Jyotisha/docs/research/skill_sync_audit_2026_06_25.md

Skill Sync Audit (2026-06-25)

审计目标

比对现有的 SKILL.md 能力描述与 scripts/jyotish_engine.py full-reading 底层输出，审查哪些核心能力在 Skill/Prompt 层面发生了脱节。

审计发现

1. Multi-Ayanamsa 能力感知缺失

• 现状: 底层引擎与 API 已经支持通过 --ayanamsa 参数计算，并在 birth_info 中吐出了使用的岁差（如 Raman、KP 等）。但 SKILL.md 中完全没有关于 Ayanamsa 切换的任何指令或感知逻辑。
• 影响: AI 在执行解盘时，可能会武断地假定用户是标准的 Lahiri 岁差，忽略了处理其他岁差制式下的星座漂移和边界条件。

2. ai_prompt_pack 未被使用

• 现状: 引擎 full-reading 目前输出了包含高质量上下文的 ai_prompt_pack 结构（含 prompt_zh, evidence_snapshot, retrieval_plan 等字段）。但 SKILL.md 中完全没有指导 AI 优先消费这个字段作为 RAG 知识源的说明。
• 影响: AI 可能还在试图从巨大的、无结构差异的 JSON 树中自行检索，导致计算成本增加并有可能遗漏核心 Yoga / Shadbala 等重要标记。

3. Dasha/Shadbala 校准状态表述滞后

• 现状: SKILL.md 提到“Shadbala absolute Rupa ... 已同步”，但未明确阐述 Shadbala 的外部校准状态。实际上，当前的 Oracle json 中填充的是测试结构数据（标记为 component_targets_sample_only 或 local_baseline），校准仍在“补充外部绝对值 oracle”的过程中。
• 影响: 这属于“夸大宣称”，AI 需要明白当前的 Shadbala 依然是结构测试期，不能直接宣称“百分之百”符合 JHora 精度。

结论建议

SKILL.md 需要进行一次大幅度的 Prompt Engineering 升级：

1. 增加获取并验证 ai_prompt_pack 的流程步骤。
2. 告知 AI 如何在有岁差争议的落位边缘，利用 birth_info.ayanamsa_name 进行澄清。
3. 修改校准状态的误导性词汇。