如果你想用 LLM 生成一份细致的占星心理报告，关键不是把所有事情塞进一个 prompt。更可靠的做法是分工：星盘计算保持确定性，报告写作走多轮流程。
这种分离，决定了长报告能不能稳定交付。
为什么单轮生成不够
一个 prompt 可以写出顺滑的段落，但长报告需要一致性、覆盖面和结构。单轮生成很容易漏主题、重复、或者前后语气不一致。
这类产品通常同时需要：
- 正确的本命盘数据和相位背景。
- 每个章节都保持一致的心理分析声音。
- 有深度，但不重复。
- 输出格式适合应用交付。
多轮流程把每一步的任务缩小，效果会稳定很多。
我们的管线如何工作
报告引擎先保证数据，再处理叙事质量。
第 1 轮：结构化占星基础
先用确定性逻辑计算本命盘，包括行星位置、宫位、相位和标准化上下文字段。LLM 不负责猜这一层。
这一步的目标是信任数据。基础星盘错了，后面的解释都会偏。
第 2 轮：主题综合和报告蓝图
在写完整章节之前，系统先把核心星盘信号压缩成一份主题综合，再转成章节蓝图。
蓝图会说明：
- 内在主题是什么。
- 哪些张力与和谐必须覆盖。
- 每个章节应该写到什么深度。
第 3 轮：章节草稿
系统按蓝图生成章节内容。每个章节都引用结构化星盘背景和综合层，不靠泛泛的星座话术。
这一轮重在内容和清晰度，还不是最终润色。
第 4 轮：修订和一致性
修订轮会改善段落衔接，删除章节之间的重复，统一语气，并处理前后矛盾。
报告会更像一份完整文档，而不是几个独立块拼在一起。
第 5 轮：验证和发布
最后一层检查质量规则。在生产中，这包括深度检查、章节覆盖检查和结构检查。
只有通过验证的输出才会标记为完成，交给客户端展示或下载。
真实产品里的交付方式
详细报告生成成本较高，所以用户侧应用最好使用异步交付。
常见流程：
- 客户端发送报告请求。
- API 返回 job id。
- 客户端轮询或等待 callback。
- status 变成 completed 后，客户端拉取最终报告。
这样应用不会在生成过程中卡住。
实用架构
职责可以这样拆：
- Astrology API 负责本命盘计算和星盘事实。
- LLM pipeline 负责解释生成。
- Validation layer 负责输出质量。
- Async orchestration 负责可靠交付。
如果你同时需要技术准确性和高级叙事质量，这是最稳的路线。
建议
如果你在做 AI astrology 产品，不要让一个 LLM 调用包办所有事情。先用确定性星盘数据，再做多轮解释生成、修订和验证。
这样得到的心理报告才会细致、结构清楚，并且适合生产环境。