專案「塔羅 Prompt 煉金術師」上線後，最常面臨的架構提問為：「為何不直接串接 API，建構一鍵輸出的封閉式占卜平台？」
此決策並非單純的技術路線妥協，而是基於生成式 AI 時代下的產品架構思維，以及對底層算力成本、運作邏輯的理性權衡。
# 封閉式預言機 vs. 開放式提示詞框架
檢視現有市場，多數 AI 占卜服務採取「黑箱直出」的 API 封裝模式：前端接收輸入，後端單向回傳解析。本專案則反其道而行，選擇「提示詞工程 (Prompt Engineering)」路線，將高度封裝的環境指令交由使用者，部署於其慣用的 LLM 介面（如 ChatGPT 或 Claude）。
兩種架構設計的取捨，反映了對產品定位與使用者賦權的不同理解：
封閉式解析平台 (黑箱模式)
-
降低認知門檻：使用者體驗平滑，無須理解底層邏輯與手動切換環境。
-
算力成本轉嫁：開發端承擔 Token 消耗。商業模式必將走向付費牆 (Paywall) 限制或廣告干擾，損害長期體驗。
-
缺乏上下文深度：受限於單向請求架構，難以進行多輪深度對話，無法針對使用者的動態情緒進行資訊收斂。
環境指令產生器 (開源框架)
-
算力自主化 (無限推論)：利用使用者本地端或既有 LLM 帳號的算力，打破 API 請求次數的硬性限制，實現無成本的深度交互。
-
賦權使用者：系統從「單向預言機」轉化為「具備記憶的雙向諮商空間」，將解讀權與資料隱私交還使用者。
-
存在操作壁壘：需具備基礎 Prompt 概念，增加複製與環境切換的操作摩擦力。
# 底層邏輯探究：動態投射與資訊收斂
選擇「開放提示詞」架構的核心，源於對塔羅牌底層運作邏輯的解構。
塔羅牌的本質並非靜態的鍵值對 (Key-Value Pair) 對應，無法簡化為「A 牌面 + 正位 = B 結果」的線性程式碼。其解析精準度高度依賴當下語境 (Context)、使用者的心理投射，以及對話過程中的動態資訊聚焦。
一張牌的深層意涵，需透過經驗庫的檢索與多輪交互，逐步收斂問題核心。若將其封裝為一鍵解答的 API，AI 往往僅能輸出缺乏適應性的泛用解析。這在根本上抹殺了塔羅牌作為「心理梳理工具」，需透過對話釐清思維的原始設計目的。
# 角色解耦：邏輯委派與環境變數封裝
基於上述分析，本專案的系統架構策略為「角色解耦」：將龐大的解析運算與邏輯推演 (Parser) 完整交還給通用型生成式 AI，而開發端僅專注於建構「高精度的環境變數與邊界指令」。
透過深度優化的系統提示詞，強制定義 AI 的角色框架與同理心權重，並設立嚴格的防幻覺邊界。更重要的是，指令中強制要求 AI 在給出最終結論前，必須啟動「反問」機制以獲取更多參數。此設計模式使 LLM 從單向文字生成器，轉變為具備上下文感知能力的動態分析模型。
「在算力成本與產品價值的博弈中，與其建構一台受限於 API 預算、僅能輸出標準化解答的封閉式終端；我更傾向提供一組經過精密封裝的參數鑰匙，讓使用者在不受限的空間中，掌握深度內省的主導權。」
這是本專案的產品開發哲學。封閉式平台固然能降低大眾的使用門檻，但開放式框架所帶來的算力解放與動態深度，才是生成式 AI 在心理分析應用上的長遠價值。提供導航演算法，而非直接給予終點座標，是技術人賦權使用者的最佳實踐。