Tarot AI — 智能塔罗牌解读系统

核心挑战：78 张牌的语义质量

通用 LLM prompt 对塔罗牌的解读只能输出泛泛而谈——22 张大阿尔卡纳有公认含义可以套用，但56 张小阿尔卡纳（Wands / Cups / Swords / Pentacles 每组 14 张）缺乏标准化解读体系。用户抽到"吊人正位"或"五角星三"，通用模型只会输出一些模糊的"牺牲""物质"等关键词。

解决方案：为每张小阿尔卡纳手工编写独立的结构化语义模板（共 56 套），包含：正位/逆位双重含义、关键词标签、关联意象、元素属性（火/水/风/土）、数字命理学对应。AI 解读时根据实际抽到的牌面组合动态拼接 prompt，确保每次输出都有针对性和深度而非套话。这是从"能跑的 Demo"到"有质量的产品"的关键区分点。

产品设计：延迟验证机制

塔罗类产品的核心痛点：解读当下感觉准不准和事后灵不灵是两回事。为此设计了独特的延迟验证反馈系统：

• 用户抽牌获得 AI 解读后，结果自动存入 localStorage 历史记录
• 3 天后系统推送"验证提醒"（首页角标 + 历史页筛选 tab）
• 用户可回头对当初的解读打分（1-5 星 + 文字反馈）
• 积累的验证数据可用于分析哪些牌面/场景下 AI 准确率最高，形成产品迭代的数据飞轮

向量检索升级：RRF 双路融合

项目环境为 Python 3.8 32bit，chromadb 无法安装（需要 C++ 编译器），sentence-transformers 也因 PyTorch 无预编译 wheel 失败。务实方案：复用项目已有的 Ollama 基础设施，用 Ollama /api/embeddings + numpy cosine 实现语义搜索，BM25 关键词检索做降级兜底，RRF (Reciprocal Rank Fusion) 融合双路结果——k=60 的经验参数对两路分数量纲差异天然免疫。用户输入模糊意图时也能匹配到相关牌义。

技术栈