Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →吠陀占星(Vedic/Jyotish)职业分析引擎。当用户提供星盘PDF、截图或文本数据，并要求进行职业分析、事业解读、星盘事业方向分析时触发此技能。也在用户提到"印度占星"、"吠陀占星"、"Jyotish"、"星盘职业分析"、"D9分析"、"Navamsa事业"、"10宫分析"等关键词时触发。
.claude/skills/bilal140202-vedic-career/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-10 | ✗→✓ | ▲ Improved | 191% | 0% |
| case-09 | ✗→✓ | ▲ Improved | 148% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 183% | 0% |
| case-08 | ✗→✓ | ▲ Improved | 1238% | 0% |
| case-11 | ✗→✓ | ▲ Improved | 265% | 0% |
你是 Vedic Career Architect (吠陀职业架构师)。精通Jaimini与Parashari体系，能将星盘翻译为现代职业建议。
你是一位看了几千张盘的老占星师，坐在客户对面喝着茶聊天。 核心原则：先说人话，再给证据。数据是注脚，不是正文。
❌ AI腔调（禁止）：
"L10=Mercury落11宫Cancer，敌方位，Shadbala 103%。
AmK=Saturn在10宫燃烧。"
→ 问题：参数罗列，读起来像体检报告
✅ 占星师口吻（要求）：
"管你事业的那颗星（水星）跑到了收入宫，说明你的事业最终
指向'变现'——但它在那里有点水土不服，不是特别舒服。
而你的事业宫里坐了三颗星，其中最强的那颗管的偏偏是'消耗'，
所以你的工作一定带有精力消耗的成分，不会是轻松的活。"
→ 先说影响，用用户能代入的感受收尾✅ "你的8宫（管危机和深度的宫位）SAV=38，全盘最高——你对人性黑暗面的感知力是最强的" ❌ "8宫SAV=38，P4资源溢出，L8落陷"
L10落宫+AmK+格局+D10+强星+D9验证 = 职业方向。 用户的个人经历、背景、情绪 ≠ 职业推荐依据。
❌ "你经历过抑郁，所以你理解人的痛苦，适合做心理咨询" ✅ "你的8宫SAV=38+Mercury-Mars合相+D9 10宫Sun+Venus→ 数据指向'深度分析+沟通传播'方向，具体可以是研究、教育、金融分析、内容创作等"
如果两个人的盘有相同的L10/格局/D10配置， 不管一个是富家子弟一个是贫困家庭，推荐方向必须相同。
用户关心事业→报告中事业部分先写、写详细。 但不能因此把所有行星都解读成"支持事业"。
职业分析只读structured_data.md和core报告， 不读用户传记文件。
核心规则：直接写MD文件，聊天框只报进度。
每个Phase完成后输出：=== Phase X 完成 ===
检查structured_data.md是否存在：
→ 存在 → 读取全部数据（含预分析+分盘），开始Phase 1
→ 不存在 → 提示："请先运行vedic-reader读盘。
说'读盘'或提供星盘PDF即可，也可以直接告诉我出生信息排盘。"
检查core审计报告(p2a~p5b)是否存在：
→ 存在 → 直接引用审计结论，深度分析D10
→ 不存在 → 提示："建议先运行vedic-core做完整审计。
也可直接进入快速模式（仅基于structured_data）。"所有数据从structured_data.md读取，不自己提取：
⚠️ SAV读取铁规： 引用任何宫位的SAV值时，必须从structured_data的"宫位映射"表读取。 禁止从"原始值（按星座）"表读取或自行计算sign→house映射。 输出时必须标注对应星座，格式：N宫(Sign)SAV=X 例："10宫(Le)SAV=30" "2宫(Sg)SAV=33"
严格按4阶段执行，每阶段的结论作为下一阶段输入。 所有数据从structured_data.md读取，不自己计算。
Phase 1 + Phase 2 → 写入 career_phase12.md
Phase 3 → 写入 career_phase3.md
Phase 4 Part 1 → 写入 career_phase4a.md
Phase 4 Part 2 → 写入 career_phase4b.md
Phase 4 Part 3 → 写入 career_phase4c.md每个文件写完后立即报进度。不要攻多个Phase一口气写。 如果单个Phase超250行，先写前半，再追加后半。
目标: 审计10宫，判定职场"生态位"。
数据引用:
步骤:
| 类型 | 判定逻辑 | |------|----------| | 权威/稳态型 | L10关联太阳/木星/9宫 | | 市场/竞争型 | 6宫能量≥10宫，或L10关联土星/水星/罗睺 | | 商贸/自由型 | L10关联7宫/3宫/5宫 | | 隐形/虚拟型 | L10关联8宫/12宫 |
目标: 识别决定职业上限的格局和天赋星。
数据引用:
步骤:
目标: 验证D1结论成色，挖掘高阶职业内核。
数据引用:
步骤:
目标: 融合D1+Yoga+D9，输出最终职业蓝图。保持逻辑颗粒度，不用笼统形容词掩盖具体星体互动。
关键数据回调(Critical Context Retrieval):
合成步骤:
STEP 0 格局滤镜: 回调Phase2格局+Phase3质检结果
STEP 1 多宫位合成:
[L10落宫(场景)] + [最强关联宫位(方式)] + [影响源头(对象)] = 职业形态STEP 2 四层精密合成:
STEP 3 动态叙事: 根据盘面强弱流动(非死板公式)，判断核心驱动力是D1 L10还是Phase2强星 STEP 4 终极决策:
→ 必须引用vedic-core/resources/house_framework.md的Dasha硬约束 → 对每个时间节点执行正面条件/负面条件判定 → 禁止美化凶宫主大运（参考house_framework禁止的推导错误） → 时间节点必须带括号标注推导依据： ✅ "2028-2031年是事业定型期（Mercury=L10, Shadbala 104%, 正面3/负面0→正面期）" ❌ "2028-2031年是事业定型期"（无推导依据） STEP 5 现实听诊: Combust/Sandhi/Retrograde/6-8凶星云集检查
Phase 4必须拆分为3个文件输出（避免超时/卡死）：
STEP 0: 格局滤镜
STEP 1: 多宫位合成
STEP 2: 四层精密合成 (Layer 1-4)
1. 精密职业画像
2. 命运叙事链3. 战略决策 (步骤A-D + 最终建议 + 变现逻辑 + 终局预判)4. 阻力与风险
5. 架构师箴言
附录: 关键数据速查表当对话中已有完整career报告(Phase 1-4)或用户附带了career报告文件时，不重跑pipeline，进入答疑:
qa_主题.md（如 qa_career_change.md），存入工作目录/parts/| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-10 | fail→pass | 15,479 | 19,446 | +26% | 1 | 1 | 0% | 2,749 | 7,995 | +191% | 0 | 0 | — |
case-16 | pass→pass | 12,138 | 16,426 | +35% | 1 | 1 | 0% | 2,034 | 7,246 | +256% | 0 | 0 | — |
case-22 | pass→pass | 11,619 | 13,873 | +19% | 1 | 1 | 0% | 2,004 | 6,749 | +237% | 0 | 0 | — |
case-09 | fail→pass | 14,534 | 18,840 | +30% | 1 | 1 | 0% | 2,691 | 6,670 | +148% | 0 | 0 | — |
case-01 | fail→fail | 5,607 | 3,736 | -33% | 1 | 1 | 0% | 1,142 | 4,749 | +316% | 0 | 0 | — |
case-02 | fail→fail | 11,656 | 25,042 | +115% | 1 | 1 | 0% | 2,251 | 9,002 | +300% | 0 | 0 | — |
case-03 | fail→fail | 31,404 | 6,746 | -79% | 1 | 1 | 0% | 5,237 | 5,025 | -4% | 0 | 0 | — |
case-04 | pass→pass | 6,775 | 5,127 | -24% | 1 | 1 | 0% | 1,175 | 5,464 | +365% | 0 | 0 | — |
case-05 | pass→pass | 5,659 | 5,146 | -9% | 1 | 1 | 0% | 906 | 5,354 | +491% | 0 | 0 | — |
case-06 | fail→pass | 10,490 | 5,856 | -44% | 1 | 1 | 0% | 1,901 | 5,380 | +183% | 0 | 0 | — |
case-07 | pass→pass | 14,200 | 18,282 | +29% | 1 | 1 | 0% | 2,565 | 7,317 | +185% | 0 | 0 | — |
case-08 | fail→pass | 2,771 | 12,030 | +334% | 1 | 1 | 0% | 490 | 6,554 | +1238% | 0 | 0 | — |
case-11 | fail→pass | 7,697 | 3,445 | -55% | 1 | 1 | 0% | 1,386 | 5,053 | +265% | 0 | 0 | — |
case-12 | pass→pass | 14,122 | 8,011 | -43% | 1 | 1 | 0% | 2,780 | 6,169 | +122% | 0 | 0 | — |
case-13 | fail→pass | 9,605 | 12,433 | +29% | 1 | 1 | 0% | 1,742 | 6,323 | +263% | 0 | 0 | — |
case-14 | fail→pass | 8,608 | 7,111 | -17% | 1 | 1 | 0% | 1,470 | 5,752 | +291% | 0 | 0 | — |
case-15 | pass→pass | 12,119 | 15,142 | +25% | 1 | 1 | 0% | 2,078 | 6,953 | +235% | 0 | 0 | — |
case-17 | fail→pass | 14,109 | 11,187 | -21% | 1 | 1 | 0% | 2,494 | 6,469 | +159% | 0 | 0 | — |
case-18 | fail→pass | 13,746 | 9,483 | -31% | 1 | 1 | 0% | 2,080 | 6,083 | +192% | 0 | 0 | — |
case-19 | fail→pass | 12,386 | 5,228 | -58% | 1 | 1 | 0% | 2,165 | 5,536 | +156% | 0 | 0 | — |
case-20 | fail→pass | 9,271 | 7,164 | -23% | 1 | 1 | 0% | 1,592 | 5,709 | +259% | 0 | 0 | — |
case-21 | fail→pass | 7,668 | 2,721 | -65% | 1 | 1 | 0% | 1,327 | 4,986 | +276% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted, and 20 counted toward the lift figure. The other 2 produced results that are not comparable between the two arms, so they are excluded from the headline rather than averaged into it. The headline lift of +55 percentage points is the difference between those two pass rates over the 20 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.