垂直 AI 三层架构

定义

把垂直领域 AI 产品收敛到三层：确定性工具层（Deterministic Tool）+ 知识检索层（Domain RAG）+ 推理 LLM 层（Reasoning），再叠加 Persona 记忆 实现个性化。通用大模型直接 Prompt 在专业领域稳定性差（排盘错误、解读教条），而把"能算清"的部分外包给确定性工具、把"有文献依据"的部分外包给 RAG、只把"需要综合判断"的部分交给推理 LLM——是 2024–2025 年垂直 AI 产品的共识架构。

要点

• 确定性工具层：把可解、可测、可单元化的计算交给传统代码——历法/八字排盘、税务/财务计算、医疗剂量、法律条款匹配、坐标/地理转换。通过 MCP 暴露给 LLM 调用（代码编排型MCP），杜绝模型"瞎算"。开源标杆：cantian-ai/bazi-mcp、ziwei_iztro-mcpserver。
• 知识检索层：领域典籍/法规/文献 RAG 或知识图谱（知识编译〔待补〕）。例如八字命理把《三命通会》《滴天髓》结构化为十神/五行 3800 节点关系图谱；医疗 AI 把 UpToDate / 临床指南分章节嵌入；法律 AI 把判例 + 法条 + 学说交叉索引。
• 推理 LLM 层：用 推理模型〔待补〕（DeepSeek R1 / o1 / Claude Opus / Gemini）做多步推理与综合判断——这是大模型的真正比较优势所在。验证案例：FateTell 创始人观察"o1-Pro 算命比 o1 好非常多……算命就是一个强推理的事情"。
• Persona 记忆层（可选）：把用户的稳定特征 + 历史互动 + 决策反馈做长期记忆（过程记忆、Cantian "数字命运档案"、天府"长期记忆对话"）。
• 多 Agent 拆分（可选）：天府 Agent 把三层进一步拆为"排盘 Agent / 验证 Agent / 解读 Agent / 反馈 Agent"四角色，参见 多智能体五种协作模式〔待补〕。
• 失败模式：直接对通用 LLM Prompt——排盘错误（豆包大运起运年份错、DeepSeek 食神误判伤官）、解读教条（Kimi 偏教条）。确定性环节必须外包给确定性工具，这是这套范式的核心戒律。

示例

• AI 八字 / 紫微：iztro / lunar-python / sxtwl 做排盘 → 古籍 RAG → R1/o1 解盘（Cantian、FateTell、天府的统一架构）
• AI 税务：税法规则引擎做计算 → 判例与税务局公告 RAG → LLM 解释与方案建议
• AI 医疗：剂量/相互作用查表 + 临床决策树（确定性） → UpToDate/PubMed RAG → LLM 综合病史推理
• AI 法律：法条匹配 + 时效计算（确定性） → 判例 RAG → LLM 论证与策略
• AI 财富顾问：现金流/税务/合规计算（确定性） → 研究报告 RAG → LLM 个性化资产配置建议

相关概念

• MCP — 把确定性工具暴露给 LLM 的协议层
• 代码编排型MCP — 大表面服务的薄工具壳 + 沙箱 execute 策略
• Vertical Harness — 垂直领域 Agent 系统总论
• 意图分组工具 — 按用户意图组合工具
• 程序化工具调用 — 工具结果送入代码沙箱
• 多智能体五种协作模式〔待补〕 — 进一步拆分为多 Agent 时的模式
• 知识编译〔待补〕 — RAG 层的实现哲学
• 推理思维〔待补〕 — 推理 LLM 层的能力基础
• 决策辅助产品定位〔待补〕 — 三层架构落到产品上的典型形态

参考资料

• FateTell 创始人西元 Levy 在腾讯新闻 The Prompt 访谈关于 o1-Pro vs o1
• AtomGit 通用大模型八字评测（豆包/DeepSeek/Kimi 排盘错误现象）
• cantian-ai/bazi-mcp GitHub
• AI玄学产品全景与求财方向机会〔待补〕 — 三层架构的全景观察