# AI 算命说得很像我，意味着什么？

区分算法结果、模型解释与个人联想，识别宽泛描述、确认偏误和伪精确，不把语言流畅当成预测证据。

原文: https://wenbu.app/learn/ai-divination/
更新: 2026-09-30
编写: Wenbu · AI 辅助编辑

## 先把结论说清楚

AI 解读让你感到贴切，可能来自已提供的背景、普遍适用的描述、你自己的联想，也可能来自确实有帮助的整理。要判断“准确”，先说清测的是什么：计算是否按规则复现、来源是否支持句子，还是某项未来预测是否经过独立检验。三者不能混为一个分数。

- 计算正确、文字有共鸣、建议有帮助，是不同维度，应分别检查。
- 模型记住你刚说的顾虑并不神秘；先排除信息复述与宽泛描述，再讨论新发现。
- 没有事件定义、样本、基线和验证方法的“准确率”，不能作为产品能力证据。

**四种可能让解读显得贴切的体验**

卡片选取背景复述、计算复现、主观共鸣和实际帮助四个维度，各配一条具体例子。这四项没有呈现预测检验结果。下方完整表格另列“预测表现”，说明各维度分别需要检查什么。

## 一句“很像我”的话，能说明多少？

读到一句贴近经历的话，感到被理解，是一种真实的体验。但「这句话让我有共鸣」和「这个系统能预测我的未来」，是两个不同的命题。

宽泛而兼顾两面的描述可能适用于很多人。我们也更容易记住命中的部分，忽略不符合的部分。面对一段顺畅、温柔的 AI 文字，这些倾向不会自动消失。

## 分清三层信息

第一层是计算：某日期按什么规则对应哪些干支，或抽到了哪些牌。第二层是传统关联：某符号在特定体系里怎样被理解。第三层是你的联想：这些文字和哪些真实经历产生了联系。

三层都可以讨论，但不能混写成同一种事实。星历或历法精确，并不证明由此延伸的性格、关系和未来预测有效。Carlson 的研究是占星受控检验史中的一个例子，而不是对所有命理流派的一次全面判决。

## 把“准”拆成可以分别讨论的问题

| 维度 | 看起来贴切的例子 | 真正需要检查什么 |
| --- | --- | --- |
| 背景复述 | 你说最近加班，回答说你可能需要休息。 | 这是利用已知输入，不是独立发现未提供的人生事实。 |
| 计算复现 | 同一日期与同一换日约定得到同样四柱。 | 核对输入、规则与软件版本；只支持计算一致性。 |
| 主观共鸣 | 你既希望独立，也希望被理解。 | 哪些具体行为符合？哪些不符合？这句话能否适用于很多人？ |
| 实际帮助 | 回答帮你写出了愿意发送的沟通开场白。 | 记录它怎样帮助完成任务；有帮助不等于能预测对方反应。 |
| 预测表现 | 断言某件事将在固定期限内发生。 | 事先定义事件与期限、记录全部结果，并与合理基线比较；个别命中不足以验证。 |

## 一个更可靠的阅读习惯

先看系统能否展示输入、规则、来源与不确定性。再问解读是否包含可核对的依据，是否允许你不同意，是否把选择权留给你。无法反驳的说法，很难作为预测证据。

- 同时记录吻合与不吻合的例子。
- 区分事实、解释和希望。
- 不根据恐吓性的预言付款或作重大决定。
- 涉及真实他人时，优先通过直接沟通了解情况。

## 问卜如何使用模型

命盘和随机抽取由程序完成。DeepSeek 接收这份结果，以及你主动填写的问题和背景，再生成明确标注的象征性解读。模型不负责计算日期，也不应凭空引用经典。

页面记录请求模型名与服务返回的实际模型名。流畅的回答仍然可能有解释错误；欢迎通过项目问题页提交具体例子，避免附带他人的私人资料。

## 检查一句最有共鸣的话

如果回答说“你重视独立，也渴望被理解”，先想一想这句话能适用于多少人，再找一个具体经历和一个反例。你可以觉得它有帮助，同时不把它视为系统准确识别了你。

下一步请 Agent 把一段回答拆成“实际输入或计算结果”“传统说法”“结合背景的推测”，并标出哪些句子缺少依据。更详细的检查方法见手册中的来源阅读指南。

## 完整示例：审阅一句让你觉得“被看穿”的话

虚构回答：“你一直独立承担很多责任，却也希望有人真正理解你；接下来会迎来一次转机。”不要急着接受或否认，先逐段检查它提供了什么。

1. 回看自己已提供的信息。如果前面写了“我最近独自负责一个项目”，那么“承担很多责任”有明确输入来源，应标为复述或概括，不是模型看到了未分享的经历。

2. 检查宽泛部分：“独立”与“希望被理解”可以并存，也可能适用于很多人。写一个支持的实际例子，再写一个反例，比如主动求助或喜欢合作的时刻。不要只找符合的记忆。

3. 检查“转机”：具体指什么、何时、怎样算没有发生？如果没有限定，它很容易事后套到各种变化上。不要替含糊句子补成一条原本并未提出的精确预测。

4. 要求改写：“请标出哪些话来自我的输入，哪些是一般性联想；去掉没有证据的未来断言。围绕我现在的项目，给两个可核对的沟通问题。”

5. 留下有用部分及边界：“我想问负责人哪些事项能请同事协助；目前没有证据说明未来必然出现转机。”后续评价的是这两个问题是否帮助沟通，而不是用一次巧合证明整套系统。

可以保留被理解的感受，也可以严格审查事实。Forer 的研究提醒人们不要用个人认同直接验证人格判断；它没有测试今天的 DeepSeek，也没有给出问卜的准确率。

## 读懂这些词

**个人认同** — 读者认为某句话贴近自己的感受；能说明体验，不能单独证明描述具有区分力。

**基线** — 评估预测时用于比较的参照方法，例如按已知常见发生率作判断；没有比较，难知是否提供了额外信息。

**生成错误** — 模型把错误、无依据或与输入矛盾的内容表达成答案；流畅和自信不能排除它。

## 常见问题

### AI 引用经典，能证明它预测得准吗？

经典出处可以支持某种传统含义确实存在；预测效果需要另外的检验。先确认引文真实、读取范围清楚，再问它是否真的支持关于你的那条结论。

### 为什么换一种问法，答案可能不同？

问题与上下文会影响生成内容，生成过程也可能变化。若原始命盘和规则没变，却出现不同解释，先比较它们采用了哪些前提；不要把语言差异当成命运改变。

### 问卜有没有经过验证的个人预测准确率？

本文没有可据以报告此类准确率的验证研究，因此不提供数字。可以核对公开计算约定、来源与产品行为；这与证明对个人未来的预测表现是不同工作。

## 来源与适用范围

- [Forer (1949) · The fallacy of personal validation](https://pubmed.ncbi.nlm.nih.gov/18110193/) — 原始人格判断研究的书目记录，用于定位个人认同不等于独立验证这一研究背景；不是现代大模型或问卜的测试。
- [NIST AI 600-1 · Generative Artificial Intelligence Profile (2024)](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf) — 第 2.2 节说明生成式 AI 可能自信地输出错误内容；MS-2.5-003 建议核验来源与引文。它不是对问卜或任何命理体系准确率的测试。
- [Wenbu · AI reading input and interpretation rules](https://github.com/Digidai/wenbu/blob/main/worker/ai.ts) — 支持模型接收既有计算结果及用户背景、按象征方式解释的产品设计；不能据提示词承诺输出永不犯错。
- [Wenbu · Agent evidence and uncertainty rules](https://github.com/Digidai/wenbu/blob/main/worker/agent.ts) — 支持区分计算、传统解释与个人推测，并禁止编造精确预测、来源和未提供经历的要求。
- [Carlson (1985) · A double-blind test of astrology](https://www.nature.com/articles/318419a0) — 进一步阅读；不代表验证了现实预测。
- [DeepSeek · model update and alias behavior](https://api-docs.deepseek.com/news/news260910/) — 进一步阅读；不代表验证了现实预测。
- [lunar-typescript · calculation source and examples](https://github.com/6tail/lunar-typescript) — 进一步阅读；不代表验证了现实预测。