Jyotisha/references/competitive-analysis-2026-06-05.md

竞争对手分析与优化路线图

Competitive Analysis & Optimization Roadmap

日期：2026-06-05 当前版本：v6.0.23-registry-cleaned

---

一、PyJHora 核心优势（计算准确性标杆）

已验证的优势

1. 50+ Dasha 类型覆盖

   • 22 种行星 Dasha（Vimshottari/Ashtottari/Yogini 等）
   • 22 种星座 Dasha（Chara/Narayana/Sudasa 等）
   • 3 种年度 Dasha（Patyayini/Varsha Vimshottari 等）
   • 对比：当前 skill 约 10-12 种 Dasha，覆盖广度明显不足

2. 多基线测试机制（可借鉴）

   • record/compare/none 三种测试模式
   • LAHIRI 和 TRUE_PUSHYA 双 Ayanamsa 基线
   • 6800+ 测试用例
   • 可借鉴：建立 benchmark/baselines/ 目录，固化 JSON 基线

3. Shadbala 外部校准（我们正在做）

   • 已对齐 BV Raman 和 VP Jain 书例
   • get_planet_mean_longitude() 用于 Chesta Bala
   • planet_aspect_relationship_table() 用于 Drik Bala
   • 对比：我们的 Shadbala 仍是 partial，需要外部校准

4. 配置统一管理

   • const.py + config.py 统一管理所有常量
   • 可借鉴：当前 skill 的 Ayanamsa/node mode/house system 散落在代码里

---

二、VedAstro 核心优势（工程化标杆）

已验证的优势

1. MCP Server 支持

   • 端点：https://mcp.vedastro.org/api/mcp
   • 兼容 Claude/Cursor/VS Code
   • 机会：我们的 skill 是 AI Native 的，但还没有标准 MCP 接口

2. Docker 一键部署

   • 镜像：vedastro/api
   • 机会：我们的 skill 目前需要手动安装依赖

3. 200+ API 端点

   • REST API + Python 包 + .NET 库
   • 对比：我们只有 CLI，没有 API 层

4. 架构分层清晰

   • 核心计算库 / API 服务 / 前端 / 测试项目 完全解耦
   • 对比：我们目前是 monolithic scripts

5. 文档体系完整

   • API 文档、MCP 接入指南、贡献指南、ADR（架构决策记录）
   • 对比：我们缺英文 README 和 API 文档

---

三、我们的差异化优势（要保持）

1. Strict Workflow Router（事业/婚恋/财务分路由）→ VedAstro 没有
2. Technique Audit Table（每步声明置信度）→ PyJHora 没有
3. MEVG 外部验证门控 → 两个对手都没有
4. 能力降级机制（partial 不硬吹）→ 两个对手都没有
5. Full-reading 全链路解盘 → 两个对手都没有（只有零散计算）

---

四、优化路线图（基于竞争对手分析）

Phase 0A：计算准确性追赶 PyJHora（P0）

0A.1 建立 Benchmark 基线系统

借鉴 PyJHora 的多基线测试机制

目标目录结构：

benchmark/
  baselines/
    lahiri/
      shadbala/
        bv_raman_example_1.json
        ...
      dasha/
        vimshottari_sample_1.json
        ...
    true_pushya/
      ...
  scripts/
    run_benchmark.py
    compare_baselines.py
  results/
    2026-06-05_run_1.json

0A.2 Shadbala 外部校准（继续）

• 对齐 BV Raman 书例（PyJHora 已验证的用例）
• 对齐 PyJHora 输出
• 目标：从 partial → covered

0A.3 Chara Dasha 重写

• 对标 PyJHora 的 Chara Dasha 实现
• 建立 30 个测试案例
• 目标匹配率 ≥ 95%

0A.4 扩展 Dasha 覆盖

• 当前：~12 种
• 目标：~25 种（覆盖 PyJHora 的 50% 核心 Dasha）
• 优先：Yogini、Shodasottari、Dwadasottari

---

Phase 0B：工程成熟度追赶 VedAstro（P1）

0B.1 MCP Server 接口

这是最高杠杆点 —— 我们的 skill 是 AI Native 的，加上 MCP 后可以被 Claude/Cursor 直接调用

目标：

# mcp_server.py
@tool
def calculate_chart(year, month, day, hour, minute, lat, lon, tz):
    ...

@tool
def run_dasha(birth_data, dasha_type="vimshottari"):
    ...

@tool
def full_reading(birth_data, transit_date):
    ...

0B.2 Docker 一键部署

FROM python:3.11-slim
RUN pip install pyswisseph
COPY . /app
WORKDIR /app
RUN pip install -r requirements.txt
CMD ["python", "mcp_server.py"]

0B.3 英文 README + API 文档

• 安装命令
• 5 分钟快速上手
• Full-reading 示例输出
• Benchmark 结果

0B.4 配置统一管理

• 提取硬编码的 Ayanamsa/node mode/house system
• 创建 config.py 或 constants.py

---

Phase 0C：差异化优势巩固（P1）

0C.1 Strict Workflow Router 文档化

• 把当前的 strict workflow 规则整理成 MD 文档
• 让用户知道"为什么事业问题要走 career_timing_strict 而不是 full_reading_strict"

0C.2 Technique Audit Table 可视化

• 当前是文本输出
• 目标：生成 HTML 审计报告，彩色标注 covered/partial/missing

0C.3 MEVG 门控扩展

• 当前：部分解释层有 MEVG 标注
• 目标：所有 high-stakes prediction 都必须有 MEVG 来源标注

---

五、立即可执行的最小下一步（明天就能开始）

选项 A：建立 Benchmark 基线系统（计算准确性）

耗时：2-3 天 价值：为后续所有算法优化提供量化依据 输出：

1. benchmark/baselines/ 目录结构
2. 3-5 个 Shadbala 基线 JSON（对齐 BV Raman）
3. benchmark/scripts/run_benchmark.py 雏形

选项 B：MCP Server 接口（工程成熟度）

耗时：3-5 天 价值：让 skill 可以被 Claude/Cursor 直接调用，大幅提升可用性 输出：

1. mcp_server.py（基础工具：calculate_chart、run_dasha、full_reading）
2. README.md 更新 MCP 使用说明
3. 测试：用 Claude Desktop 调用 MCP 工具

选项 C：英文 README + 快速上手文档（开源影响力）

耗时：1-2 天 价值：降低使用门槛，吸引社区贡献 输出：

1. README_EN.md（英文版 README）
2. docs/quickstart.md（5 分钟快速上手）
3. docs/api_reference.md（API 参考）

---

六、推荐执行顺序

我的建议：先选项 C（英文文档），再选项 B（MCP Server），最后选项 A（Benchmark 基线）

理由：

1. 英文文档最快出成果，且是后续所有工作的基础
2. MCP Server 是差异化优势（PyJHora/VedAstro 有 API，但我们是 AI Native + MCP，更贴合 AI 工作流）
3. Benchmark 基线是最花时间的，需要静下心来对着书例一个个对齐

---

七、具体任务拆解（基于选项 B：MCP Server）

Task 1：学习 MCP 协议

• 阅读 Anthropic MCP 文档
• 研究 VedAstro 的 MCP Server 实现（https://mcp.vedastro.org/api/mcp）
• 确定：用 mcp Python SDK 还是自己实现

Task 2：设计工具接口

tools = [
    {
        "name": "calculate_chart",
        "description": "Calculate Vedic birth chart",
        "parameters": {
            "year": "Birth year",
            "month": "Birth month",
            ...
        }
    },
    {
        "name": "run_dasha",
        "description": "Calculate Dasha periods",
        ...
    },
    {
        "name": "full_reading",
        "description": "Generate full Jyotish reading",
        ...
    }
]

Task 3：实现 MCP Server

• 用 mcp Python SDK
• 包装现有 jyotish_engine.py 的功能
• 支持 stdio 传输（Claude Desktop）和 HTTP 传输（远程调用）

Task 4：测试与文档

• 用 Claude Desktop 测试 MCP 工具调用
• 写 docs/mcp_usage.md
• 更新 README.md 添加 MCP 使用说明

---

八、资源预估

任务	耗时	难度	价值
英文 README	1-2 天	低	高（降低使用门槛）
MCP Server	3-5 天	中	很高（AI Native 差异化）
Benchmark 基线	5-7 天	高	高（计算准确性基础）
Docker 部署	2-3 天	低	中（工程成熟度）
配置统一管理	1-2 天	低	中（代码质量）

---

九、结论

PyJHora 的优势（我们要追赶）：

• Dasha 覆盖广度（50+ 种）
• 多基线测试机制
• Shadbala 外部校准

VedAstro 的优势（我们要借鉴）：

• MCP Server（我们要做得更好，因为我们是 AI Native）
• Docker 部署
• 完整文档体系

我们的优势（要保持并扩大）：

• Strict Workflow Router
• Technique Audit Table
• MEVG 外部验证门控
• 能力降级机制
• Full-reading 全链路解盘

下一步推荐：

1. 先写英文 README（最快出成果）
2. 再做 MCP Server（差异化优势，且 PyJHora/VedAstro 的 MCP 是通用 API，我们的是 AI Native 解盘工作流）
3. 最后做 Benchmark 基线（最需要静心，但价值极高）

---

附件：已创建 references/competitive-analysis-2026-06-05.md（本文档）