做 AI 塔罗的程序员坚持一条看似偏执、实则关键的纪律:78 张牌的洗牌、抽牌、查牌义全交给程序,DeepSeek 只负责最后写那段解读。我们认为,这可能是当下 Agent 产品最该抄的一条作业——很多团队习惯甩锅给大模型,却没想清楚哪些环节本来就不该交给模型。

这是什么

这位开发者在掘金做了完整复盘,他把流程拆成四步:

  • 洗牌用 Fisher–Yates 算法(标准均匀随机方法)。10 万次模拟做卡方检验(一种检验随机性的常用统计方法),三轮结果 60~77,低于阈值 98.48,可视为均匀;
  • 牌义走韦特体系自建词库(塔罗界主流含义参考),78 张牌正逆位各 5 个关键词,不让模型现编;
  • 表达规则写进系统提示词:诚实优先于安慰、是/非题先给指向、行动建议必须 24 小时内可执行;
  • 选型用 DeepSeek Flash,推理强度参数(控制模型「思考」深度的开关)显式设 low,线上首字等待中位数 3.3 秒。

行业怎么看

这条「分工纪律」正被越来越多一线开发者验证:抽奖、对账、校验归程序;语言、归纳、风格归模型。把能用规则写清楚的硬塞给模型,既烧算力又难排查,差不多是 Agent 圈正在浮现的共识。

反对意见同样尖锐。对塔罗这种本质是「意义建构」的场景,要求严格均匀随机是否走偏?用户要的是体验与共鸣,不是统计学的 p 值。也有更激进的声音:严格「去 LLM 化」恰恰说明模型还不够强——理论上足够通用时,洗牌、牌义、解读都可一并交给它。一位产品经理私下评价:「很工程师,但不是终局。」我们倾向:这位开发者不是不懂,而是活在 2026 年的现实里。

对普通人的影响

对企业 IT:不少内部 AI 助手把审批、查询这类本身有确定答案的步骤也甩给模型,结果答案飘、排查难。先想清哪段必须由规则兜底,再决定哪段上模型,是门新基本功。

对个人职场:用 AI 工具的人正多出一种素养——分辨「这活该让 AI 做」还是「这活有标准答案、该自己查」。把好钢用在刀刃上,本身就是新技能。

对消费市场:用户已习惯和 AI 产品对话,「让产品看起来在认真做事」的细节——首字延迟、正面回答、不绕弯——会越来越成为差异化来源。下一个被卷起来的维度,可能是「靠谱感」而非「聪明感」。