vedic-astro-skills精度回归体系揭秘:BAV 84/84、Dasha 27/27背后的可回查测试方法论

原创2026-10-23 13:02:442,000 阅读

vedic-astro-skills精度回归体系揭秘:BAV 84/84、Dasha 27/27背后的可回查测试方法论

vedic-astro-skills 是一款吠陀占星 AI 分析工具包,它最容易被新手忽略的亮点,是仓库内建的一套精度回归体系:用 BAV 84/84 小项匹配、Dasha 27/27 边界验证等可回查的回归样本,持续保证吠陀排盘、大运时间线和 Shadbala 的每一项计算都有据可查,而不是靠一句"准确率很高"口头承诺。

🎯 为什么吠陀占星工具需要"精度回归"

传统占星计算 + AI 分析的组合有个特点:计算层错一点,分析层错一大片。行星度数差几秒、大运起点偏几天,后续的职业、感情、校时结论都会被带偏。

vedic-astro-skills 的应对方式很特别:

  • 不宣称无法持续审计的笼统准确率;
  • 把关键计算结果固化成可回查的仓库回归记录,每次改动都可以重跑核对;
  • 依赖缺失或关键校验失败时直接停止(fail-fast),错误结果比无结果更糟。

这套方法论的完整记录见 CHANGELOG.md 与 README.md。

📊 BAV 是什么:为什么 84/84 堪称"满分"

BAV(Bhinnashtakavarga,别称"小阿士塔迦瓦格亚")是吠陀占星的核心评分表:7 颗行星 × 12 星座,共 84 个数值格。

它的精妙之处在于每一行都有固定总和,这是数学常数,不随盘型变化:

行星 BAV 行总和(固定值)
Sun 太阳 48
Moon 月亮 49
Mars 火星 39
Mercury 水星 54
Jupiter 木星 56
Venus 金星 52
Saturn 土星 39

这些常量定义在 formatter.py 的 BAV_ROW_SUMS 中,每次生成排盘数据时都会逐行星复核(formatter.py)。

而 84/84 小项匹配的含义更强:回归样本里 84 个格子的数值逐项与 JHora 桌面版参考一致,一个不差。计算源是 PyJHora 原生算法封装 ashtakavarga_pyjhora.py。

配套的 SAV(Sarvashtakavarga,总阿士塔)还有条铁规:12 星座总和恒等于 337,这是所有排盘结果出厂前必须通过的最小自检(smoke test)。

⏱️ Dasha 27/27:边界级验证比"平均准确"更严格

**Vimshottari 大运(Dasha)**是吠陀占星的时间线引擎:9 段大运(MD)→ 81 段小运(AD)→ 729 段三级运(PD),总计 120 年。

时间线最容易在边界上出错——一段大运的结束日就是下一段的开始日。早期用 365.25 天近似换算时偏差 6~9 天;改用 PyJHora 原生精确算法后,27 个时间边界点与 JHora PDF 的偏差不超过 2 天,这是 dasha_pyjhora.py 中明确写下的回归口径。

校验层级 硬性要求
大运 MD 恰好 9 段,相邻间隔等于行星固定年数
小运 AD 恰好 81 段,每段大运下 9 段
三级运 PD 恰好 729 段,[start,end) 区间无缝、无断裂、无重叠

任何一条不满足就标注"Dasha 层级校验失败",停止所有月级判定(见 validation_rules.md)。

日常使用不必通读 729 行,官方提供了渐进读取工具 dasha_query.py:--overview 折叠完整 PD 表,--month 2023-06 只取命中的三级运,--check 则只输出完整性校验结果。

📈 Shadbala 0.52 rupas:7.2 倍的误差压缩

Shadbala(六力)是行星强度指标,对小数位敏感。v6.1 的三方对比记录(CHANGELOG.md):

项目 原始 PyJHora 修正后(9 项针对性修正)
Shadbala 总误差(两张测试盘) 3.75 rupas 0.52 rupas(改善 7.2 倍)
BAV 小项 — 84/84 完美匹配
SAV 12 星座 — 12/12 完美匹配
Dasha — 27/27 边界偏差 ≤ 2 天

🛡️ 可回查测试方法论的四个支柱

支柱 1:固定常量。 SAV=337、BAV 行星行总和,属于"错了必然露馅"的数学不变量,环境自检 check_env.py 每次都会跑最小计算验证。

支柱 2:独立重算路径。 交叉验证只有走不同推导路径才算数:Nakshatra 由经度独立重算比对、Chara Karaka 按度数独立降序重排比对、D9 用 9×星座序号 等价式对撞引擎结果、Rahu-Ketu 在 D9 中必须恒差 6 座……这些原本写死 ✅ 的 8 项校验已全部改为真实判定(formatter.py),并配了篡改探针反向测试确认能"变红"。

支柱 3:回归样本。 上述 BAV/SAV/Dasha/Shadbala 四组结果全部固化为仓库记录(README.md),版本升级时可逐条重跑,改动影响一目了然。

支柱 4:隔离回归。 连"新模块不许污染老系统"都有测试守护:test_prashna_isolation.py 用多条断言确保独立提问盘(Prashna)的可选算法栈不渗入共享引擎,"任一红即禁止上线,每次同步前必跑"。

此外,vedic-reader 在数据进入分析前会执行完整的 16 条数学校验(行星完整性、Rahu-Ketu 对冲、逆行标记、燃烧、Ayanamsa、D9 公式、分盘 Ra-Ke 规则等),完整清单见 validation_rules.md。

❓ 为什么删掉了"准确率 >97%"

这是理解整套方法论的关键。这些回归数字是可回查的仓库记录,不是对所有地点、时间边界和盘型的笼统准确率宣称——它们只证明"在这组样本上,计算层与参考软件逐项吻合"。

正因为口径收紧,旧 README 中无法持续审计的"准确率 >97%"被主动移除。对新手来说,这种"只说能证明的话"的诚实度,恰恰是判断一个计算工具是否可靠的重要信号。

🚀 新手上手:三步验证你的环境

1️⃣ 获取仓库:

git clone https://gitcode.com/gh_mirrors/ve/vedic-astro-skills

2️⃣ 环境自检(Python 3.8~3.13):

python skills/vedic-calculator/scripts/check_env.py

它会检查依赖、星历文件并跑一次 SAV=337 最小计算;如有问题,按提示运行 setup_env.py 自动修复。

3️⃣ 排盘后校验 Dasha 完整性:

python skills/vedic-calculator/scripts/dasha_query.py --file structured_data.md --check

✅ 小结

vedic-astro-skills 的精度回归体系回答了一个新手常问的问题:"凭什么相信计算结果是对的?" 答案不是口号,而是四层可回查机制——固定常量、独立重算、回归样本、隔离测试。BAV 84/84 和 Dasha 27/27 只是这套体系在 v6.1 回归中留下的两个最醒目的数字:前者证明评分表逐格对齐,后者证明时间线边界可控。理解了这个方法论,你才能真正看懂一个 AI 占星工具的"可信度"从哪里来。

登录后查看全文
vedic-astro-skills