4-Factor Response Engine
4-Factor တုံ့ပြန်မှု Engine
နေ့စဉ်စစ်ဆေးမှု တိုင်းသည် မှတ်ချက်တိုလေး တစ်ခုစီ ပြန်ပေးပါသည်။ ထိုမှတ်ချက်သည် 4-factor တုံ့ပြန်မှု engine မှ ထွက်လာခြင်းဖြစ်ပြီး — ၎င်းသည် 60 မှ 100 စကားလုံးအတွင်း အသုံးဝင်အောင် ဆောင်ရွက်ကာ ဘယ်တော့မှ ကျော်လွန်မသွားသော ကန့်သတ်ထားသည့် ထုတ်လုပ်မှုစနစ် ဖြစ်ပါသည်။
အချက် လေးချက်
| # | အချက် | ရင်းမြစ် | အရေးပါပုံ |
|---|---|---|---|
| 1 | Chip | နေ့စဉ် ritual ထဲက 14-chip palette | ယနေ့ မှန်ကန်သည့်အရာကို ဖော်ပြသည် |
| 2 | Phase | Bayesian သံသရာ ခန့်မှန်းချက် | သံသရာ၏ အခြေခံစံကို သတ်မှတ်သည် |
| 3 | Transit context | ယနေ့ ရှိနိုင်သည့် ဇာတာ pergerakan | ထိုနေ့၏ အရသာကို ထည့်ပေးသည် |
| 4 | Archetype | သင်၏ ဓမ္မတာ archetype | သံသရာများတစ်လျှောက် ပုံစံ |
ဤလေးခုကို သတ်မှတ်ထားသည့်အတိုင်း ပေါင်းစပ်ကာ ဖွဲ့စည်းထားသော prompt တစ်ခုအဖြစ် ပြုလုပ်သည် — လွတ်လပ်စွာ ရေးသားခြင်း မဟုတ်ပါ။ Generation model သည် chip × phase ပေါင်းစပ်မှုအလိုက် ပြောင်းလဲသော template တင်းတင်းကျပ်ကျပ်အတွင်း ရေးသားသည်။
ဘာကြောင့် အတိအကျ လေးခု
ကျွန်ုပ်တို့ နှစ်ခု၊ သုံးခု၊ လေးခုနှင့် ခြောက်ခုကို စမ်းသပ်ခဲ့ပါသည်။ အချက်နှစ်ချက် (chip + phase) သည် အလွန်ယေဘုယျဆန်လွန်းသော မှတ်စုများ ထွက်ပေါ်စေပါသည်။ သုံးချက် (chip + phase + pergerakan) သည် ဗေဒင်ဘက် အလွန်ယိမ်းတတ်သော အလေ့အထ ရှိခဲ့သည်။ ခြောက်ချက် (mood, weather, social load ထည့်ခြင်း) သည် မညီညွတ်မှုကို ဖြစ်ပေါ်စေပြီး နေ့စဉ်ဓလေ့အတွက် 200ms p50 budget ထက်ကျော်လွန်ကာ generation latency ကို တိုးစေခဲ့ပါသည်။
လေးချက်သည် မှတ်စုသည် ဆူညံမှုမဖြစ်ဘဲ သင့်အတွက် တိကျသဖွယ် ခံစားရစေသော အကောင်းဆုံးအချက် ဖြစ်ပါသည်။
ထုတ်လုပ်မှုအပေါ် ကန့်သတ်ချက်များ
မော်ဒယ်၏ ထုတ်ပေးမှုကို ရေးသားချိန်တွင် စည်းမျဉ်းသုံးခုဖြင့် စစ်ထုတ်ပါသည်။
- အရှည် — စကားလုံး 40 မှ 120 လုံး။ ထိုအတိုင်းအတာ ပြင်ပ ရှိသမျှကို ပြန်လည်ထုတ်လုပ်ပါသည်။
- Anti-claim — ဘလော့ပို့စ်များကို ထိန်းချုပ်သည့် anti-claim lint တစ်ခုတည်းမှ ထုတ်ပေးမှုကို ဖြတ်သန်းစေပါသည်။ non-medical-cycle-tracking ကို ကြည့်ပါ။
- လေသံ ချိန်ညှိမှု — ညွှန်ကြားသလို၊ ဝေဖန်ပိုင်းခြားသလို သို့မဟုတ် corporate ဆန်ဆန် တက်ကြွလွန်းသလို ခံစားရသော ထုတ်ပေးမှုများကို classifier ငယ်တစ်ခုက ငြင်းပယ်ပါသည်။ "နွေးထွေးပြီး တည်ငြိမ်" သော ထုတ်ပေးမှုများသာ အောင်မြင်ပါသည်။
သုံးခုထဲမှ တစ်ခုခု မအောင်မြင်သော မှတ်စုကို အကြိမ်သုံးကြိမ်အထိ ပြန်လည်ထုတ်လုပ်ပါသည်။ သုံးခုစလုံး မအောင်မြင်ပါက app နှင့်အတူ ပါဝင်လာသော ရွေးချယ်ထားပြီးသား fallback ကို အသုံးပြုသူ မြင်တွေ့ရပါမည်။
မော်ဒယ်က မမြင်နိုင်သည့်အရာများ
- သင့်နေ့စဉ်မှတ်စု၏ စာကိုယ် (chip ကိုသာ မြင်ပါသည်)။
- သင်၏ အတိတ်မှတ်စုများ မည်သည့်တစ်ခုကိုမျှ။
- အခြားအသုံးပြုသူများ၏ ဒေတာ။
- သင့်အမည်၊ အကောင့် သို့မဟုတ် မည်သည့် ခွဲခြားသိရှိစရာအချက်မျှ။
ဖန်တီးမှုကို စစ်ထုတ်ပြီး အမည်ဝှက်ထားသော input ပေါ်တွင် လုပ်ဆောင်ပါသည်။ ပုဂ္ဂိုလ်ရေးသီးသန့်ဖြစ်မှုသည် သင့်စာသားကို ပြန်ဖတ်ခြင်းမှ မဟုတ်�’ဘဲ ဖွဲ့စည်းထားသော အချက်များမှ လာသည်။
ဒါ ဘယ်မှာရှိသလဲ
အင်ဂျင်ကို Soulwise codebase ထဲက lib/responseEngine/ မှာ ထားရှိထားပါတယ်။ ဖွဲ့စည်းထားသော prompt template သည် chip × phase အတွဲတစ်ခုစီအတွက် TypeScript ဖိုင်တစ်ဖိုင် (14 × 4 = 56 templates) ဖြစ်ပြီး၊ တစ်ခုစီကို လက်ဖြင့် ချိန်ညှိထားပါတယ်။ မော်ဒယ်သည် tone calibration စမ်းသပ်မှုကို အောင်မြင်ခဲ့သော အသေးဆုံးတစ်ခု — 7B parameter open-weights မော်ဒယ်ဖြစ်ပြီး၊ 200ms p50 budget ဖြင့် Vercel Function ထဲတွင် လည်ပတ်နေပါတယ်။
ဤအသိပညာကို အသုံးချပါ
AI ဖြင့် မောင်းနှင်သော peta kelahiran ဆန်းစစ်ချက်ဖြင့် ဗေဒင်ပညာကို လက်တွေ့အသုံးချပါ။
ကျွန်ုပ်၏ အခမဲ့ peta kelahiran ရယူပါ