This section is currently available in Chinese only.
本專案與專業占星老師深度協作，結合了高精度的天文計算與先進的 RAG (檢索增強生成) 技術，將專家的感性經驗與經典文獻轉化為理性的「數位知識大腦」，提供具備學理依據的深度命盤解析。
在開發此專案前，我們觀察到占星領域的兩個極端與執業者的困境：
工具專業但門檻高： 現有軟體數據精準，但報告多為片段的條列式文字，使用者需深厚基礎才能串聯。
AI 流行但缺乏準確性： 通用型 LLM 容易產生「幻覺」，常混淆宮位定義或編造占星法則，缺乏學術嚴謹性。
數據與解讀脫鉤： 傳統工具難以同時兼顧「精美視覺化」與「脈絡化的深度分析」。
執業者負擔重： 專業占星師在諮詢時需翻閱大量典籍，重複性的基礎解析耗費過多精力。
本專案作為占星師執業的輔助工具，實現了從數據到智慧分析的一條龍服務：
消滅 AI 幻覺： 透過 RAG 技術，強制 AI 回答前檢索經老師認可、驗證過的專業占星文獻，確保解析符合學理。
專家知識數位化： 將厚重的占星 PDF 與老師個人研究筆記轉化為結構化知識，實現知識傳承。
視覺與數據並行： 將複雜的 Swiss Ephemeris 數據轉化為直觀的 SVG 動態星盤，優化視覺體驗。
自動化前置作業： 系統可先生成基於專業文獻的「基礎報告」，作為占星師諮詢時的參考底稿。
RAG 增強型 AI 解析： 採用 Gemini 2.5 Flash，實現「先翻書、後回答」的邏輯。
高精度天文計算： 接入 Swiss Ephemeris (瑞士星曆表)，支援行星、相位、多種宮位系統精確計算。
自動化資料攝取： 內建 setup_rag.py，全自動完成 PDF 下載、RapidOCR 文字識別、向量索引建置。
專家協作知識庫： 不同於網路碎片，知識庫僅收錄權威典籍（如黃銘老師占星資料等）。
Language: Python 3.12 (Backend) / TypeScript (Frontend)
Frontend: React, Vite, Tailwind CSS, @astrodraw/astrochart
Backend: FastAPI, LangChain, UV (高效包管理)
AI/ML: Google Gemini 2.5 Flash, Gemini Embedding 001
Database: Qdrant (Vector Database - Local Mode)
本專案採用解耦架構，確保天文計算的高效性與 AI 回答的準確性：
知識攝取層 (Ingestion Layer)：
PDF ➔ RapidOCR ➔ RecursiveCharacterTextSplitter ➔ Gemini Embedding ➔ Qdrant。
計算與渲染層 (Calculation Layer)：
輸入時空數據 ➔ pyswisseph 計算座標 ➔ FastAPI ➔ React 渲染 SVG 星盤。
RAG 檢索層 (Retrieval Layer)：
提取星盤特徵 ➔ 在 Qdrant 搜尋最相關的專業學理文本。
增強生成層 (Generation Layer)：
星盤數據 + 文獻碎片背景 ➔ Gemini 2.5 Flash ➔ 生成個性化深度報告。
GitHub Repo: