掌纹面相识读

它解决什么问题

掌纹和面相解读常被做成黑箱：一张图丢给云端模型，结果不可复现，也无法控制解释逻辑。这个技能把流程拆成可本地运行的特征提取、JSON 规则解读和可选云端润色，让同一份照片可以先得到确定性几何证据，再叠加文化解读。它同时把隐私默认放在本地：照片不出设备，只有用户明确授权才发送第三方。

核心能力与关键步骤

• 手相本地 CV：scripts/extract_features.py 使用 OpenCV 分割手掌区域，估算手型并检测生命、智慧、感情三大主线的存在度和清晰度，输出 features.json。
• 几何深化：若安装了 MediaPipe，scripts/geometry.py 从 21 个关键点计算指段长、指长比、掌长宽比、拇指长度和外展角，得到四元素/六型手型的几何近似，标记为 medium 置信度。
• 规则引擎：scripts/interpret.py 读取 knowledge/rules/*.json，按字段条件匹配并渲染“看到了什么 → 解读 → 建议”，新增模块只需改 JSON。
• 左右手口径：按惯用手区分先天/后天权重，默认右手=后天 70–80%，左手=先天 20–30%；不采用无依据的“男左女右”。
• 面相路径：本地无 CV，需云端视觉输出 features.json 后由 interpret.py --domain face 加载 knowledge/rules/face/*.json。
• 叙事综合：可选的 prompts/synthesize.md 把结构化报告合成过去/现在/未来与性格画像；拒绝云端时使用本地 synthesis_{palm,face}.json 兜底。

适用边界与注意点

• 输出统一使用 likely_present、possible、unlikely 等概率措辞，不声称线条“明显”或“深而清晰”。
• 细符号如岛纹、十字、星纹本地基本不可识别；西式七型手和七丘类型只能给出几何近似，细分需高清近距照片或人工判断。
• 面相依赖云端视觉，面部照片属敏感生物特征，调用前必须明确告知并取得授权。
• AI 生成、卡通、绘画或重度滤镜照片会被真实性甄别拒绝。
• 手相/面相无科学实证，报告开头和结尾必须附免责声明，仅用于文化娱乐与自我觉察。