企业官网建设流程全解析

1. 先搞清楚：室内设计公司到底需要什么样的AI智能体

很多室内设计公司的老板或者技术负责人找到我，开口第一句就是“我们要搭一套AI系统”。但具体要解决什么问题，往往说不清楚。我通常会反问三个问题：你们公司现在最耗人力的环节是什么？设计师每天花在非设计事务上的时间占比多少？客户从咨询到签单，哪个阶段流失率最高？这三个问题回答完，需求基本就浮出水面了。

室内设计行业有个很特殊的地方：它既是创意行业，又是重服务的行业。一个中型室内设计公司，通常有设计部、市场部、工程部、客服部几个核心部门。设计师的时间被大量非设计事务占据——反复回答客户同样的问题、整理材料清单、核对报价、写方案说明、跟进施工进度。这些工作技术含量不高，但极其消耗时间。我见过一个设计师，一个下午接待了三拨客户，每拨都要从头讲一遍“我们公司的流程是怎样的”“全包和半包有什么区别”“设计费怎么收”。讲完三遍，天都黑了，一张图没画。

这就是AI智能体切入的最佳场景。不是让AI去替代设计师做创意，而是把那些重复性的、有标准答案的、需要查资料的工作交给AI。具体来说，5个业务Agent的划分逻辑应该是这样的：

第一个Agent：客户咨询接待Agent。这个Agent要能回答客户关于公司服务流程、收费标准、设计周期、材料品牌、售后保障等常见问题。它需要接入公司的知识库，包括服务手册、报价体系、合同模板、常见问题汇总。客户在微信或者官网咨询时，Agent先接待，把标准问题解决掉，复杂问题再转人工。这个Agent的核心价值是7×24小时响应，而且回答口径统一，不会出现“张设计师说设计费打八折，李设计师说打九折”这种混乱。

第二个Agent：方案辅助设计Agent。这个Agent不是让AI画效果图，而是帮设计师快速生成方案说明文本、材料清单、预算表。设计师选好风格和主要材料后，Agent根据知识库里的材料价格库、工艺说明库，自动生成一份格式规范的方案文档。设计师只需要审核和微调。我实测过，一份原本需要40分钟整理的方案说明，用Agent辅助后可以压缩到8分钟左右。

第三个Agent：材料与预算核算Agent。这个Agent要能根据设计方案自动核算主材、辅材、人工费用。它需要接入一个结构化的材料价格数据库，并且能根据不同的施工工艺、不同的品牌档次，给出多套预算方案。客户说“预算30万”，Agent能快速给出“经济型”“舒适型”“品质型”三档配置建议。这个Agent的难点在于数据要准、更新要及时，否则报出去的价和实际采购价对不上，就是给自己挖坑。

第四个Agent：施工进度跟进Agent。这个Agent要能根据施工节点，自动向客户推送进度通知，向工长发送提醒，向设计师同步关键节点。它需要接入一个简单的项目管理系统，或者至少是一个结构化的进度表。客户最焦虑的就是“我家现在装到哪一步了”，Agent主动推送比客户反复问要体验好得多。

第五个Agent：售后与维护Agent。这个Agent处理保修期内的报修、维护预约、常见问题排查。比如客户说“厨房下水有点慢”，Agent能根据知识库判断可能是哪些原因，给出初步排查建议，同时自动生成工单派给售后团队。

这5个Agent不是孤立的，它们共享一个RAG知识库。RAG是Retrieval-Augmented Generation的缩写，中文叫“检索增强生成”。简单说，就是AI在回答问题之前，先去知识库里检索相关内容，然后基于检索到的内容来生成回答。这样做的好处是回答有依据、可追溯，不会胡编乱造。对于室内设计公司来说，知识库里应该包含：服务流程文档、报价体系、材料库、工艺标准、合同模板、常见问题、历史案例、售后政策等。

注意：很多公司一上来就想做“全能AI”，一个Agent解决所有问题。实测下来，分Agent做效果更好。因为每个Agent的知识库范围、对话风格、输出格式都不一样。客户咨询Agent要热情、口语化；方案辅助Agent要严谨、结构化；预算核算Agent要精确、带表格。混在一起做，反而哪个都做不好。

2. RAG知识库的搭建：别急着买向量数据库，先把文档整理清楚

我见过太多团队，一提到RAG，第一反应就是“用哪个向量数据库”“Embedding模型选哪个”“要不要上LangChain”。这些技术选型当然重要，但真正决定RAG效果好坏的，是知识库本身的质量。垃圾进，垃圾出。如果公司的文档本身就是散的、乱的、过时的，再好的技术也救不了。

室内设计公司的知识库建设，我建议分四步走。

2.1 第一步：文档盘点与分类

先把公司现有的所有文档翻出来，分门别类。通常会有这几类：

• 服务类文档：服务流程说明、收费标准、合同模板、设计周期表、售后政策。
• 材料类文档：主材品牌清单、辅材清单、材料价格表、材料工艺说明、环保标准。
• 设计类文档：风格分类说明、案例库、设计规范、图纸模板。
• 施工类文档：施工工艺标准、验收标准、进度节点说明、常见问题处理。
• 客户类文档：常见问题汇总、客户沟通话术、投诉处理流程。

分类的目的是确定哪些文档适合放进RAG知识库。我的经验是，结构化程度越高的文档，RAG效果越好。比如一份材料价格表，如果是Excel格式，字段清晰，那检索准确率会很高。如果是一堆PDF扫描件，那就要先做OCR和结构化处理。

2.2 第二步：文档清洗与切片

这一步是最耗人力但最不能省的。原始文档往往有很多问题：格式不统一、有大量重复内容、有过时信息、有内部术语客户看不懂。清洗的目标是让每一段文本都是独立的、完整的、可理解的。

切片（Chunking）是RAG的关键环节。切得太碎，上下文丢失，AI回答不完整；切得太粗，检索精度下降，AI会拿到无关内容。我的经验值是：中文文本每片300到500字比较合适。对于室内设计领域的文档，我建议按语义段落切，而不是按固定字数切。比如一份“全包服务说明”，应该按“什么是全包”“全包包含哪些项目”“全包不包含哪些项目”“全包价格区间”“全包注意事项”这样切，每一片都是一个完整的语义单元。

切片的时候还要注意保留元数据。每一片文本应该带上来源文档名、章节标题、更新时间、适用场景等标签。这样检索的时候可以按标签过滤，提高准确率。比如客户问“你们全包多少钱”，检索时就可以限定在“服务类-收费标准”这个范围内，而不是全库乱搜。

2.3 第三步：向量化与存储

向量化就是把文本变成一串数字（向量），让计算机能计算语义相似度。中文Embedding模型现在选择很多，开源的、商业的都有。对于室内设计公司这种场景，我建议用中文优化过的模型，因为行业术语多，通用模型可能理解不到位。

向量数据库的选择，如果数据量不大（几万条切片以内），用轻量级的方案就够了。没必要一上来就上分布式向量数据库，运维成本太高。我实测过，几万条切片的检索，单机方案响应时间完全在可接受范围内。

提示：向量化之前，建议先做一次“术语标准化”。比如“全包”“整装”“大包”在你们公司是不是一个意思？“半包”“轻工辅料”是不是一个意思？统一术语后，检索准确率会明显提升。

2.4 第四步：检索策略与重排序

RAG的检索环节，最简单的做法是“向量相似度Top-K”。但实测下来，单纯靠向量相似度，经常会把一些“看起来像但实际不相关”的内容排到前面。比如客户问“设计费怎么收”，向量检索可能把“施工管理费怎么收”也排进来，因为两句话语义相似。

改进方案是“混合检索”：向量检索 + 关键词检索，然后做重排序（Rerank）。关键词检索能保证“设计费”这个词被精确匹配到，向量检索能保证语义相关的也能被找到。重排序模型则对候选结果做更精细的相关性打分，把最相关的排到最前面。

对于室内设计公司的场景，我建议在检索时加上“业务类型过滤”。客户咨询Agent只检索服务类文档，方案辅助Agent只检索设计类和材料类文档，预算核算Agent只检索材料价格和工艺文档。这样能大幅减少干扰。

3. 五个Agent的具体实现：从对话流程到输出格式

Agent的实现，核心不是技术，而是业务流程的梳理。你得先想清楚：这个Agent在什么场景下被触发？它需要完成什么任务？它的输出给谁看？格式是什么？把这些想清楚了，技术实现反而是最简单的部分。

3.1 客户咨询接待Agent的对话设计

这个Agent的对话流程应该是这样的：

1. 欢迎与意图识别：客户进来，Agent先打招呼，然后快速判断客户意图。是问价格？问流程？问案例？还是投诉？
2. 标准问题直接回答：如果客户问的是知识库里有标准答案的问题，Agent直接回答，并附上相关文档链接或图片。
3. 复杂问题引导：如果客户的问题需要人工介入，Agent先收集必要信息（比如户型面积、预算范围、风格偏好），然后转人工，并把收集到的信息一并转过去。
4. 留资与跟进：如果客户只是随便问问，Agent可以引导留资，比如“您可以留下联系方式，我们安排设计师给您做个初步方案”。

这个Agent的输出格式要口语化，不能像机器人念稿。比如客户问“你们设计费怎么收”，回答应该是“我们设计费是按套内面积算的，普通设计师80到120一平，首席设计师150到200一平。具体要看您的户型复杂度和风格要求。您方便说一下房子在哪个小区、多大面积吗？我帮您估一下。”而不是“设计费收费标准：普通设计师80-120元/平方米，首席设计师150-200元/平方米。”

3.2 方案辅助设计Agent的输出模板

这个Agent的核心是“模板化生成”。设计师选好风格、主要材料、大致预算后，Agent根据模板生成方案说明。模板应该包含：

• 项目概况：小区名称、户型、面积、风格。
• 设计理念：根据风格自动生成一段描述，比如“现代简约风格强调线条的干净利落，色彩以中性色为主，注重空间的开阔感和功能性。”
• 空间规划说明：每个空间的设计要点。
• 材料清单：主材、辅材的品牌、型号、数量、单价。
• 预算汇总：分项预算和总预算。
• 施工周期预估：根据面积和复杂度给出预估工期。

这个Agent的输出要结构化，方便设计师直接复制到方案文档里。我建议用Markdown格式输出，因为Markdown既方便阅读，又方便转换成Word或PDF。

3.3 预算核算Agent的数据结构

预算核算Agent的准确性，完全取决于材料价格数据库的质量。这个数据库应该包含：

有了这个数据库，Agent就能根据设计方案自动核算。比如客户选了一套100平米的房子，全屋乳胶漆，Agent就能算出：100平米 × 0.12桶/平米 = 12桶，12桶 × 320元/桶 = 3840元。

注意：材料价格数据库一定要有“更新时间”字段，并且定期更新。我见过一个公司，用的还是两年前的价格，报出去的预算比实际采购价低了30%，最后只能自己贴钱。这个坑千万别踩。

3.4 施工进度跟进Agent的触发机制

这个Agent的关键是“自动触发”。它需要接入一个项目进度表，每个项目有明确的节点：开工、水电验收、泥木验收、油漆验收、竣工验收。每个节点到达前，Agent自动向客户推送通知，向工长发送提醒，向设计师同步信息。

触发机制可以很简单：每天定时扫描进度表，发现今天有节点到达或即将到达，就触发推送。推送内容要具体，比如“您好，您家今天进行水电验收，验收标准包括：电路通断测试、水管打压测试、排水坡度检查。验收完成后我会把现场照片发给您。”

这个Agent的价值在于“主动服务”。客户不用问，Agent主动告知，体验感完全不一样。

3.5 售后与维护Agent的工单流转

这个Agent处理报修时，流程应该是：

1. 问题描述收集：客户描述问题，Agent追问细节（什么时候发现的、什么位置、什么现象）。
2. 初步排查建议：根据知识库，给出可能的排查步骤。比如“厨房下水慢，您可以先检查水槽下面的存水弯是否有异物堵塞。”
3. 工单生成与派发：如果排查无效，Agent自动生成工单，包含客户信息、问题描述、排查记录，派发给售后团队。
4. 进度跟踪：工单处理过程中，Agent向客户同步进度。
5. 满意度回访：工单完成后，Agent自动回访。

这个Agent的难点在于“问题分类”。同样说“漏水”，可能是水管漏水、防水层漏水、下水管漏水，处理方式完全不同。Agent需要能根据客户的描述，结合知识库，做出初步判断。

4. 预算怎么算：从服务器到人力，一笔一笔列清楚

室内设计公司搭这套系统，预算可以分三块：技术开发、基础设施、运营维护。我按中型公司（20到50人）的规模来估算。

4.1 技术开发费用

如果找外包团队开发，5个Agent加上RAG知识库，报价通常在15万到30万之间。价格差异主要取决于：Agent的复杂程度、知识库的文档量、是否需要对接现有系统（比如CRM、项目管理工具）。

如果自己组建团队开发，成本主要是人力。一个后端开发、一个前端开发、一个算法工程师，三个人做两个月，人力成本大概在10万到15万。但自己开发的好处是后续迭代方便，不用每次都找外包。

我建议的做法是：核心的RAG知识库和Agent框架自己搭，前端界面可以先用现成的工具。这样既能控制成本，又能保证核心能力在自己手里。

4.2 基础设施费用

基础设施包括服务器、向量数据库、Embedding模型调用、大模型调用。如果全部用云服务，按中等规模估算：

如果大模型调用量大，费用会更高。我建议初期先用按量计费，等用量稳定后再考虑包年或者私有化部署。

4.3 运营维护费用

运营维护主要是知识库的更新和Agent的调优。知识库需要有人定期更新材料价格、新增案例、修改过时信息。Agent需要有人定期看对话日志，发现回答不好的地方，优化提示词或者补充知识库。

这部分人力，初期可以由公司内部的市场部或者客服部兼着做，每天花一两个小时。等系统跑顺了，再考虑设专职岗位。如果外包给技术团队维护，每月费用大概在3000到5000元。

4.4 总预算汇总

这个预算对于中型室内设计公司来说，不算高。一个设计师一个月的工资可能就一两万，这套系统如果能帮每个设计师每天省出两小时，一个月就是40小时，价值远超投入。

5. 落地过程中最容易踩的五个坑

这套系统我从头到尾跟过几个项目，踩过的坑不少。挑五个最有代表性的说说。

5.1 知识库文档质量太差

这是最常见的问题。公司文档散落在各个设计师的电脑里，格式五花八门，内容互相矛盾。有的报价表是去年的，有的合同模板是前年的。直接把这些文档扔进RAG，检索出来的结果就是一团乱麻。

解决方案：先花两周时间做文档整理。指定一个人负责，把所有文档收集起来，统一格式，更新过时信息，删除重复内容。这一步没有捷径，但做完之后，后面的事情会顺很多。

5.2 Agent回答太“官方”

很多团队做出来的Agent，回答像政府公文，客户看了没有亲切感。比如客户问“你们靠谱吗”，Agent回答“我司成立于XX年，拥有XX项资质，累计服务XX客户。”这种回答客户看了等于没看。

解决方案：在提示词里明确要求“用口语化、亲切的语气回答”。可以给Agent设定一个人设，比如“你是公司的一位资深客户经理，热情、专业、有耐心”。同时，在知识库里准备一些“话术模板”，让Agent参考。

5.3 预算核算不准

预算核算Agent最怕的就是“算错钱”。算少了公司亏，算多了客户跑。我见过一个案例，Agent把“墙面找平”的用量系数搞错了，导致预算少了将近一万块。

解决方案：预算核算Agent的输出，必须经过人工复核才能发给客户。初期可以设置“双人复核”机制，Agent算完，设计师复核，财务再复核。等准确率稳定了，再逐步放开。

5.4 客户不愿意跟AI对话

有些客户，尤其是年纪稍大的客户，就是不愿意跟AI说话，觉得“机器不懂我的需求”。这时候如果强行让AI接待，客户可能直接关掉对话框。

解决方案：在对话界面显眼位置放一个“转人工”按钮，客户随时可以点。同时，Agent在对话中要主动说“我是AI助手，如果您需要人工服务，随时告诉我。”不要试图伪装成真人，客户发现后会反感。

5.5 系统上线后没人用

这是最可惜的坑。系统做出来了，设计师不用，客服不用，最后变成摆设。原因通常是：系统不好用、培训不到位、没有激励机制。

解决方案：上线前先找几个“种子用户”试用，收集反馈，优化体验。上线后做全员培训，并且把“使用AI系统”纳入绩效考核。比如设计师用Agent生成方案，可以算工作量；客服转人工率降低，可以给奖励。

6. 上线之后怎么持续优化：三个必须盯住的指标

系统上线不是终点，而是起点。我建议盯住三个指标：回答准确率、人工转接率、用户满意度。

回答准确率怎么测？每周随机抽100条对话，人工判断Agent回答是否正确。准确率低于90%就要排查原因，是知识库缺内容，还是检索策略有问题，还是提示词需要调整。

人工转接率反映的是Agent的独立处理能力。如果转接率太高，说明Agent能解决的问题太少，需要补充知识库或者优化对话流程。如果转接率太低，也要警惕，可能是Agent在“硬答”，把不该它处理的问题也处理了。

用户满意度可以通过对话结束后的评分来收集。评分低的对话，要逐条分析原因。是回答太慢？是答非所问？还是语气不好？

这三个指标每周看一次，每月做一次深度分析。坚持三个月，系统的效果会有明显提升。

提示：优化知识库的时候，优先补充“高频问题”和“高转接率问题”。把这两个清单拉出来，逐个解决，投入产出比最高。

7. 关于这套系统，我的一些个人体会

做AI智能体这件事，技术不是最大的门槛，业务理解才是。我见过技术很强的团队，做出来的Agent设计师不爱用，因为不懂设计师的工作习惯。也见过技术一般的团队，做出来的Agent很受欢迎，因为每个功能都踩在了痛点上。

室内设计公司的业务链条很长，从获客到设计到施工到售后，每个环节都有优化空间。但不要贪多，先从一个Agent做起，跑通了再复制到其他环节。我建议从“客户咨询接待Agent”开始，因为这个环节最标准化，效果最容易衡量，而且直接跟获客挂钩，老板最容易看到价值。

还有一点，AI不是万能的。它擅长的是“有标准答案的重复性工作”，不擅长的是“需要创意和情感共鸣的工作”。设计师的价值在于创意和审美，AI的价值在于把设计师从琐事中解放出来。想清楚这个边界，系统设计就不会跑偏。

最后说一个细节：Agent的回复速度很重要。客户问一个问题，如果等10秒才回复，体验会很差。我实测下来，3秒以内是“无感”的，5秒是“可接受”的，超过10秒客户就会觉得“卡了”。所以技术选型的时候，响应速度要作为硬指标。如果大模型调用太慢，可以考虑用更小的模型做初步回答，复杂问题再调用大模型。