich freue mich über jedes Feedback — ob Funktionsvorschläge oder Kritik!
Und zum Schluss: Katzen sind einfach viel zu süß. 😺😺