【导读】没有信息泄漏的专业术数题库面前，Claude、GPT等主流模型集体「翻车」。但一个叫Tianfu Agent的系统，却一举将准确率提升至50%，逼近本届术数大赛人类Top20选手的53.5%平均水平。
把当前最先进的通用大模型，放在中国传统术数专业选择题（四选一）面前，会发生什么？
需要说明的是，评测对通用模型已经做了「让步」：所有基线模型的Prompt中都提供了预计算的盘面数据，避免引入计算幻觉，而是直接考察推理能力。
DestinyLinker研究团队基于术数大赛（HKJFMA主办，3069名选手参与）的官方题库的评测集基准Mingli-Bench，测试了当下主流大模型，技术报告和测试结果在x上获得了百万关注。
MingLi-Bench开源仓库：https://github.com/DestinyLinker/MingLi-
Bench Tianfu Agent技术报告：https://destinylinker.github.io/MingLi-Bench/
结果有点意外，这些模型在这套几乎没有信息泄漏的最新比赛选择题上，准确率清一色徘徊在23%到40%之间。
注意，四选一选择题的随机猜测线就是25%。
为了验证模型能力能否支撑专业术数推理，该团队研发了Tianfu Agent的系统，实现一整套针对中国传统术数领域harness工程系统——
200多个原子工具、3大流派规则函数库、多Sub-Agent协作，以及一套贯穿全链路的置信度量化机制，一举达到了50%的截尾准确率，逼近本届赛事人类Top 20选手的平均水平53.5%。
Harness之路，编码智能体的经验还远远不够
试案例使用了马斯克命盘，测试中的1971/12/30并非其真实生日，因为他出生于南半球，需对其生辰进行节气转换
Claude Code、Cursor这些工具在复杂工程任务中表现良好，不是因为模型本身变强了，而是它被放进了一个领域专用的工具环境里，有文件I/O，有终端，有测试反馈。
Tianfu Agent把同样的逻辑搬进了中国传统术数领域，在推理链路上，采用多Sub-Agent协作的渐进式发现策略：多个Sub-Agent各自维护独立的工具集和上下文，并根据环境反馈逐步展开推理。
然而，仅依靠Coding Agent的成功经验还是远远不够的，例如：
- 除了常见的刑冲查询、飞宫路径等，术数领域还涉及大量数据逻辑运算，此部分由大模型生成并不可靠，但一次性交给模型调用又会污染上下文；
- 规则需要经验选择，并非使用越多越好，且每一条规则的使用后都可能出现矛盾的结论；
- 缺乏「单元测试」等辅助验证手段，在长链路推理下，很容易积累偏差。
其他垂直领域应用，如医疗、法律等很可能也面临着类似的困境
200多个工具如何管理？四级可见性控制
通用Agent用十几个工具就够了，200+工具带来的第一个工程问题不是「能不能写出来」，而是模型选不对。
该研究团队按「LLM可理解性」和「可穷举性」两个维度，将工具分成四级：
- 自动注入型（可理解+可穷举）：十神、星耀、宫位等零歧义概念，自动加载到上下文中，不需要模型选择。
- 按需调用型（可理解+不可穷举）：生克关系、飞宫计算等，模型能理解语义并自行判断参数。
- 转译调用型（不可理解+可穷举）：模型容易产生歧义或非市面常见的专业术语，通过预设翻译层转换工具名称后调用。
- 触发注入型（不可理解+不可穷举）：仅特定Sub-Agent可调用，并配备专属背景知识和校验方法。
这套机制的核心是动态控制工具的可见范围——不同推理阶段、不同Sub-Agent看到的工具集不同，避免选项过载导致的选择退化。
这个思路对其他垂直领域的Agent开发有一定参考价值：当工具数量超过模型的可靠选择阈值后，工具管理本身就成了一个独立的工程问题。
繁杂规则怎么用？也封装成可调用函数
通用Agent经常把规则写进System Prompt或Few-shot，本质是让模型「记住并遵循」。
术数领域规则繁杂（仅子平母法就超过百条）、适用条件互相耦合、流派之间还会互相矛盾，靠记忆遵循的直接后果就是选择性忽略、推理路径不可控。
Tianfu Agent的做法，是把每一条复杂规则封装成一个带元数据的可调用函数。
人类专家预先标注适用场景、时间跨度、事件类型、优先级；函数内部可以再调LLM；输入盘面状态，返回结论和置信度；只在满足验证时才注入上下文。
这一步等于把LLM从「记规则的考生」变成「调规则的工程师」——规则不再是Prompt里一段需要模型自觉遵守的文字，而是一个有明确签名和触发条件的工程构件。
没有单元测试？三层不确定性量化
编码Agent的一个天然优势是有「测试」作为验证手段。
代码写完跑测试，通过就是正反馈，失败就有明确的报错信息。
术数领域，或者说绝大多数专业领域，都没有这个条件实现所谓的「单元测试」。
Tianfu Agent的方案是引入不确定性量化，在三个层面给出置信度评估：
- 工具输出层：非确定性工具（如强弱判断、多象吉凶）由内置算法提供置信度，直接由算法层面进行确定性评估。
- Sub-Agent层：每个子智能体在单一理论体系下完成推理后，由LLM自评本次推理结论中每个观点的显著性。
- 多流派合参层：不同流派的结论可能相互矛盾，通过人工经验置信度加权调和，再次进行判断。
这不是一个能替代“自动验证”的方案——在报告中也坦承了这一点。但在缺乏验证手段的领域，「知道自己有多不确定」本身就是有价值的信息，至少给上层决策提供了量化参考，而非将所有结论等权堆砌。
如果用一句话总结这套harness的设计哲学：在Tianfu Agent里，工具不仅是计算函数，它还包括规则、子推理流程，乃至Sub-Agent本身。
对垂直领域Agent落地的启示
抛开领域特殊性本身不谈，这个项目提供了一些对垂直领域Agent开发有参考价值的工程经验：
- 工具化范式，在「规则密集+语料稀缺」的领域收益最大。通用领域的模型已经从海量语料中内化了规则，工具环境是锦上添花。但在训练数据极少的垂直领域，工具环境直接弥补了模型的知识盲区，Tianfu Agent比最强通用模型高出10个百分点即为例证。
- 工具数量膨胀后，工具管理本身成为独立的工程问题。四级分类加动态注入的思路，对其他需要大量专业工具的垂直Agent有直接借鉴意义。
- 在缺乏自动验证的领域，不确定性量化是务实的次优方案。编码Agent有测试，医疗Agent有循证指南，但很多领域没有——虽然术数是一个极端案例，但这种情况下置信度机制的作用值得关注。
- 「知识即接口」，在规则密度高的场景比「知识即提示词」更可靠。把规则从Prompt搬进函数，是解决模型长上下文「选择性失忆」的一种直接手段。
Coding Agent的Harness时代已经到来。Tianfu Agent某种程度上证明了，这条路不只属于编程——在足够结构化的垂直领域，该范式可能同样成立。
参考资料：
MingLi-Bench开源仓库：https://github.com/DestinyLinker/MingLi-Bench
Tianfu Agent技术报告：https://destinylinker.github.io/MingLi-Bench/
本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。
