Divination by Prompt: LLM-Mediated Xuanxue on Chinese Social Media
作者: Chuang Li, Lixuan Wang, Yuqi Chen, Ze Hong
分类: cs.CY, cs.AI
发布日期: 2026-06-12
💡 一句话要点
研究LLM介导的玄学实践以应对现代社会不确定性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 占卜 社交媒体 用户体验 验证实践 玄学 文化研究
📋 核心要点
- 现有的占卜方法在面对现代社会的不确定性时，往往缺乏灵活性和可访问性。
- 本文提出通过大型语言模型（LLMs）介导的占卜，用户可以主动参与提示的优化，提升占卜体验。
- 研究结果表明，用户对LLMs的占卜效果普遍持积极态度，并发展出多种验证方法，反映出对传统占卜的再构建。
📝 摘要（中文）
随着大型语言模型（LLMs）的快速普及，使用对话式人工智能进行占卜的文化实践逐渐兴起。本文系统研究了在中国社交媒体上，LLM介导的占卜在玄学背景下的应用。通过分析23000多条来自小红书的帖子和评论，以及对32名用户和专业占卜师的半结构化访谈，发现用户主要咨询LLMs关于恋爱、职业、考试等实际问题。用户在使用过程中表现出积极的效果感知，并发展出验证实践。专业占卜师则认为LLMs缺乏真正占卜所需的“灵性”。本文探讨了参与者在科学与玄学框架之间的张力，认为LLM占卜在保留传统占卜核心功能的同时，引入了可扩展性和共同创作的新特征。
🔬 方法详解
问题定义：本文旨在解决传统占卜方法在现代社会中面临的灵活性不足和可访问性低的问题。现有方法往往无法满足用户在不确定情境下的需求。
核心思路：通过引入大型语言模型（LLMs），用户不仅可以获取占卜结果，还能参与到提示的优化过程中，成为主动的提示工程师，从而提升占卜的互动性和准确性。
技术框架：研究采用混合方法设计，首先分析社交媒体上的相关帖子和评论，然后通过半结构化访谈收集用户和专业占卜师的反馈。主要模块包括数据收集、用户访谈、结果分析和理论框架构建。
关键创新：最重要的创新在于将用户转变为主动的提示工程师，这一过程不仅提升了用户的参与感，还改变了占卜权威的构建方式，与传统方法形成鲜明对比。
关键设计：研究中关注用户的反馈和占卜结果的验证，采用了多次试验和跨模型比较等方法，确保结果的可靠性和有效性。
📊 实验亮点
研究结果显示，用户对LLMs的占卜效果普遍持积极态度，尤其在处理个人问题时，准确性通过个人经历的契合度得到了验证。用户发展出的验证实践，如重复试验和模型比较，进一步增强了结果的可信度。
🎯 应用场景
该研究的潜在应用领域包括心理咨询、职业指导和社交媒体互动等。通过结合LLMs与占卜实践，可以为用户提供更为个性化和即时的建议，提升其在面对不确定性时的决策能力。未来，这一方法有望在更广泛的文化和社会背景中得到应用。
📄 摘要（原文）
The rapid proliferation of large language models (LLMs) has produced a striking cultural practice: using conversational AI for divination. This paper offers one of the first systematic studies of LLM-mediated divination in the context of Xuanxue, an internet-native umbrella term for mystical and spiritual practices on Chinese social media. Using a mixed-methods design, we analyze 23000+ posts and comments from Xiaohongshu and conduct 32 semi-structured interviews with users and professional diviners. Users primarily consult LLMs about pragmatic concerns - romantic relationships, careers, exams, and in-game gacha draws - via two intersecting pathways: trend-driven curiosity enabled by viral visibility and zero-cost access, and event-driven anxiety under conditions of uncertainty. A defining feature is collaborative prompt refinement, which turns users into active prompt engineers. Among commenters expressing a clear stance, perceived efficacy skews positive, with "accuracy" often justified through biographical fit and retrospective confirmation, consistent with Barnum and confirmation bias. Users also develop verification practices such as repeated trials and cross-model comparison. Professional diviners, by contrast, portray LLMs as lacking the "spiritual power" required for genuine divination, reflecting both ontological commitments and economic boundary-work. We also show how participants navigate tensions between scientific and metaphysical frames when interpreting AI-generated readings. Situating these findings in anthropological and cognitive-evolutionary theories of divination, we argue that LLM divination preserves core functions of traditional practice while introducing scalability, repeatability, and prompt-driven co-production that reshape how divinatory authority is constructed and evaluated.