By name: human-design description: "人类图 (Human Design) LLM 解读技能。根据阳历出生日期、准确出生时间和出生地点，输出 BodyGraph 排盘、类型、策略、权威、人生角色、定义、中心、通道、闸门、职业深读、关系合盘、时机分析与来源可追溯的 LLM 产品包。触发词: 人类图, Human Design, BodyGraph, 人类图排盘, 人类图解读, 人类图职业解读, 人类图合盘, 类型, 策略, 权威, 人生角色, 通道, 闸门."
Human Design LLM Skill
这是人类图产品的技能入口。当前仓库已经不是单纯的排盘脚本，而是一个可安装的 LLM 原生 skill 产品：排盘、阅读对象、会话产品包、runtime adapter、安装与评测工具链都在仓库内生成。
使用时机
- 用户要查自己的人类图
- 用户问类型、策略、权威、人生角色、中心、通道、闸门
- 用户要把出生资料转成可解释的 BodyGraph 结构
必要输入
- 阳历出生日期
- 尽量精确到分钟的出生时间
- 出生地点，或至少给出时区/UTC offset
如果缺少出生时间或出生地点，必须先说明精度会明显下降，不能假装能给出精确排盘。
工作原则
- 先算，再解读。不要在没有结构化盘面数据时直接输出完整人类图结论。
- 计算层与解释层分开维护。计算结果应当可以被 CLI、脚本、API、skill 共用。
- 对 GitHub 候选项目先看许可证、活跃度、语言栈、可嵌入性，不只看功能截图。
- 当前本仓库已经有完整本地排盘、报告生成和 LLM 产品包链路，优先调用本仓库自己的产品层，而不是把解读外包给 prompt 硬写。
当前仓库导航
- GitHub 调研：
docs/github-research.md - 契约文档：
docs/contracts/ - 安装文档：
docs/install.md - 排盘引擎：
human_design/engine.py - 输入归一化：
human_design/input.py - 解读生成器：
human_design/reading.py - 解读知识：
human_design/knowledge.py - LLM 产品层：
human_design/product.py - Runtime 提示：
runtimes/（当前已提供 Codex / Hermes / OpenClaw） - Agent 元数据：
agents/openai.yaml - 知识卡目录：
references/（当前已包含 types / authorities / profiles / centers / definitions，以及64 gates / 36 channelsdraft 覆盖） - 脚本目录：
scripts/ - 测试目录：
tests/ - 公开人物准确度 fixture：
tests/fixtures/public_figures.json - 1000+ 公开人物 benchmark manifest：
data/empirical/public_figure_manifest.jsonl - 1000 条 blinded holdout trials：
data/empirical/holdout_trials_blinded.jsonl - 经验验证协议：
docs/empirical-validation-protocol.md
当前执行方式
- 先用
human_design.engine.calculate_chart()生成结构化盘面 - 再用
human_design.reading.generate_reading()生成完整阅读对象 - 需要文本成稿时，用
human_design.reading.render_reading_markdown() - 需要 LLM 会话产品时，用
human_design.product.build_llm_product() - 需要职业深读时，用
human_design.career.generate_career_report() - 需要脚本入口时，优先使用：
scripts/calculate_chart.pyscripts/generate_reading.pyscripts/generate_career_reading.pyscripts/generate_llm_product.pyscripts/evaluate_public_figures.pyscripts/evaluate_empirical_readiness.pyscripts/evaluate_accuracy_benchmark.pyscripts/analyze_empirical_trial.pyscripts/analyze_prospective_registry.pyscripts/analyze_label_predictions.py
输入要求
- 最好给带时区的 ISO 时间，例如
1988-10-09T20:30:00+08:00 - 如果没有 offset，优先传
--timezone，例如Asia/Shanghai - 也支持
--city+--country，必要时补--region - 如果什么都不补，当前默认按 UTC 处理，而且结果里会显式带精度 warning
- 城市解析当前通过 geocoder + IANA timezone 解析；若解析失败，必须明确报错，不能假装成功
LLM 产品要求
- 默认输出必须建立在结构化 chart 事实上
- 用户若提出职业、关系、成长、决策等焦点问题，应优先走 focus-aware 的产品包，而不是全文照抄总报告
- 若接到其他 runtime，应优先复用
runtimes/下的适配提示，而不是现场重写 system prompt - 当前
reading.sections[*]与product.context_blocks[*]已支持sources来源追踪；如果上层 runtime 需要解释“这段话基于什么”，优先使用这些结构化来源，而不是自行猜测 - 如果上层 runtime 需要把最终回答直接映射回知识卡，优先使用
answer_citations；需要展示型引用时，再开启citation_mode=sources - 发布前必须跑公开人物准确度评测；该评测使用 Astro-Databank AA/A 评级样本，检查 UTC 换算、盘面结构、中文术语、引用、通道 / 闸门防幻觉和 BodyGraph 出图。
- 如果用户要求“科学证明”或“客观准确”，必须走
docs/empirical-validation-protocol.md：先说明当前证据等级，再用盲测、随机化、对照、机会基线、p 值和置信区间分析真实实验数据；没有真实预注册数据时不能宣称已被科学证明。 - 如果用户要求 90% 命运预测 / 性格 / 天赋准确率，必须检查
evaluate_accuracy_benchmark.py和真实 blind/prospective outcome；manifest 和 holdout 就绪不等于实际准确率达标。