name

human-design

description

人类图 (Human Design) LLM 解读技能。根据阳历出生日期、准确出生时间和出生地点，输出 BodyGraph 排盘、类型、策略、权威、人生角色、定义、中心、通道、闸门、职业深读、关系合盘、时机分析与来源可追溯的 LLM 产品包。触发词: 人类图, Human Design, BodyGraph, 人类图排盘, 人类图解读, 人类图职业解读, 人类图合盘, 类型, 策略, 权威, 人生角色, 通道, 闸门.

Human Design LLM Skill

这是人类图产品的技能入口。当前仓库已经不是单纯的排盘脚本，而是一个可安装的 LLM 原生 skill 产品：排盘、阅读对象、会话产品包、runtime adapter、安装与评测工具链都在仓库内生成。

使用时机

用户要查自己的人类图
用户问类型、策略、权威、人生角色、中心、通道、闸门
用户要把出生资料转成可解释的 BodyGraph 结构

必要输入

阳历出生日期
尽量精确到分钟的出生时间
出生地点，或至少给出时区/UTC offset

如果缺少出生时间或出生地点，必须先说明精度会明显下降，不能假装能给出精确排盘。

工作原则

先算，再解读。不要在没有结构化盘面数据时直接输出完整人类图结论。
计算层与解释层分开维护。计算结果应当可以被 CLI、脚本、API、skill 共用。
对 GitHub 候选项目先看许可证、活跃度、语言栈、可嵌入性，不只看功能截图。
当前本仓库已经有完整本地排盘、报告生成和 LLM 产品包链路，优先调用本仓库自己的产品层，而不是把解读外包给 prompt 硬写。

当前仓库导航

GitHub 调研：docs/github-research.md
契约文档：docs/contracts/
安装文档：docs/install.md
排盘引擎：human_design/engine.py
输入归一化：human_design/input.py
解读生成器：human_design/reading.py
解读知识：human_design/knowledge.py
LLM 产品层：human_design/product.py
Runtime 提示：runtimes/（当前已提供 Codex / Hermes / OpenClaw）
Agent 元数据：agents/openai.yaml
知识卡目录：references/（当前已包含 types / authorities / profiles / centers / definitions，以及 64 gates / 36 channels draft 覆盖）
脚本目录：scripts/
测试目录：tests/
公开人物准确度 fixture：tests/fixtures/public_figures.json
1000+ 公开人物 benchmark manifest：data/empirical/public_figure_manifest.jsonl
1000 条 blinded holdout trials：data/empirical/holdout_trials_blinded.jsonl
经验验证协议：docs/empirical-validation-protocol.md

当前执行方式

先用 human_design.engine.calculate_chart() 生成结构化盘面
再用 human_design.reading.generate_reading() 生成完整阅读对象
需要文本成稿时，用 human_design.reading.render_reading_markdown()
需要 LLM 会话产品时，用 human_design.product.build_llm_product()
需要职业深读时，用 human_design.career.generate_career_report()
需要脚本入口时，优先使用：
- scripts/calculate_chart.py
- scripts/generate_reading.py
- scripts/generate_career_reading.py
- scripts/generate_llm_product.py
- scripts/evaluate_public_figures.py
- scripts/evaluate_empirical_readiness.py
- scripts/evaluate_accuracy_benchmark.py
- scripts/analyze_empirical_trial.py
- scripts/analyze_prospective_registry.py
- scripts/analyze_label_predictions.py

输入要求

最好给带时区的 ISO 时间，例如 1988-10-09T20:30:00+08:00
如果没有 offset，优先传 --timezone，例如 Asia/Shanghai
也支持 --city + --country，必要时补 --region
如果什么都不补，当前默认按 UTC 处理，而且结果里会显式带精度 warning
城市解析当前通过 geocoder + IANA timezone 解析；若解析失败，必须明确报错，不能假装成功

LLM 产品要求

默认输出必须建立在结构化 chart 事实上
用户若提出职业、关系、成长、决策等焦点问题，应优先走 focus-aware 的产品包，而不是全文照抄总报告
若接到其他 runtime，应优先复用 runtimes/ 下的适配提示，而不是现场重写 system prompt
当前 reading.sections[*] 与 product.context_blocks[*] 已支持 sources 来源追踪；如果上层 runtime 需要解释“这段话基于什么”，优先使用这些结构化来源，而不是自行猜测
如果上层 runtime 需要把最终回答直接映射回知识卡，优先使用 answer_citations；需要展示型引用时，再开启 citation_mode=sources
发布前必须跑公开人物准确度评测；该评测使用 Astro-Databank AA/A 评级样本，检查 UTC 换算、盘面结构、中文术语、引用、通道 / 闸门防幻觉和 BodyGraph 出图。
如果用户要求“科学证明”或“客观准确”，必须走 docs/empirical-validation-protocol.md：先说明当前证据等级，再用盲测、随机化、对照、机会基线、p 值和置信区间分析真实实验数据；没有真实预注册数据时不能宣称已被科学证明。
如果用户要求 90% 命运预测 / 性格 / 天赋准确率，必须检查 evaluate_accuracy_benchmark.py 和真实 blind/prospective outcome；manifest 和 holdout 就绪不等于实际准确率达标。

Human Design LLM Skill

使用时机

用户要查自己的人类图

用户问类型、策略、权威、人生角色、中心、通道、闸门

用户要把出生资料转成可解释的 BodyGraph 结构

必要输入

阳历出生日期

尽量精确到分钟的出生时间

出生地点，或至少给出时区/UTC offset

如果缺少出生时间或出生地点，必须先说明精度会明显下降，不能假装能给出精确排盘。

工作原则

先算，再解读。不要在没有结构化盘面数据时直接输出完整人类图结论。

计算层与解释层分开维护。计算结果应当可以被 CLI、脚本、API、skill 共用。

对 GitHub 候选项目先看许可证、活跃度、语言栈、可嵌入性，不只看功能截图。

当前本仓库已经有完整本地排盘、报告生成和 LLM 产品包链路，优先调用本仓库自己的产品层，而不是把解读外包给 prompt 硬写。

当前仓库导航

GitHub 调研：docs/github-research.md

契约文档：docs/contracts/

安装文档：docs/install.md

排盘引擎：human_design/engine.py

输入归一化：human_design/input.py

解读生成器：human_design/reading.py

解读知识：human_design/knowledge.py

LLM 产品层：human_design/product.py

Runtime 提示：runtimes/（当前已提供 Codex / Hermes / OpenClaw）

Agent 元数据：agents/openai.yaml

知识卡目录：references/（当前已包含 types / authorities / profiles / centers / definitions，以及 64 gates / 36 channels draft 覆盖）

脚本目录：scripts/

测试目录：tests/

公开人物准确度 fixture：tests/fixtures/public_figures.json

1000+ 公开人物 benchmark manifest：data/empirical/public_figure_manifest.jsonl

1000 条 blinded holdout trials：data/empirical/holdout_trials_blinded.jsonl

经验验证协议：docs/empirical-validation-protocol.md

当前执行方式

先用 human_design.engine.calculate_chart() 生成结构化盘面

再用 human_design.reading.generate_reading() 生成完整阅读对象

需要文本成稿时，用 human_design.reading.render_reading_markdown()

需要 LLM 会话产品时，用 human_design.product.build_llm_product()

需要职业深读时，用 human_design.career.generate_career_report()

需要脚本入口时，优先使用：

scripts/calculate_chart.py
scripts/generate_reading.py
scripts/generate_career_reading.py
scripts/generate_llm_product.py
scripts/evaluate_public_figures.py
scripts/evaluate_empirical_readiness.py
scripts/evaluate_accuracy_benchmark.py
scripts/analyze_empirical_trial.py
scripts/analyze_prospective_registry.py
scripts/analyze_label_predictions.py

输入要求

最好给带时区的 ISO 时间，例如 1988-10-09T20:30:00+08:00

如果没有 offset，优先传 --timezone，例如 Asia/Shanghai

也支持 --city + --country，必要时补 --region

如果什么都不补，当前默认按 UTC 处理，而且结果里会显式带精度 warning

城市解析当前通过 geocoder + IANA timezone 解析；若解析失败，必须明确报错，不能假装成功

LLM 产品要求

默认输出必须建立在结构化 chart 事实上

用户若提出职业、关系、成长、决策等焦点问题，应优先走 focus-aware 的产品包，而不是全文照抄总报告

若接到其他 runtime，应优先复用 runtimes/ 下的适配提示，而不是现场重写 system prompt

当前 reading.sections[*] 与 product.context_blocks[*] 已支持 sources 来源追踪；如果上层 runtime 需要解释“这段话基于什么”，优先使用这些结构化来源，而不是自行猜测

如果上层 runtime 需要把最终回答直接映射回知识卡，优先使用 answer_citations；需要展示型引用时，再开启 citation_mode=sources

发布前必须跑公开人物准确度评测；该评测使用 Astro-Databank AA/A 评级样本，检查 UTC 换算、盘面结构、中文术语、引用、通道 / 闸门防幻觉和 BodyGraph 出图。

如果用户要求“科学证明”或“客观准确”，必须走 docs/empirical-validation-protocol.md：先说明当前证据等级，再用盲测、随机化、对照、机会基线、p 值和置信区间分析真实实验数据；没有真实预注册数据时不能宣称已被科学证明。

如果用户要求 90% 命运预测 / 性格 / 天赋准确率，必须检查 evaluate_accuracy_benchmark.py 和真实 blind/prospective outcome；manifest 和 holdout 就绪不等于实际准确率达标。