4-Factor Response Engine

Bawat daily-check-in ay nagbibigay ng isang maikling tugon. Ang tugon na iyon ay galing sa 4-factor response engine — isang constrained generation system na nilikha para maging kapaki-pakinabang sa loob ng 60 hanggang 100 na salita at hindi kailanman lalagpas dito.

Ang apat na salik

Ang apat ay pinagsasama nang deterministiko sa isang nakaayos na prompt — hindi malayang anyo. Ang modelo ng henerasyon ay sumusulat sa loob ng mahigpit na template na nag-iiba ayon sa kombinasyon ng chip × yugto.

Kung bakit eksaktong apat

Sinubukan namin ang dalawa, tatlo, apat, at anim. Ang dalawang salik (chip + phase) ay nagbigay ng mga nota na masyadong heneriko ang pakiramdam. Ang tatlo (chip + phase + paggalaw) ay may ugaling sumandig nang masyadong mabigat sa astrolohiya. Ang anim (kasama ang mood, panahon, social load) ay nagdulot ng kawalan ng pagkakapare-pareho at nagpataas sa generation latency lampas sa 200ms p50 na badyet para sa pang-araw-araw na ritwal.

Ang apat ang tamang puwesto kung saan partikular sa iyo ang pakiramdam ng nota nang hindi nagiging maingay.

Mga limitasyon sa generation

Ang output ng modelo ay sinasala ng tatlong panuntunan sa oras ng pagsulat:

1. Haba — 40 hanggang 120 na salita. Anumang lampas sa saklaw na ito ay muling binubuo.
2. Anti-claim — pinapadaan ang output sa parehong anti-claim lint na nagbabantay sa mga blog post. Tingnan ang non-medical-cycle-tracking.
3. Tone calibration — isang maliit na classifier ang tumatanggi sa mga output na pakiramdam ay nag-uutos, mapanghusga, o sobrang peppy-corporate. Ang mga output na nasa "mainit at nakaugat" ang pumapasa.

Ang notang nabigo sa kahit alin sa tatlong ito ay muling binubuo nang hanggang tatlong beses. Kung pumalpak ang lahat ng tatlo, makikita ng user ang isang curated na fallback na kasama na sa app.

Ang HINDI nakikita ng modelo

• Ang nilalaman ng iyong pang-araw-araw na note (ang chip lamang).
• Anuman sa iyong mga nakaraang note.
• Datos ng ibang user.
• Ang iyong pangalan, account, o anumang identifier.

Tumatakbo ang generation sa isang na-stripped at anonymized na input. Nagmumula ang personalisasyon sa mga structured factor, hindi sa muling pagbabasa ng iyong text.

Kung saan ito nakatira

Ang engine ay nasa lib/responseEngine/ sa Soulwise codebase. Ang structured prompt template ay isang TypeScript file bawat chip × phase pair (14 × 4 = 56 na template), bawat isa ay hand-tuned. Ang model ay ang pinakamaliit na nakapasa sa tone calibration test — isang 7B parameter open-weights model na tumatakbo sa isang Vercel Function na may 200ms p50 budget.