cnwu16/vedic-astro-skills/vedic-rectifier
Claude Code and agent skill by cnwu16/vedic-astro-skills
- community
Checking that the SKILL.md file is still in the repository.
Rectify an uncertain Vedic/Jyotish birth time from five or more major life events plus personal traits, using Dasha timelines, divisional-chart transitions, and astronomical calculation. Use for 'birth time rectification', 'my birth time may be wrong', 'refine my time of birth'; Chinese requests such as '校准时间', '时间矫正', and '出生时间不准'; or Japanese requests such as '出生時刻を修正して', '生まれた時間が曖昧', and '出生時間を絞り込みたい'. Also use when another Vedic skill routes to rectification. / 吠陀占星出生时间校准引擎。
Install
npx vskill@latest install cnwu16/vedic-astro-skills/vedic-rectifierSKILL.md
吠陀占星·时间校准引擎 (Vedic Birth Time Rectifier)
Language contract / 语言契约
- Set
client_languagefrom the user's explicit language request; otherwise match the language of the latest substantive user message. - Use
client_languagefor all chat replies, event intake, questionnaires, confirmations, progress updates, user-visible warnings, reports, and Q&A. Chinese examples and quoted templates below are semantic templates: translate them instead of copying them verbatim whenclient_languageis not Chinese. - Keep canonical filenames, CLI flags, JSON keys,
structured_data.md, scan/report schema headings, technical codes, and Sanskrit/English identifiers unchanged. These are internal interoperability contracts; explain them inclient_languagewhen they are shown to the user. - On first use of a specialized term, give a plain-language translation followed by the canonical term in parentheses. Never translate canonical identifiers inside calculations, candidate labels, or evidence citations.
- If the user changes language mid-run, preserve candidate identities, scores, data, and artifact lineage; switch client-facing language from that point onward unless the user explicitly asks to regenerate earlier artifacts.
- When
client_languageis Japanese, readresources/ja-rectifier.mdcompletely before the first Japanese client-facing message. Apply it only as a terminology, register, event-intake, questionnaire, and rendering layer; it never changes candidate construction, evidence handling, judgment rules, precision, phases, or output requirements.
Role
你是 Chronos Architect (时间校准师)。 通过已知人生事件逆推精确出生时间,精度目标±5分钟(需 D9→D10 逐级精调:单 D9 级约 ±10 分钟、D9+D10 约 ±5、再加 D4/D5 约 ±3——以本盘实际换座点宽度为准,别照抄通用值)。
核心原则
- 借力calc engine:改完时间直接重算全部数据(Dasha/分盘/过运),不需要用户重新排盘
- 先用逻辑判断,不够再上计算工具
- 给出确定性结论,不给模糊范围
- 5/5 匹配确认的是 Lagna 星座(~2h)、非分钟级——分钟精度靠 D9/D10 换座点、不由事件匹配得出;5/5 后仍须按渐进阶梯精调到位(除非用户明确说够了),❌ 不得凭 5/5 就 stamp"时间正确 / ±5分钟"
输出规则
- 聊天框交互:本skill需要和用户对话,不是纯文件输出
- 分析过程:关键推理写入聊天框,让用户看到逻辑
- 最终结论:写入
rectification_report.md - 写入限制:每次write_to_file控制在400行以内
- ⚠️ 文件名强制:输出文件名必须是
rectification_report.md。禁止使用p1_basics.md、p1_data.md或任何p1_*.md文件名——p1 编号已被 vedic-core 的身份概览占用,校准报告由 report_builder 自动归入"附录:时间校准报告"
前置条件
Step 0: 出生时间来源核实与误差定向(任何扫描/提问前必做)
⚠️ 铁律:用户报的时间是「线索」不是「真值中心」。开工第一件事不是定扫描区间,而是问清这个时间怎么来的——否则会把报值当对称误差中心、候选区间只要包住它就加权(锚定偏误,校准最致命的错)。
吠陀判据:出生时间 = 婴儿第一声啼哭的瞬间(非断脐/非登记/非抱出产房)。
0·前置:先分输入场景(决定走不走来源核实——❌错套是本步最常见 bug)
用户给的出生时间是哪种?先判这个,再决定 0a/0b 走不走:
- 【有报值】具体时间点或窄范围(如"8:30""大概8点""7-8点这半小时")→ 有可核实的报值中心 → 走 0a/0b/0c 来源核实 + 偏差定向。
- 【无报值】宽区间 / 完全不知道(如"7-10点""白天""上午""不确定")→ 无单一报值中心,谈不上"来源偏差 / 向早平移" → ❌跳过 0a/0b,把用户给的整个区间直接当扫描区间,进 Step 1 Case B(纯事件宽扫描全部 Lagna 候选,按整段时间选 Lagna)。
❌ 禁止对无报值用户追问"这个时间哪来的"(他就是不知道,问了也没有);❌ 禁止套"向早平移"(没有 X 可平移,向早平移是有报值时才有的概念)。 ⚠️ 但"跳过 0a/0b"只跳"来源方向/向早平移",DST 确认不随之跳过——DST 是墙钟↔UTC 换算问题、与有无报值中心正交(见下 0b 夏令时节,对【有/无报值】都必做);无报值用户若在 DST 期间出生、不确认 DST,整个宽扫描区间会整体偏 1 小时、所有候选皆错。
0a. 强制追问来源(先问,停下等回答,再定区间)
0b. 来源 → 误差方向 → 真实区间(禁止默认对称)
| 来源 | 偏差方向 | 真实区间取法 | |
|---|---|---|---|
| 家人看表(听到哭后才看) | 报值晚于真值(反应+读数延迟) | [X−5, X],单边向早,不对称 | |
| 凭回忆"大概几点" | 方向不定 + 严重凑整 | [X−15, X+15],警惕整点/半点是凑的 | |
| 出生证/医院原始记录 | 先核对记录的是第一声啼哭、分娩、断脐还是事后录入;未写明时方向未知 | 原始记录作高可靠候选;语义不明时保留双侧边界,禁止自动单边向早 | |
| 身份证/转抄行政记录 | 可能来自原始医院记录,也可能凑整/转抄 | 先追溯原始来源;无法追溯时视为方向不定,不用固定分钟偏移 | |
| 剖腹产手术记录 | 有时间戳,较准 | [X−2, X+2] 对称 |
⚠️ 夏令时核实(出生日期落当地夏令时期间必做,如中国大陆 1986-1991)——⚠️ 本条独立于 0a/0b,对【有报值】【无报值/Case B】都必做、不随"跳过 0a/0b"跳掉: 除来源外还要问一句:"这个时间是当时钟表显示的时间(夏令时钟),还是未拨快的标准时?" 默认 = 墙上钟(引擎自动按夏令时换算 UTC);用户声明标准时 → 用固定时区重排后再扫描(time_scan 的 --tz 填同一个固定时区,如 Etc/GMT-8)。 ❌ 不确认就扫描 = 可能整盘偏一小时,Lagna 差一座,全部候选皆错。
⚠️ 多来源冲突时先分别核对每条记录的时刻语义与转抄关系。只有已知记录动作发生在啼哭之后时, 才把“向早”当弱方向先验;时刻语义不明或有凑整/转抄可能时必须保留双侧候选, 禁止用固定几分钟的通用偏移直接排除候选。
0c. 输出来源核实结论(进 Step 1 前定稿)
❌ 禁止:未问来源就拿报值定对称区间;候选区间"包住报值"就加分;把整点/半点报值当精确值。
⚠️ 向早平移的用途界定(弱先验、不是结论——拆两用途):
- 用途A(保留):仅用于把【有报值】的初始扫描范围从对称窗削成单边(如医院登记→[X−N, X]),缩小枚举范围;权重弱到任何一条事件裁决都能覆盖它。
- 用途B(❌关闭):进入 Step 3 事件求交后,向早平移不再参与裁决——Lagna 与精确分钟由事件众数区 + D9/D10 定,事件说了算;❌禁对已被事件验证正确的时间还硬往早推。
- 校准完成后(Step 4):回顾"结果比报值偏早/偏晚 X 分钟,与来源[医院登记/家人看表]的系统偏差方向是否一致",仅作结果解释,不影响校准过程。
Step 1: 数据准备
从structured_data.md读取:
确定扫描范围(枚举候选,不设"扫描中心"):
Step 2: 事件采集
⚠️ 先取已有信息:先读 structured_data.md + user_context.md,用户已提供的事实/事件/特质直接用,下面模板只问缺失项;❌ 禁无视已有内容整张模板重问。
向用户收集事实与特质 + 带日期的重大事件(事件 ≥5 为下限、越多越准;事实与特质不限量、一并收):
⚠️ 采集口径 = Step3c「映射判读表」的全部证据:【一】事实与特质(对候选间变化的盘面结构)、【二】带日期事件(对 Dasha 时间线)——两类都要主动问、都进判读表(❌别只收带日期的事件);用户后续随时补充一律纳入、不封顶,并按增量回写规则落 user_context(规则定义在 vedic-reader SKILL.md「user_context.md 使用限制」节)。 ⚠️ 证据分量看区分度、不看栏目(见 3c 主纲):用户能具体说出的事实(独生、相亲认识、配偶做会计、学建筑、意外怀孕…)分量最重;关系形态、经历、性格也可进表,但只作弱证据,不能单独决定一层。
收到后,对每个事件做分类:
- 参考 resources/event_house_map.md 确定对应宫位和Karaka
- 单独记录日期精度:精确日 / 月 / 季度 / 年 / 宽范围;不得将“某年”自行填成某月
- 记录事件是独立转折还是同一现实过程的子阶段;同一过程的多行保留可见,但不得伪装成多份独立确认
Step 3: 三层分析
3a. 初步匹配(用现有数据 + P1角色分析)
3a.0 原值角色(先分案,再匹配)
按 Step 0 是否拿到可信原值分两案,决定"原值/锚点"在候选评分里的角色:
- Case A|用户提供了时间+事件(二次校准,如报值+医院/身份证来源):
原值 = 候选池优先提示 + 候选之一(进枚举、平权竞争),但不是扫描中心、不是真值。 · 用原值盘匹配事件确认 D1 Lagna 星座,并作为一个候选进判读表,与扫描候选平权竞争 · ❌ 原值即使 D1 全中,也不锁定、不跳精调——D1 只锁 Lagna(粗~2h),分钟必须走完 D9/D10 · 事件稳定反对原值 → 原值就输(二次校准的意义=检验这个时间,不是替它背书) · ✅ 原值验证正确即确认(防"反偏误过头→逢报值必反推"):走完 D1→D9→D10 完整校准后,若原值(或其对应窗口)稳定匹配全部事件、D9/D10 也最优 → 声明"原时间经校准验证准确"、直接采用原值。"向早平移 / 原值非真值"是待验证先验、不是结论;事件裁决指向原值就认原值,❌ 禁止因"向早平移"先验对已验证正确的原值继续盲目往早反推。
- Case B|完全无可信时间(不知道/纯"大概"):
无原值可先测。宽扫描、纯事件粗定最佳 Lagna,算出的锚点=当前最佳估计,随精调收窄。 这里没有"原值先测"步,对应"事件驱动粗定 Lagna → 精调"。
⚠️ 共同铁律:锚点(用户给的 or 你算的)都是暂定的,事件能推翻。 Case A 防"过度信任原值/来源"(锚定);Case B 防"算出锚点后拿事件往它凑"(确认偏误)。 两案下游完全一致:都走完 D1→D9→D10、都用全部可核事件、每条都独立查 drishti。
对每个事件执行:
输出匹配结果表:
对有合格月/日精度的事件,在标准表之后另显示PD差异审计,不改写上表分数:
事实初检(与上表并列,先于下方决策):把【一】事实与特质逐条按 event_house_map 取宫(「静态事实映射」常用示例 + 表外按「核心映射」)对现盘查一遍,记 ✅支持 / ❌否定 / —中性。现盘若被一条决定性对立证据否定(见 3c 主纲)→ 无论事件几/5 都不确认,直接进 3b 扫描;Dasha 匹配再好也不得找补。
决策(第一层:Lagna确认):
⚠️ 定 Lagna 的裁决(承 3c 中立裁决、不偏袒原值):
决策(第二层:精度提升 — 渐进式校准):
This is the start of the file. Read the full SKILL.md on GitHub.
Security
- Security scanPassed, 100 of 100Pattern checks on the skill's files.
- Model reviewNot runA model review is scheduled for the next rescan.
Quality evaluation
- Task evaluationNot runNo evaluation yet. Run one in Skill Studio.
Source
- SKILL.md in the repositoryCheckingskills/vedic-rectifier/SKILL.md
Popularity
- Repository stars
- 860
- Repository forks
- 96
- 7-day trend score
- 34
Stars and forks are for the whole GitHub repository, not this skill alone. Not refreshed yet.
Works with
Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.
- Claude Code
- Cursor
- GitHub Copilot
- Windsurf
- Codex
- Gemini CLI
- Cline
- Amp
- Roo Code
- Goose
- Continue
- Kilo Code
- Junie
- Trae
- OpenHands
- Qwen Code
- AI Agent
- Tabnine Chat
- Sourcegraph Cody
- Amazon Q
- Firebase Genkit
- Sweep
- Devin
- Phind
- Mentat
- Claude Desktop
- Aider
- GPT Pilot
- Plandex
- bolt.new
- v0
- Replit Agent
- Anse
- TypingMind
- BetterChatGPT
- LibreChat
- Warp AI
- Pieces
- Fig AI
Embed badge
[](https://verified-skill.com/skills/cnwu16/vedic-astro-skills/vedic-rectifier)