human-design

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

1. 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。
2. 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。
3. 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。
4. 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

1. 先用 human_design.engine.calculate_chart() 生成结构化盘面
2. 再用 human_design.reading.generate_reading() 生成完整阅读对象
3. 需要文本成稿时，用 human_design.reading.render_reading_markdown()
4. 需要 LLM 会话产品时，用 human_design.product.build_llm_product()
5. 需要职业深读时，用 human_design.career.generate_career_report()
6. 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。