1. 装修咨询的“大海捞针”问题到底出在哪1.1 一套房子从毛坯到入住会踩多少个“问题钉子”做过装修的人都有这种体会从拿到钥匙那一刻起你面对的不是一套房子而是一条铺满问题的长路。砸墙要不要审批防水做几遍才靠谱瓷砖通铺和过门石到底选哪个全屋定制和木工现场做差价能有多少空调风口和吊顶怎么配合每一项背后都牵着一串报价、工艺、材料、工期、验收的细节。就拿一个最简单的“乳胶漆刷几遍”来说答案在不同地区、不同墙面条件、不同漆品牌下面完全不一样你问十个人能拿到八个版本剩下两个版本互相矛盾。我最早帮朋友做装修咨询时每天收到的问题量大得惊人但真正能一两句话讲清楚的却很少。大部分问题是“半截话”——业主只说了自己的需求片段缺了楼层、墙体类型、预算范围、装修风格这些关键上下文你根本没法给一个负责任的答复。更麻烦的是好多问题问完之后对方接着还会追一句“那这个大概多少钱”等于每个问题背后都挂着一个报价问题而报价问题又取决于城市、材料档次、施工队水平信息链特别长。这就是我理解中的“大海捞针”装修资讯在网上并不缺缺的是能针对你具体情况捞出来、还能组织成可用答案的东西。搜索引擎给你的是几十篇帖子论坛里最高赞的回答可能来自一个五年前的老房翻新案例短视频里博主推荐的材料也许是厂家推广。你花一晚上翻完手里的信息还是散的甚至互相打架。做这个家居装修AI咨询助手最初的出发点就是我实在看不下去了——我想把那些散落的、矛盾的、藏在从业者脑子里的经验整合成一个能认认真真回答问题的东西。1.2 电话咨询和网页搜索为什么总是“答非所问”传统装修咨询无非两种路子打电话问销售或者上网自己搜。这两种方式都有结构性缺陷不是某个人不努力是信息组织方式本身撑不住装修这种“情况依赖极强”的领域。电话咨询的问题在于你问到的答案取决于你遇到的这个人。同样问一句“旧房翻新要不要铲墙皮”一个业务员会告诉你“看情况最好铲了重做”另一个可能直接说“不用铲直接刷底漆就行”。两个人说的可能都对因为他们默认的房屋年限、基层条件是不同假设但业主不知道这些假设拿到的就是一个片面的“结论”。而且电话里没法展开——你不可能让销售给你讲清楚“什么情况下不铲、什么情况下必须铲”他不是不想说是电话场景根本不支持这种信息密度。网页搜索则是另一个极端。搜“厨房装修注意什么”返回值可能是“厨房装修十大避坑指南”这种清单体文章十条里四条是广告软文三条是通用车轱辘话剩下两条有点价值但放在五年前的经验语境里今天未必适用。更核心的问题是搜索结果不跟你对话。你想追问“我家是L型厨房中岛还能不能加”搜出来的文章不会回答你你得重新搜“L型厨房中岛”然后在一堆家装美图里找那一两条真正有用的回答。这种体验用一句话概括搜到内容容易搜到答案难。这个AI咨询助手想做的是第三种路径——把咨询从“人找人”变成“算法找人”。不是让你在海量内容里自己筛而是把你放在信息链路的中心你问什么它围绕你的具体情况组织答案。它不替代设计师不替代施工队它的作用是把“这个问题在我家这个条件下到底怎么处理、为什么、大概多少钱”一次性讲清楚。1.3 线下问完线上再搜信息分裂带来的隐性成本还有人会问我线下找个设计师聊不就行了吗这里藏着一个很容易被忽略的成本信息分裂。你在线下问到一个说法线上搜到另一个说法两个说法一冲突你就得花时间去判断谁对。这个判断过程看似无形消耗的时间精力却非常真实。举个我当时遇到的例子某业主问封闭阳台用断桥铝还是塑钢线下师傅说塑钢够用网上帖子说断桥铝更稳他纠结了三天最后我帮他拆了一下——师傅的意思是“你家楼层低、风压小塑钢性价比够了”帖子的语境是“高层封阳台优先选断桥铝”。两个答案都对但对这个业主来说只有前者是适用的。装修咨询的难点从来不是“哪个答案正确”而是“哪个答案适用于我这个场景”。这个场景因素包括楼层、气候、预算、房屋年代、家庭成员结构甚至还包括你打算在这个房子里住几年因为有些投入要按居住年限来摊。所以做这个助手时我给自己定了个方向它不是百科不是问答社区更不是报价机器人。它应该像一个“有一定经验积累、但还没下现场”的咨询师——先问清楚你的情况再把知识库里的经验匹配到你的具体条件上。这也是后面所有设计决策的出发点。2. AI助手的回答边界哪些问题该接哪些问题不该接2.1 我把咨询问题分成五类报价、工艺、材料、工期、合规动手设计对话逻辑之前我先干了一件事把过去几个月收集到的装修咨询问题全部拉出来按性质归类不按关键词归。归完之后发现看似千奇百怪的问题其实高度集中在五个类别里。第一类报价类。占比最高大概四成。典型问题是“100平米的房子全包大概多少钱”“改水电一米多少钱”“实木地板和复合地板价格差多少”。这类问题的痛点是价格浮动大一线城市和三四线城市能差一倍同城市不同施工队也能差三成。第二类工艺类。比如“墙面贴瓷砖要不要拉毛”“防水刷两遍还是一遍”“美缝什么时候做”。这类问题讲究的是施工顺序和验收标准答不好容易误导答得好特别显得专业。第三类材料类。“颗粒板和多层实木哪个做柜体好”“乳胶漆选什么档次”“瓷砖用亮光还是柔光”这类问题主观性强品牌偏好和环保等级混在一起最考验回答的客观性。第四类工期类。“装修一套房子要几个月”“瓦工和油工能不能交叉施工”“晾多久才能入住”。第五类合规类。“飘窗能不能拆”“承重墙怎么判断”“阳台能不能改成厨房”。这类问题最不能含糊我的原则是只给通用判断标准绝不替业主下结论涉及结构安全的一律建议走正规检测渠道。分类这个动作本身不算什么技术活但它决定了后面的知识库结构和助手的对话策略。没有这个分类AI就只是一个“看起来很聪明但其实什么都只懂半句”的话痨。有了这个分类我才能给每个类别的回答设定不同的话术模板和风险等级比如合规类回答开头一律要先声明“以下内容为通用提示具体以当地现行规定和结构图纸为准”。2.2 边界设计能答的叫“标准化问题”不能答的叫“需要实地勘测”把问题分类之后我做的第二件事是给助手画边界——不是让它尽量什么都答而是明确哪些问题它可以答、可以答到什么程度哪些问题它必须把用户引导到线下专业人士那里。我管这个叫“两道闸门”。第一道闸门是问题可答性信息充分且属于装修常识/通用经验范畴的直接进入回答流程信息不充分的先追问关键条件最多追问三轮三轮还问不齐就转人工。第二道闸门是风险等级凡是涉及承重结构、燃气改造、消防验收、违建风险的高危问题助手不直接给做法而是给出“为什么不能轻率处理”的解释和正规处理路径。这两道闸门一开始定得比较松后来吃过亏。有一阵子我发现助手对“阳台能不能改成卧室”这种问题会给出“可以改但要注意保温”这种回答技术上说得通可法律上在很多城市这个操作是触碰红线的。我意识到专业知识正确不等于现实操作安全合规问题要由合规逻辑来管而不是由工艺逻辑来管。从那以后合规类回答全部升级为“先提示风险再说明正规判断流程最后建议咨询什么类型的专业机构”。2.3 为什么“不回答”比“乱回答”更重要这个标题听起来像废话但做AI咨询类产品的人应该都有共鸣用户来提问你就想给他一个答案不管这答案够不够扎实先应了再说。这种冲动体现在prompt设计上就是“尽可能挖掘所有信息并给出建议”体现在知识库里就是“尽量多塞内容让AI有的说”。两条路我都试过最后都撞了南墙。南墙长这样某个用户问“墙面受潮发霉怎么处理”AI噼里啪啦给出了五六种方案从除霉剂到防水涂料到重新铲墙皮看起来特别全面但用户根本不知道选哪个。更麻烦的是AI没有问“您家这个霉斑是外墙渗水还是卫生间反潮导致的”就直接用“铲墙皮重做”收了尾——这个方案如果是卫生间反潮导致的做完了三个月还会复霉。用户试了不管用回头问客服客服也说不清最终信任就塌了。所以我后来把回答策略彻底改掉当一个问题需要的关键条件缺失时AI的第一反应不是回答而是问条件当条件不足但问题不算高危时给出“在哪些情况下分别怎么做”的条件式回答当一个问题存在多个变量且变量之间相互影响时明确说“这个需要通过现场排查才能确认以下是您自己可以先检查的几个点”。这种“有分寸的不回答”反而让用户觉得AI更专业因为它没有硬撑。我总结了一个边界清单放在prompt的系统提示词里大概逻辑是能定位到明确场景的答条件缺失超过两个的先问涉及安全合规的提示并转正规渠道已经超出装修范围的问题比如家电品牌选择能答个大概但明确表示这是主观偏好问题。这四条规则看起来简单实际调试时反复改了很多轮后面我会专门讲测试过程中踩的坑。3. 知识库搭建把装修经验变成机器能读的语言3.1 从零整理装修语料先分域再分层有了边界之后我开始动手干最笨最耗时的事整理知识库。网上那些现成的装修资料很多但直接拿来用是不行的。一是版权和可信度没法保证二是很多文章挂着“干货”的名头实际是广告稿三是内容彼此矛盾没有经过统一口径的校验。我想到的方案是以自己这些年实际操作过的案例为基础结合向多名一线施工师傅、设计师请教来的经验还有公开的通用规范自己整理一套语料库。我的整理方法是“先分域再分层”。分域就是按空间和使用场景切玄关、客厅、厨房、卫生间、卧室、阳台、全屋系统水电、暖通、墙面、地面。每一域再往下细分比如卫生间往下有防水、排水、洁具、吊顶、照明五个子域。分层是指每个子域的知识都要覆盖五个层面基础概念、常见问题、施工流程、验收标准、预算参考。这样整理的好处是AI在回答时能沿着“域-子域-层”的路径找到对应的知识点而不是在一堆文章里大海捞针。这个过程持续了大约八周每周我都会录入一批新问题每一批都包含三四十个真实咨询里遇到的场景。比如在“防水”这一域里我录入了“卫生间防水做多高”“墙面防水要不要做”“防水闭水试验做多久”“二次排水有没有必要”等几十个问题每个问题都配了两百到五百字的基础回答稿。这些回答稿后来成了知识库的骨架大语言模型的生成能力则负责把这些骨架内容组织成贴合用户问法的口语化表达。3.2 量化规则把“大概多少钱”变成可查询的价格区间表装修咨询里有一类问题最难答就是报价。难在哪儿难在“大概”这两个字。同一个“墙面翻新”在低预算方案里可能只要几十块钱一平米在中高端方案里能到两百以上中间差了三四倍。你要是给一个均价业主兴冲冲地按这个价格做预算开工才发现差了一大截那时候已经晚了。我的处理办法是做一个结构化的价格区间表把每一项装修内容的价格按“经济型、舒适型、高档型”三档切分并且标注影响价格的主要变量。比如“瓷砖铺贴”这一项除了常规的铺贴费还要考虑瓷砖尺寸大板砖人工费翻倍、铺贴方式工字铺、人字铺价格不同、是否要做倒角、是否需要薄贴工艺。把这些变量拆分清楚报价参考才真正有参考价值。这个表我用了Excel做最原始的版本后来又导成了结构化的JSON数据挂到知识库里。AI在回答报价类问题时先判断用户要的是哪一档、哪种工艺、哪个城市级别然后从表里查区间再配合文字说明“以上价格不含主材、不含拆除垃圾清运费具体以本地市场行情和现场勘测为准。”这种结构化的数据远比把整篇文章丢给AI让它自由发挥可靠得多因为数字不会说谎AI自由发挥时经常会把几个维度的价格混在一起说。3.3 语料清洗与标注哪些是共识哪些是争吵装修行业有一个很有意思的现象有些问题业内高度共识有些问题是长期争论不休的。做知识库时这两种内容要分开处理万万不能混在一起。共识类问题很好办比如“防水闭水试验不少于24小时”“承重墙不得随意开门洞”“瓷砖铺贴前要预排”。这类内容直接写入知识库AI按照标准回答就行。争吵类问题就比较头痛比如“墙固到底有没有用”“全屋定制和木工现场打柜子哪个好”“中央空调和挂机怎么选”。这类问题的特点是没有标准答案每个选项都有适用的场景和优劣而且从业者往往各执一词——卖全屋定制的人说木工封边不行木工师傅说定制柜用的板材不见得更好。我的处理方案是把这类问题单独标注为“主观性话题”在知识库里给出一套“选项对比框架”而不是单一答案。比如全屋定制vs木工我会从环保等级、封边工艺、价格构成、设计灵活度、施工工期、售后保障六个维度分别列出优缺点AI再根据用户的具体情况预算、对环保的敏感度、是否有靠谱木工渠道给出倾向性建议。这样一来AI回答的不是“谁好谁坏”的站队结论而是帮用户理清决策框架。我特意在prompt里加了一条规则遇到主观性话题默认输出对比框架除非用户明确要求推荐。3.4 版本更新机制让知识库跟着市场走知识库不是建完就一劳永逸的东西。装修材料迭代快工艺也在变最典型的例子是瓷砖——前几年还在流行800x800的抛光砖这几年大尺寸岩板、柔光砖越来越普遍铺贴工艺和价格逻辑完全变了。如果知识库里的数据停留在两年前AI就会一本正经地给出过时的建议这种“自信的胡说”比不回答还糟糕。我建了一个简单的版本管理机制知识库里每一条内容都带版本号和生效日期价格区间表每季度复核一次工艺类内容每半年请一线施工团队复核一次。每次版本更新都会跑一遍回归测试——用一套固定的一百个测试问题去问AI对比新旧版本的回答差异看看有没有因为更新引入新的错误。这套机制听起来简单但当你面对几千条知识内容时没有版本管控更新一次就会像滚雪球一样引入各种混乱。我有个很深的体会AI问答系统的质量上限不取决于模型多聪明而取决于喂给它的知识库有多准、多及时。4. 从“能聊”到“聊得准”检索增强与答案生成的关键设计4.1 技术选型为什么我选择“检索增强生成”而不是单独微调模型知识库整理得差不多之后面临一个技术路线选择怎么让AI模型“学会”这些装修知识当时有两条主流路线一条是微调大语言模型另一条是检索增强生成。微调方案的优势在于模型会把知识“内化”到参数里回答速度更快不需要每次都去查库。但问题也很明显微调需要大量高质量的训练样本装修知识这种强地域性、强时效性的内容很难一次性固化到模型里而且每次更新知识都要重新微调成本高、周期长尤其对于我这种个人开发者来说算力开销扛不住。检索增强生成的思路刚好相反模型本身不“记住”装修知识而是在回答时先从知识库检索出相关内容再把这些内容作为参考材料交给模型组织语言。这样知识库可以随时改改完立刻生效不需要重新训练模型。代价是每次回答都要先检索再生成多一道环节但对装修咨询这种“低频次、重质量”的场景来说完全值得。我最终选择了检索增强生成还有一个很具体的原因可追溯。微调模型你说不清它哪句话是依据什么来的但检索增强方案的每句话都能追溯到知识库的具体条目用户要明细我能拿得出来。4.2 召回阶段既要找得对又要找得快检索增强方案里决定回答质量的第一环是召回——也就是从知识库里找到跟用户问题最相关的内容。这一步做不好后面模型再聪明也是白搭。我最初用的方式是纯关键词召回效果很差。装修领域口语化问题特别多用户问“墙皮掉渣咋整”知识库里存的是“墙面起皮脱落处理方法”关键词对不上召回就出不来。后来我换成了向量检索把问题和知识条目都转成向量用向量相似度来找相关内容。这个方案能处理同义表达和口语化问题但光用向量也不行——装修问题里的数字和专有名词特别重要“两遍防水”和“一遍防水”在向量空间里的距离可能很近但意思完全不同。所以我最终用的是混合召回先用关键词索引把“防水”“两遍”“闭水试验”这类关键实体捞出来再用向量检索补充语义相近的内容两份结果合并去重后再送到排序环节。这个设计有点像人脑的工作方式先用常识锁定可能相关的方向再结合语境理解补齐细节。召回阶段还做了个细节优化——把每个知识条目拆成“问题对”和“知识段”两部分知识段用来回答问题对用来匹配用户问题这样匹配的精度比整篇文章召回高很多。4.3 生成阶段让模型学会“看菜下饭”召回做完接下来就是让大语言模型把检索到的内容组织成回答。这个环节看着简单实际上门道不少。我踩过的第一个坑是模型会把检索到的内容一股脑全倒给用户没有优先级没有取舍用户得到的不是答案是一堆信息的堆砌。我的解决方案是在提示词里写清楚回答的组织规则先直接回应问题核心再给出适用条件最后补充注意事项。如果知识库里有多条相关内容且意见不完全一致模型要把“适用场景不同”这件事说清楚而不是硬拧成一个答案。比如墙面起皮这个问题知识库里既有“基层不牢导致的起皮”的处理方法也有“防水没做好导致的返潮起皮”的处理方法模型要做的是先问清楚用户的墙面情况再对应到具体的解决路径上。我还要求模型在回答时区分“确定信息”和“建议信息”。比如“国家标准规定卫生间防水高度不得低于1.8米”是确定信息直接给而“您家卫生间如果隔壁是卧室衣柜建议防水做满墙”是建议信息要说明理由。这个区分看似细微但用户感知差异很大——前者是权威后者是贴心。4.4 引用溯源把答案的每句话钉在资料上前面说过可追溯是我选择检索增强的原因之一但真正把这套机制跑通比我想象的麻烦。最开始AI回答完就完了后面根本没有附上信息来源用户问到“你这说的有依据吗”AI没法回答。我后来建了一个引用映射表每个知识条目都有一个独立的ID检索环节记录哪些条目被召回生成环节要求模型在回答中插入引用标记最后渲染时把引用标记替换成可点击的“参考条目”链接。用户看到的回答是分段呈现的每段下面跟着来源标注比如“依据知识库条目KG-2384《卫生间防水施工规范要点》”。这样用户既能快速得到答案又能在有疑问时深入到具体资料里核验。这个设计还有一个额外的好处它逼迫知识库的内容质量必须经得起审视。以前有些“凭经验写的”内容一旦被用户点开细看里面的模糊表述就藏不住了我不得不逐条修订。说白了引用溯源不仅是给用户的交代也是给自己内容质量的校验机制。5. 实测打磨在1000个真实问题里跌跌撞撞5.1 第一轮测试答非所问的典型样板系统搭建完成之后进入了我认为最痛苦也最关键的阶段用真实问题做测试。我从过去一年收集到的咨询记录里挑了1000条真实问题分批次跑完逐条看回答质量。第一轮测试的结果可以说惨不忍睹典型问题有三大类。第一类是“答不切题”。用户问的是“卫生间下水道反味怎么办”AI回答的却是“卫生间臭味来源分析”把通风、地漏、下水管、马桶法兰垫说了一遍唯独没说“反味”这个具体症状怎么判断是哪一种来源。第二类是“强行全面”。用户问“瓷砖美缝用什么颜色好”AI给了一篇关于美缝施工步骤、材料选购、价格区间的长文颜色推荐只占了一句。第三类是“废话太多”。用户问“装修要不要请设计师”AI答了一千多字核心意思其实就是“看预算和需求”其他全是正确的废话。这些问题根子不在模型在我的知识库和提示词。比如“答不切题”是因为知识库里对“反味”这个问题存的是一个泛化的“臭味治理”条目没有拆解到“地漏反味”和“下水管反味”的细分场景“强行全面”是因为提示词里说了“给出完整建议”模型就尽量多给没有聚焦用户的实际问题。认清这一点之后我停止了抱怨开始一项项改。5.2 问题改写把口语变清楚测试中一个高频现象是用户问题本身是含糊的、不完整的。比如“墙面用什么颜色好”这个问法根本没提是什么房间、采光如何、风格偏好AI无论怎么答都是隔靴搔痒。但这不是用户的错——人家来问问题就是不知道该怎么把问题问清楚。我加了一个“问题改写”步骤在问题进入知识库检索之前先让AI做一轮改写和条件提取。改写不是让你换一句更漂亮的话而是要把问题拆成标准字段。比如“墙面用什么颜色好”会被整理成“房间类型未知采光未知风格未知墙面材料未知”然后AI发现条件不足就会主动追问“您是想了解客厅还是卧室房子朝南还是朝北喜欢的风格是现代、奶油还是原木”这套追问逻辑跑顺之后回答质量明显上了一个台阶。后来我还发现有些用户会在追问之后提供更详细的信息比如“我客厅朝南但沙发背景墙想做深色”这就是有效信息要接住。这轮优化给我的教训是智能助手的“智能”有时候不在于它能回答多难的问题而在于它能不能把简单问题里缺失的关键信息补上。这跟好医生的问诊逻辑是一样的——先问清楚症状再给判断。5.3 拒绝策略遇到模糊问题怎么处理第二轮测试里我遇到了“AI什么都能聊但用户什么也没得到”的另一种情况模糊提问、自相矛盾的条件、以及超出知识范围的刁钻问题。模糊提问的例子是“我这房子想装得高级一点怎么弄”。这种问题你没法直接答因为“高级”这个词一百个人有一百种理解。我当时的处理是先给一个“高级感”的通用解读框架——材料质感、灯光层次、空间留白、储物隐藏这四个维度然后反问用户最看重哪个维度。这一套组合拳下来原本一个没法回答的问题变成了一个有引导力的对话开场。自相矛盾的条件是另一个难题。某用户说“预算十万想装全屋智能加新风系统”。这两个条件放在一起基本不可能但我不能让AI直接说“您这个预算实现不了”太生硬。我让AI学会了一套“预算分配引导话术”先说明全屋智能和新风的合理预算占比再建议三档取舍方案——保留什么、砍掉什么、哪些后期可以加装。这样既让用户认识到现实又给出了可执行的路径。对于那些超出知识库范围的刁钻问题比如“装修材料价格有没有可能跌到五年前的水平”我明确告诉AI属于市场预测类问题不提供判断可以整理历史价格走势和影响因素供参考。这条拒绝策略让我损失了一部分“好奇型”用户的停留时长但保住了核心用户对回答可靠性的信任。5.4 数据回流每个追问都在喂胖知识库测试过程中我发现一个问题AI在回答完一个复杂问题之后往往会收到用户的追问。比如AI解释了“全屋定制和木工现场打柜子的对比”用户追问“那如果我家木工手艺很好是不是选木工更划算”。这个问题在原始知识库里是没有的——它是对比框架的一个深入分支。我当时如果让AI现场硬答能答但质量不稳。为了解决这类问题我设计了一个数据回流机制每个追问和AI的回答都会被记录到一个“新增问题池”里每周人工筛选一次把那些“有价值的、值得沉淀的”追问整理成新的知识条目补充到知识库里。三个月下来新增了大概两百多个知识条目全部来自真实用户的追问。这个机制让知识库保持了一个持续生长的状态而不是建完就死。现在我看一个AI系统的好坏会看它有没有形成“用着用着越来越聪明”的闭环数据回流就是那个闭环的发动机。6. 落地部署与后续演进让助手真正跑起来6.1 部署形态小程序内嵌还是独立网页系统调试到第七周的时候我开始考虑部署形态的问题。当时手上有两个选项做一个独立的网页应用或者把助手嵌到小程序里。反复比较之后我选择了两者都做——先做网页版用于快速迭代同时预留小程序接口。这个决策背后的逻辑是装修咨询这件事用户的使用场景通常发生在两个时刻。第一是决策前期——刚拿到房、准备了解预算和流程的阶段这个阶段用户大概率是在电脑或手机上刷网页一个能直接打开的网页体验最轻。第二是装修进行中——用户已经开工了在工地上有问题要问这时候手机里的微信小程序比浏览器网页更好唤起、更方便发语音。我最终用了网页为主、小程序及主流聊天应用内嵌链接为辅的形态接入了语音转文字的能力让用户在工地上可以直接说问题不用打字。部署形态看起来是小事但其实影响很大。工具类AI产品最怕的就是“用户想用它的时候找不到入口”多一个入口就多一次被想起的机会成本却很低。6.2 成本控制单次查询的token消耗优化AI问答系统跑起来之后我盯最紧的指标不是回答质量而是单次查询的成本。大语言模型API是按token计费的装修咨询这种问题天然句子长、内容多一个复杂问题跑一轮检索再加一轮生成轻松消耗上千token。如果用户再追问两三轮单次对话成本会迅速攀升。我做了三项优化效果立竿见影。第一项是检索阶段减负向量检索返回的候选知识条目不再把全文都塞给生成模型而是先做一次摘要只取最相关的两到三个段落。第二项是生成阶段压缩提示词里明确要求“回答控制在三百字以内清晰优先禁止复述问题”这句话直接把回答长度砍了三分之一。第三项是缓存把高频问题比如“装修流程分几步”“铲墙皮多少钱一平”的答案离线生成好用户问到相同问题直接调缓存不经过大模型。这三项做完之后单次查询的平均成本降到了原来的四成左右。我一直觉得做内容型AI产品如果不想清楚成本模型用户量越大越亏钱这不是一个能靠“先烧钱再谈盈利”逻辑硬扛的领域。6.3 对业主的真正价值省什么、避什么产品跑起来之后我开始系统观察用户的使用行为看这个助手到底在帮用户省什么、避什么。观察结果比我预想的更聚焦用户实际用它的场景高度集中在这三类算预算、查流程、验工艺。算预算的场景最直接。用户在拿到报价单之后会把施工方报的每一项价格发给AI问“这个价格合理吗”。助手做的不是简单说“贵了”或“便宜了”而是拆解每一项在当前城市的合理区间提示用户哪些项目可能存在重复报价、哪些项目容易被漏项。这个功能对用户的价值非常大因为装修报价单是业主和施工方最不对称的信息战场。查流程的场景排在第二。用户问最多的是“现在进行到哪一步了下一步该干什么”。这个需求听起来简单但装修这件事的流程复杂度远超出很多人的预期——瓦工结束之后要约油工油工干活之前要确定灯具和开关面板的安装时间稍有错乱就会让工期延后。助手按阶段给用户推流程清单每一阶段配验收要点这件事如果纯靠记忆连老业主都容易漏。验工艺的场景是用户最依赖的。很多用户不懂施工工艺的对错但担心被糊弄于是把工地上的照片或师傅的话转述给AI问“这样做对不对”。我们给工艺类回答配了图文对照说明用户可以用照片比对施工是否符合标准比如壁龛的坡度、防水上翻高度、瓷砖缝隙均匀度等。这个功能用起来之后我意识到AI咨询的真正价值不在于它有多聪明而在于它给了业主一种“被支持的感觉”——当你站在工地上一头雾水的时候有一个可以即时靠一靠的问答对象心态会稳很多。6.4 下一步计划从“问答”到“方案生成”最后聊聊后续的演进方向。现在的助手还处于“问答式咨询”阶段——用户问它答答完可能追问几轮。但做着做着我发现很多用户的咨询需求其实是沿着一条时间线走的你先了解预算然后开始做装修方案然后开工、盯进度、验收、入住最后是入住后的维护翻新。每一个阶段用户都要重新提问重新组织信息体验还是割裂的。我的下一步计划是把这个系统从“单轮问答”升级为“阶段式方案生成”。用户首次使用时先填写一个结构化的需求表单——房屋面积、户型情况、城市级别、预算范围、装修风格偏好、入住人数等助手基于这些信息生成一份“装修准备清单”和“预算分配建议”之后在用户每个阶段询问时都能关联上下文给出更贴合的建议。为了实现这个能力我准备把当前用于单轮检索的向量知识库升级为带用户画像的会话记忆系统让每次对话都能“记得”用户之前说过的情况。这个功能的开发周期估计要两个多月但我觉得方向是对的。装修咨询的本质不是“答一次题”而是“陪跑一段路”。真正的智能咨询是要能在整段装修旅程里给出连续的、有记忆的、逐步深入的陪伴式支持。