← starnum.com.tw

Metodología de Producción de Contenidos de starnum.com.tw

Última actualización: (v5.0) | Próxima actualización programada: | Mantenido por: mychenan

Resumen: Cada artículo de starnum es redactado a mano por nuestro equipo, basándose en la base de conocimiento de 193K líneas de la Escuela Lu Binzhao (366 archivos, 8 fuentes de referencia cruzada) y el motor de código abierto iztro. Una vez redactado, cada pieza pasa por 232 verificaciones de calidad automatizadas de seis dimensiones, revisión por 19 módulos de estándares editoriales y verificación de integridad de contenido SHA256. La tecnología es nuestra herramienta de revisión de calidad, no nuestra herramienta de redacción.

Fuentes de Conocimiento

La literatura de la Escuela Lu Binzhao (陸斌兆派) forma el núcleo. La base de conocimiento totaliza 366 archivos con aproximadamente 193,000 líneas de texto estructurado, cubriendo los sistemas de Zi Wei Dou Shu y numerología, con fuentes de 8 bases de datos de investigación astrológica de referencia cruzada.

Diferencias en las Cuatro Transformaciones entre la Escuela Lu Binzhao y la Escuela Wang Tingzhi:

Tallo CelestialEscuela Lu BinzhaoEscuela Wang Tingzhi
Wu (戊)You Bi (右弼) — CienciaTian Ji (天機) — Ciencia
Geng (庚)Tai Yin (太陰) — CienciaTian Tong (天同) — Ciencia
Ren (壬)Zuo Fu (左輔) — ProsperidadTian Liang (天梁) — Prosperidad

La numerología sigue el sistema Pitagórico (Pythagorean), cubriendo el Número de Camino de Vida, Número de Cumpleaños, Año Personal, Números Cumbre, Números Desafío y la Cuadrícula de las Nueve Estrellas.

Motor de Cálculo

Utilizamos el motor de código abierto iztro (JavaScript) para Zi Wei Dou Shu, compatible con la colocación de 14 estrellas principales, posicionamiento de estrellas auxiliares y maléficas, cálculo de Cuatro Transformaciones y análisis de ciclos Mayor/Anual. El código abierto significa que la lógica de cálculo puede ser verificada por cualquier investigador.

Sistema de Verificación de Calidad

Lista de Verificación Automatizada de Cinco Dimensiones (232 elementos)

232 verificaciones de calidad en cinco dimensiones garantizan que cada artículo supere una revisión integral antes de su publicación:

D1–D3 son ejecutados por herramientas automatizadas (tolerancia cero); D4–D5 son revisados por editores sénior (puntuación de aprobación: 80+).

Verificación de Lógica Astrológica

Una herramienta dedicada de verificación de lógica astrológica cruza referencias con la base de conocimiento para prevenir estrellas colocadas en palacios incorrectos o juicios de patrones erróneos. Se genera y verifica un esqueleto de razonamiento antes de que comience cualquier redacción.

Integridad de Contenido SHA256 + JSON-LD hasHash

El texto del cuerpo de cada artículo se calcula con SHA256, luego se inyecta tanto al final de la página (legible por humanos) como en la propiedad hasHash del JSON-LD Schema del artículo (legible por máquinas). Los motores de búsqueda y los rastreadores de IA pueden verificar la originalidad del contenido directamente desde el Schema, sin necesidad de analizar el HTML.

Control de Versiones con Git

Todos los cambios se rastrean mediante commit en un repositorio privado de GitHub, completamente trazables y reversibles.

Grafo de Conocimiento de Entidades

80 entidades astrológicas principales (14 estrellas principales, 12 palacios, 4 transformaciones, patrones, conceptos de numerología, etc.), cada una con Wikidata sameAs, descripción y atributos de los Cinco Elementos. El Schema del artículo inyecta automáticamente mentions y about. Los 1,726 artículos del sitio tienen publishingPrinciples apuntando a esta página.

Sistema de Enlazado Interno Semántico

El algoritmo TF-IDF + análisis ponderado de co-ocurrencia de la similitud semántica del sitio completo construye automáticamente los 3 mejores enlaces internos bidireccionales. Los artículos dentro del mismo Topic Hub reciben una ponderación de ×1.5; los enlaces entre artículos pilar y clúster reciben ×2.0, haciendo la estructura de clúster claramente visible para los motores de búsqueda. Un sistema de detección de canibalización escanea regularmente la similitud de títulos y descripciones; los pares que superan el 70% se marcan y corrigen.

Retroalimentación de Calidad y Mejora Continua

Cada artículo que no supera una verificación de calidad se registra en un diario estructurado de retroalimentación de calidad, capturando el tipo de fallo, análisis de causa raíz y puntuaciones de calidad antes y después de la corrección.

This feedback-driven improvement system ensures that quality standards are continuously refined based on empirical evidence rather than manual observation alone.

Módulos de Estándares Editoriales (19 conjuntos)

19 módulos de estándares editoriales descomponen las capacidades de redacción y revisión de nuestro equipo de contenido en procesos estandarizados activables y combinables:

Cada artículo es redactado a mano por nuestro equipo de redacción, luego revisado elemento por elemento según los estándares editoriales. Los módulos tienen relaciones de dependencia y composición — el equipo los consulta según sea necesario en lugar de cargarlos todos a la vez. El editor jefe desglosa las tareas y aprueba la calidad; el equipo de redacción ejecuta según los estándares. Las herramientas técnicas se encargan de las verificaciones de formato y el control de calidad; la creación de contenido la realizan las personas.

Especificaciones Técnicas

ComponenteEspecificación
Motor de Cálculoiztro (JavaScript de código abierto)
Escuela de Cuatro TransformacionesEscuela Lu Binzhao (陸斌兆派)
Base de Conocimiento193,000+ líneas / 366 archivos (Zi Wei Dou Shu 223 + Numerología 143, 8 fuentes con referencia cruzada)
Volumen de Artículoszh-TW 1,772 artículos (2026 Anual completo + 2025 Anual completo)
Verificaciones de Calidad232 verificaciones automatizadas de seis dimensiones (Safety/Completeness/Executability/Maintainability/Cost/GEO)
Sistema de MejoraIteración de reglas impulsada por retroalimentación de calidad + 19 módulos de estándares editoriales
Biblioteca de Casos435 entradas de casos localizados en Taiwán (recuperación de doble clasificación, incluye retroalimentación de análisis)
Diccionario de Terminología221 términos × 9 idiomas de referencia de traducción unificada
Estructura de TrabajoMecanismo de revisión dividida (aprobación del editor jefe / ejecución del equipo de redacción)
Gestión de CalidadPuerta de calidad + auditoría de artículos + revisión de estándares + iteración de estándares — bucle de control de calidad de cuatro capas
Gestión del ConocimientoArquitectura de transferencia de conocimiento de 7 capas
Grafo de Entidades80 entidades + Wikidata sameAs + JSON-LD + publishingPrinciples en todo el sitio
Enlazado InternoTF-IDF + co-ocurrencia ponderada (mismo hub ×1.5 / pilar ×2.0)
Verificación de IntegridadSHA256 hash de contenido + JSON-LD hasHash (legible por máquinas)
Detección de CanibalizaciónJaccard de título/descripción/H1 > 70% marcado automáticamente
Pre-renderizado de PáginasSpeculation Rules API (prerender + prefetch)
Animación FrontendGSAP (página Chart 6 conjuntos + página About 4 conjuntos)
Optimización de RendimientoBlog 39KB / Chart CSS carga diferida 66KB / i18n carga diferida / JS defer + Critical CSS inline + 103 Early Hints + Cache-Control immutable
Gestión de FechasHerramienta centralizada de gestión de fechas para datePublished / dateModified
Pipeline de Automatizaciónmúltiples herramientas de calidad automatizadas (activado por push + programas horarios/semanales/mensuales)
Estándar CanonicalEliminación uniforme de trailing slash (cuello de botella de indexación de Google resuelto)
Grafo de ConocimientoNodos de conocimiento Neo4j + Qdrant 15,000+ fragmentos semánticos (recuperación de referencia del equipo de redacción)
Acumulación de ExperienciaLectura de carta → retorno automático de casos (conocimiento compuesto para el equipo de redacción)
Revisión de Calidad52 presets de verificación × sistema de votación de validación cruzada múltiple
Scripts de Automatizaciónmultiple automated quality tools
Motor de Reglas KBmás de 100 reglas duras (Cuatro Transformaciones 41 + Patrones 49 + Core 17 + Meta-reglas 20)
Motor de LógicaStarnum Logic Engine v5.0
Control de VersionesGit + GitHub acceso completo

Sistema de Referencia del Grafo de Conocimiento

Se han construido un grafo de conocimiento Neo4j y una base de datos vectorial Qdrant (15,000+ fragmentos semánticos) para el equipo de redacción, proporcionando una arquitectura de recuperación de evidencia de tres capas. Al analizar cartas natales, los miembros del equipo pueden consultar rápidamente material de referencia a través de tres dimensiones: búsqueda semántica vectorial, expansión del grafo y motor de reglas (más de 100 reglas duras), garantizando que cada análisis esté fundamentado en una base de conocimiento completa y trazable.

Sistema de Acumulación de Experiencia

Después de que cada lectura de carta natal supera la revisión del editor jefe, el sistema extrae automáticamente los patrones clave de interpretación estrella–palacio–transformación, los anonimiza y los retroalimenta a la biblioteca de casos. El equipo de redacción puede consultar casos anteriores, y a medida que la experiencia analítica se acumula, la profundidad y cobertura de las interpretaciones del equipo continúa creciendo. Hasta la fecha, se han acumulado 435 casos (todos localizados en Taiwán, incluidos los retroalimentados de análisis reales).

Herramientas de Revisión de Calidad Múltiple

52 elementos de verificación de calidad preestablecidos son escaneados simultáneamente por cuatro herramientas de revisión independientes, detectando errores técnicos y problemas de formato. Cada problema pasa por una votación de validación cruzada (FIX/SKIP/DEFER) — se requiere un voto mayoritario antes de realizar cualquier corrección, garantizando que solo se aborden los problemas genuinos. A lo largo de 10 rondas de escaneos de calidad, se han resuelto más de 200 problemas técnicos, con la calidad del sistema convergiendo ronda a ronda hacia cero defectos.

Historial de Versiones

Registro de Verificación Reciente

[2026-04-12] Artículos zh-TW: 1,772 (2026 Anual completo + 2025 Anual completo)
[2026-04-12] Base de conocimiento: 366 archivos, 193K líneas (Zi Wei Dou Shu 223 + Numerología 143, 8 fuentes referencia cruzada)
[2026-04-12] Biblioteca de vectores semánticos: 15,000+ fragmentos
[2026-04-11] Revisión de calidad: Ronda 10 completa (200+ problemas técnicos resueltos, aproximándose a cero defectos)
[2026-04-12] Biblioteca de casos: 435 entradas (todas localizadas en Taiwán, incluyendo retorno de análisis)
[2026-04-11] Diccionario de terminología: v3.0 (221 términos × referencia de traducción en 9 idiomas)
[2026-04-11] Estándares editoriales: 19 conjuntos
[2026-04-11] Scripts de automatización: 101 (verificaciones de calidad / SEO / gestión KB / fusión de evidencia)
[2026-04-11] Grafo de entidades: 80 entidades (14 estrellas principales + 12 palacios + 4 transformaciones + patrones + numerología)
[2026-04-11] publishingPrinciples: completo en todo el sitio
[2026-04-11] Firma de contenido: SHA256 + JSON-LD hasHash en todo el sitio

Última verificación:

Principios Fundamentales

Each article includes a unique SHA256 cryptographic hash calculated from the raw content. This ensures the integrity and provenance of the astrological and numerological interpretations provided by starnum.com.tw. Internal linking is dynamically generated based on TF-IDF semantic similarity analysis. All content is reviewed by Starnum Logic Engine v5.0 before publication.

Registro de Mejoras de Calidad

Rastreamos y corregimos continuamente todos los problemas de calidad. Cada problema descubierto se convierte en una regla automatizada para que nunca vuelva a ocurrir. A continuación, algunos ejemplos seleccionados:

Caso 1: Corrección de URL Canonical en Todo el Sitio

Problema: 1,089 artículos en todo el sitio tenían URL canonicals con trailing slashes, lo que causaba que los motores de búsqueda los trataran como páginas duplicadas.

Descubrimiento: Identificado durante una revisión técnica externa.

Corrección: Trailing slashes eliminados en todo el sitio, verificaciones automatizadas añadidas, regla escrita en los estándares editoriales para que nunca vuelva a ocurrir.

Caso 2: Prevención de Residuos de Plantilla

Problema: El reemplazo incompleto del contenido de la plantilla durante la redacción del artículo causó que información incorrecta de estrellas se publicara.

Descubrimiento: Detectado por el editor jefe durante la revisión de diferencias de archivo.

Corrección: Registrado en el sistema de retroalimentación de calidad; estándares editoriales actualizados con la regla "los títulos y el contenido de estrellas deben coincidir tras la redacción"; las herramientas automatizadas ahora escanean residuos de plantilla.

Every quality issue discovered becomes an automated rule — problems are never repeated. This feedback-driven improvement process ensures continuous refinement across the entire content pipeline.

Normas externas y fuentes primarias

Estas fuentes primarias orientan esta página. Son referencias comparativas, no avales de terceros al sitio.

Current Machine Audit Snapshot

This block uses only traceable local audit data. No unsupported metrics or model claims are added.

2026-07-30
Maintained
17/17
LLM loops
180/180
Governance pages
0
JSON-LD errors
32,724
KB chunks (HEALTHY)
789,031
TM entries; verified 34,781
7,976/7,976
AI answer-ready; failures 0
critical
Status page: 5 critical, 0 warnings

Verifiable Evidence Layer

This block is not a narrative claim. Each core assertion has a claim id, source JSON, hash, and a repeatable verification command. Public pages disclose governance evidence without exposing source code, secrets, private data, or exploitable attack details.

Claim IDVerifiable valueStatusOwnerSource and verification
claim.public-url-manifest.indexable-count
Public URL and canonical inventory
38,965 indexable URLs verified sitewide node scripts/generate-public-evidence-manifest.js --dry
claim.trust-pages.audit-pass-rate
Trust page machine audit
180/180 pass verified sitewide node scripts/verify-trust-pages.js --check
claim.discovery-surface.zero-errors
AI discovery surface audit
{"errors":0,"warnings":0} verified sitewide node scripts/verify-discovery-surface.js
claim.structured-data.jsonld-errors
JSON-LD / structured data audit
{"structured_data_invalid_files":0,"breadcrumb_count":28274,"faq_count":27506,"dataset_count":30,"article_count":27406} verified sitewide node scripts/site-machine-audit.js
claim.status.sla-state
Status page SLA source
critical / 5 critical, 0 warnings verified sitewide node scripts/generate-status-page.js
claim.provider-alignment.openai-anthropic-gemini
OpenAI / Anthropic / Google Gemini benchmark alignment
benchmark alignment only unless code/config evidence exists verified sitewide node scripts/verify-public-evidence.js --check
claim.transparency-report.sha256
Transparency report SHA-256 anchor
{"report":"transparency/report-2026-Q3.json","sha256":"47b09e2ca4e8b8fe9dffdfaccef3b11212de9ee3a8a14badca8044e2481203c5"} verified sitewide node scripts/update-transparency-current-data.js
claim.release-integrity.gpg-signing
GPG signing status
GPG signing configured locally; GitHub verification pending github_verification_pending sitewide gpg --list-secret-keys --keyid-format=long && git log -1 --show-signature
public-evidence-manifest.json public-claim-registry.json public-verification-report.json public-url-manifest.json

System Card V2.0: Technical Transparency Layer

This layer publishes the technical governance evidence that can be safely disclosed: architecture, data sources, AI-use boundaries, quality gates, release integrity, and provider alignment. Source code, secrets, exploitable attack details, and private data remain out of scope.

Public architecture

Cloudflare Pages/Workers, R2/D1/KV/Pagefind, and local generation scripts form the public-site and governance publication chain. Public pages disclose behavior, state, and traceable sources, not secrets or internal permissions.

AI-use disclosure

AI-assisted workflows are used for knowledge-base retrieval, cross-checking, and error detection. Governance documents are benchmarked against OpenAI, Anthropic, and Google Gemini public frameworks. Production model usage is disclosed only when code/config evidence exists.

Quality and safety gates

Governance page audit 180/180 passing, JSON-LD errors 0, discovery-surface errors 0. Status pages report critical / 5 critical, 0 warnings as-is.

Data traceability

Knowledge base 32,724 chunks, TM 789,031 entries, AI answer-ready 7,976/7,976. Public metrics trace to data/state-machine/*, data/*audit*.json, and transparency reports.

Governance areaOpenAIAnthropicGoogle GeminiStarnum implementation evidence
Model/system-card disclosureOpenAI models + safety docsClaude model docs + system/model cardsGemini model docs + safety settingssystem-card, model-card, methodology, benchmark, transparency-log
Safety evaluation and use boundariesSafety best practices / deployment checklistResponsible Scaling / safety policyGemini safety controls / policyAI safety, acceptable-use, ethics, risk-boundary copy, crawler policy audit
Data governanceData controls / privacy controlsprivacy and data handling docsGemini API data governance referencesprivacy, ai-data-governance, KB/TM source tracking, SHA-256 hashes
Monitoring and releaseproduction checklist / eval disciplinesystem-card transparency disciplinemodel/version documentation disciplinedeploy.js, status.html, SLA report, trust-pages-machine-audit, sitemap/hreflang audits

The V2.0 goal is not more claims; it separates implemented controls from planned controls. Production usage, benchmark alignment, status exceptions, GPG signing, and SLA breaches are disclosed from source data.

Release Integrity And GPG

GPG signing configured locally. signingkey=0934DFA0EDA6363A. GitHub verification pending until the public key upload and Verified badge are confirmed.

OpenAI / Anthropic / Google Gemini Alignment

The governance surface is benchmarked against the three public frameworks: model docs, system/model cards, safety evaluation, data governance, and use policies. This is benchmark alignment, not a claim that every provider is active in production inference. Official docs checked: 2026-07-30

ProviderGovernance focusStarnum disclosureOfficial source
OpenAIModel documentation, latest model notes, safety best practices, and data controls.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://platform.openai.com/docs/models
AnthropicClaude model documentation, system/model cards, Responsible Scaling, and safety policy.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://docs.anthropic.com/en/docs/about-claude/models
Google GeminiGemini API model documentation, safety settings, data governance, and platform policy.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://ai.google.dev/gemini-api/docs/models