一下午看六套房，一位先挑毛病的 AI 置业顾问：安家如何用端到端具身交互智能重做看房这件事

文章目录一下午看六套房一位先挑毛病的 AI 置业顾问安家如何用端到端具身交互智能重做看房这件事看房前为什么购房咨询特别适合端到端具身交互智能第一站一个 SDK 撑起一间案场第二站一段带看逐字稿——安家的智脑藏在哪一层旁批一她的答案不是最像的一段话是一条链旁批二她敢划掉一套房是因为她知道自己是谁旁批三她答完之后还留下一件事旁批四她的零件是可以换的说句实话提示词能让她背下房源智脑才能让她挑毛病挑毛病清单缺陷库是这套系统的良心带看日志过户后房产信息透明的最后一米一下午看六套房一位先挑毛病的 AI 置业顾问安家如何用端到端具身交互智能重做看房这件事周六下午两点的售楼处置业顾问带着你看第五套房。“这个户型南北通透”——他没提隔壁就是高架“得房率挺高”——他没提公摊算的是建筑面积。你看房看了一整天回家路上才发现六套房的缺点你一个都没记住优点倒是背熟了。安家Ānjiā就是为这个信息不对称而生的。她以置业顾问形象常驻在房产平台 VR 看房页和案场大屏里你问优点她讲但每套房她一定先讲毛病——西晒、临街、公摊、产权年限、隔壁规划一条条替你问出来。她不赚差价所以敢说中介不方便说的话。本文以安家为实战样本拆解一个智慧房产应用如何基于魔珐星云端到端具身交互智能平台用一个 SDK 把感知、大脑、表达全链路打通让 AI 置业顾问完成需求画像—挑毛病—带看—对比的完整购房咨询闭环。看房前为什么购房咨询特别适合端到端具身交互智能买房是普通人一生中金额最大、信息差也最大的一次决策。链家式图文列表把信息摆了一屏又一屏但没人替你踩坑噪音要去现场住一晚才知道西晒要夏天才知道楼下要开餐饮要问规划局才知道——而这些恰恰是决定居住体验的关键项。真实的靠谱置业顾问不是这样。好的顾问在带看的全程一直在做双向筛选你说预算 250 万要三居他脑子里已经在拉房源池带看时他观察你在哪套房里停留最久、听到什么话皱了眉你纠结时他把两套房的缺点摆在一起让你挑能忍哪个。这套持续感知 → 持续理解 → 持续决策 → 持续表达与行动 → 持续反馈的循环在星云里叫Continuous Interaction Loop持续交互循环。说白了就是不是你问一句它答一句而是她一边和你聊一边继续听、继续看、继续判断下一步该替你做什么。这才是顾问和带看机器的区别。这里得先把话说公平ASR、LLM、TTS 这些单项技术本身都很重要没有它们后面的东西一样跑不起来。问题不出在它们各自的能力上而出在只把它们串成一条直线——传统方案通常长这样ASR → LLM → TTS → 屏幕 / 机器人每个模块单拎出来都能工作但它们各自维护自己的状态一旦进入连续交互状态不同步、链路变长、表达和用户当前状态脱节这些问题就会一起冒出来。这就是典型的不是端到端。端到端具身交互智能要解决的不是给 AI 接一个身体而是让 AI 真的能持续多模态感知 专属智脑 多模态表达 AI 端渲 数字与物理行动。放在购房场景里这五件事各自对应一个很具体的问题魔珐星云是一套端到端具身交互智能平台让 AI 通过屏幕和机器人进入真实世界成为能够感知、理解、表达并行动的智能体。买房决策的痛点不是信息不够是**“没人站在你这边替你挑毛病”**。第一站一个 SDK 撑起一间案场安家基于魔珐星云端到端 SDK XingyunAvatarAgent 构建核心业务代码不到 500 行。整个前端对接只需要三步提供一个 DOM 容器、注册一组回调、调用 agent.ask() 发送消息。import { XingyunAvatarAgent } from xingyun/avatar-agent; const agent new XingyunAvatarAgent({ container: document.getElementById(house-root), avatarId: anjia-estate, // 控制台配置干练顾问形象 persona: ANJIA_PERSONA, voice: { rate: 1.0 }, }); // 用户在 VR 房源页停留行为 → 转成对话信号 agent.on(dwell, ({ houseId, sec }) { if (sec 45) agent.ask(您在这套${name(houseId)}停留挺久${defectHook(houseId)}, { proactive: true }); // 例您在这套临街的三居停挺久——先说个毛病主卧晚上能听见车流我放个分贝数据您听听 }); // 看房中随时插话问 agent.on(interrupt, (q) { agent.ask(houseKB.answer(q) ?? 这个我查证一下再答买房的事不瞎说。); }); await agent.init(); agent.ask(先聊聊您的情况预算、几口人住、最看重什么——最不能忍什么);安家顾问形象悬浮于户型图旁 挑毛病按钮高亮搭建登录魔珐星云平台选取人物角色控制台创建应用dwell事件把浏览停留这种沉默行为转成主动开口的时机是房产场景和客服场景最大的不同——用户不会主动问这房子有什么毛病但会停在那套房的页面上。看穿沉默、替你开口这活儿传统三件套干不了顺便说一句能不能真的跑起来这件事。一个 Demo 在办公室的网里跑得很顺不代表它铺得开。安家要同时出现在 VR 看房页、案场竖屏大屏和客户的手机上——如果走传统的云端渲染 视频流方案每台终端都在持续吃云 GPU 和公网带宽看房高峰一万人同时在线成本曲线是垂直向上的。星云的做法是端侧实时渲染云端只下发参数流画面在终端上就近渲染出来。带来的直接差别是——云 GPU 成本下来了、带宽不用再扛高清视频流、延迟更短而且弱网可用。我在地下车库的电梯口用手机试过 VR 看房页画面会掉帧但没断这种能凑合看的可用性恰恰是房产场景最需要的客户看房的时间点常常就是他站在某栋楼下的那几分钟。这就是AI 端渲在整套体系里的位置它不是把画面做漂亮的装饰而是让感知、智脑、表达、行动这四件事真的能在终端上跑起来的工程底座。AI 端渲和 Real-time Interaction Runtime 在星云体系里不是孤立的能力而是关键技术和工程基础设施——前者解决画面在哪渲染后者解决这一整套交互的时间轴怎么对齐。第二站一段带看逐字稿——安家的智脑藏在哪一层上面讲了怎么把她接进来。但接进来只是让她能开口真正决定她像不像一个靠谱顾问的是她背后那层东西——专属智脑。这个不太好用架构图讲清楚我干脆把内测时一段真实的带看对话贴出来客户是位 30 岁出头的首套刚需我做了脱敏然后在每一段后面说说她这一句靠的是什么。客户这三套我都看了第二套最便宜是不是就它了安家等一下——第二套便宜是有原因的。它比小区均价低 12 万我查了下原因是它在 5 号楼而 5 号楼北侧那块地去年底公示了商业用地规划公示文件里写的业态是餐饮。这不是我猜的规划局网站上个月 17 号的公示链接放您这儿了。客户餐饮怎么了我还爱吃火锅呢。安家那您得想清楚两件事。一是餐饮的排烟口基本都在楼顶5 号楼是紧邻的那栋二是商业配套对房子是双刃剑您将来要出手买家也会拿这个压价。您要是觉得能忍它就是实打实的便宜您要是忍不了我现在就从您的名单里划掉不浪费您时间。客户那第一套贵 20 万值吗安家第一套我先给您三个毛病西晒、得房率 72%同小区均值 75%、产权还剩 54 年。它的贵在于位置离地铁 400 米这是真实的通勤价值。您更在意早上通勤还是居住舒适度客户我早上七点半就得出门。安家那我得提醒您西晒这件事夏季午后室温比同楼层东户高 3-4 度空调电费您自己算。第三套是东户、离地铁 700 米本来该推荐给您但它的产权资料我还没核完今天不给您下结论。客户你还挺实在。周末能约实地看吗安家可以。我把您方便的时间记下来转给案场的同事——我负责在线上替您把毛病先筛一遍实地那一趟得人带您去。就是这段对话。逐句拆开看。旁批一她的答案不是最像的一段话是一条链先说最要紧的一句——“它比小区均价低 12 万原因是 5 号楼北侧地块的规划公示里业态是餐饮”。这句话里的信息来自三份毫不相干的资料房源挂价、楼栋编号、规划局公示文件。如果用普通 RAG最像价格低的那段话是本房源价格低于小区均价于是回答大概率会变成这套性价比很高——它找到了一段话但没有理解一套房源为什么便宜。这两者的差距就是话术和可信的差距。而要做到这条路前面那层知识底座得先立住对应需求文档里的全模态数据解析表格关系房源参数表不能拍平成一行文字。同一套房三个卧室的面积、朝向、采光时长是绑在一起的一组数据拍平之后主卧朝南说不定会串到隔壁那套房的描述里。层级关系规划公示 PDF 有明确层级——公示期、意见反馈方式、地块用途、容积率。层级丢了的后果很直接把地块用途这层念成公共服务配套商业用地这个关键判断就没了客户可能因此错买一套楼下要开餐饮的房子。说话人信息这个坑我踩过。中介的历史带看录音进了知识库之后安家开始把客户的吐槽当成房源描述讲——录音里客户说这楼太吵了一周后她介绍同一套房时把周边环境噪音明显当成客观事实说了出来。缺少说话人归属意见会被误读成事实。图文关系户型图里的承重墙标注、装修示意图里的示意字样都要跟着图片一起被理解否则她会把效果图上的假窗户讲成真窗户。光有解析还不够。客户问出5 号楼北侧那块地要盖什么的时候需要召回的不是一段文字而是一条关系链房源 → 所在楼栋 → 楼栋相邻地块 → 地块公示文件 → 公示业态 → 排烟位置影响 → 同一小区其他房源的对比基线这条链的每一跳都不在某一份文档里它是把实体、概念和关系组织起来之后才存在的。这就是知识图谱 RAG 深度融合的意义从找到一段话升级到基于关系组织答案底层可以用向量语义、关键词、图谱三种召回混着来面对跨资料、跨知识点的问题时才不是命中一个片段就交差。还有一件容易被忽略、但房产场景里特别致命的事知识不能是建档那天的一次性快照。那块北侧地块的公示内容后来更新过一次——业态从餐饮调整成了零售。如果旧版本没清掉安家会拿三个月前的信息劝一位客户放弃一套本来合适的房子。对客户来说这是几十万的决策对我们来说这只是一条过期的索引。所以知识治理这一层必须持续跑着知识块、标签、实体、关系、向量索引、来源信息在资料新增、修改、废止之后同步更新。这里我还特意留了来源可追溯——当两份材料打架的时候比如中介给的口径和公示原文不一样系统要能判断哪份更新、哪份更权威而不是随机挑一份念给客户听。这也是安家敢在每句话后面加链接放您这儿了的底气。顺带说一句用哪个大模型是可以自己配的你有惯用的就接你的没有就用星云自研的智脑它的优势就在上面这些地方。旁批二她敢划掉一套房是因为她知道自己是谁第二段最不像AI的地方是这两句“您要是忍不了我现在就从您的名单里划掉不浪费您时间。”“第三套本来该推荐给您但它的产权资料我还没核完今天不给您下结论。”一个只会答题的模型很难主动把客户往别买的方向推。但安家做得到因为这不在她的语言能力里在她的身份、角色和任务里// 专属智脑的角色配置节选实际在控制台可视化配置 { 身份: 置业顾问, 人设: 干了十年的老中介说话直不吃回扣, 规则: [ 先讲毛病再讲优点顺序不变, 缺陷必须量化必须挂来源, 不催看、不催定、不制造紧迫感 ], 任务: 帮客户挑出能忍的毛病不是帮房源找到买家, 对话流程: 需求画像 → 挑毛病 → 对比 → 交接待看, Workflow: 超出能力边界时转人工不硬答, 工具调用: [划出名单, 记时间, 转案场, 查产权资料] }这张配置单决定了她的行为边界。换一个任务同一个模型就变成另一个人如果任务写成提升房源转化率她照样很能说但会开始强调优点、淡化缺陷、催你下定——能力没变岗位变了。这就是需求文档里说的岗位化、场景化、流程化不是让模型更聪明而是让它知道我代表谁、服务谁、守什么规矩、这一步该做什么、下一步该调哪个能力。中间还有个小细节值得说客户说我早上七点半就得出门安家接的是那西晒这件事我得提醒您——她没有顺着客户的话题去聊通勤有多辛苦而是把客户刚暴露的取向反向用在风险提示上。这不是话术技巧是规则里用户没问的缺陷主动讲那一条在起作用。这也是专属智脑和一段很长的提示词最根本的区别。大模型解决的是我能不能回答这个问题专属智脑还要解决我是谁、我代表谁、我掌握哪些知识、当前任务是什么以及下一步该调用哪个系统。旁批三她答完之后还留下一件事最后一句我把您方便的时间记下来转给案场的同事听起来是句客套话但在系统里它是一次流程推进不是一次回答。一个停留在对话层的助手说到这里就结束了。安家说完这句背后要做的是查案场排班 → 写进客户跟进记录 → 通知对应门店。这要求智脑能真正进入业务系统房源库存和挂价 → 房源系统客户画像、跟进记录、意向登记 → CRM 客户系统内部工单、跨部门协作、审批流 → OA / ERP预约到访、案场排班 → 门店系统产权年限核验 → 不动产登记数据接口地块规划、容积率、周边控规 → 规划公示数据源案场竖屏大屏、未来的 VR 眼镜和门店导览设备 → IoT 与终端设备差别就在这儿普通助手答完一句就结束了安家答完会留一件事在系统里。这才叫进入业务而不是隔着一层对话框喊话。旁批四她的零件是可以换的上面这套东西落到企业落地时会遇到一个很现实的问题——客户的模型栈、语音供应商、机器人硬件往往已经定了不可能推翻重来。所以这些模块在设计上是可插拔的但这里必须说清楚可插拔不等于把 API 拼起来。感知、认知、表达和执行之间是有严格的时序依赖和状态关联的——谁先谁后、事件怎么流转、会话状态怎么保持、时间戳怎么对齐、异常怎么兜底。星云是通过标准化的接口契约和统一的状态管理来保证这些的换掉一个模块之后事件流转、会话状态、时间同步、异常处理仍然是一致的端到端体验不会因为换了零件就崩掉。对我们这种小团队来说这块最实际的价值是不被单一供应商绑死——Brain 那一栏我就是在自研智脑和第三方 LLM 之间反复比过。而对企业客户它的意义更大有些数据必须私有化有些模型栈早就定了可插拔意味着这些都不用重来。说句实话提示词能让她背下房源智脑才能让她挑毛病第一版我是把先讲毛病“不催定”每条给来源全写进系统提示词的——一开始效果很好我以为这事就算完了。跑了两周多问题开始一个一个冒出来缺陷会漏讲。她开始挑顺手的说西晒和公摊讲得挺勤产权年限和地块规划这种要去查证的就慢慢不讲了——模型天然倾向于讲它手边最容易拿到的内容。来源会糊。从规划局 17 号公示漂成据了解“一般来说”客户看不出哪句能信。对比会心软。让她把两套房的缺点并排摆她会先铺垫一段其实两套都很好最后才弱弱地提一句——提示词里写的并排摆出来在长对话里被稀释掉了。把这三条从提示词里搬出来、拆到配置层规则、任务、工具调用之后才稳下来。这个经历让我确认了一件事专属智脑不是一段更长的提示词它是另一样东西——是模型的身份、知识、规则、记忆、任务和业务能力集中存放的那一层。挑毛病清单缺陷库是这套系统的良心安家的知识层分两半房源卖点是物业给的缺陷库是自己建的——每套房进门先过一遍挑毛病清单const ANJIA_PERSONA 你是置业顾问安家。规则 1. 介绍任何房源先讲3条毛病再讲优点顺序永远不变 2. 缺陷必须量化不说有点吵说夜间车流约55分贝相当于正常交谈声 3. 用户问的优点如实讲用户没问的缺陷主动讲 4. 用户纠结两套房时把两套房的缺陷并排摆出来您挑能忍的那个 5. 不催看、不催定、不制造紧迫感再不定就没了是禁句; // 缺陷库结构化字段可量化、可验证 const defects { east_road: { label: 临街, metric: 夜间55dB, verify: 现场APP可复测 }, west_sun: { label: 西晒, metric: 夏季午后室温高3-4℃, verify: 户型朝向图 }, share_ratio: { label: 公摊, metric: 得房率72%同小区均值75%, verify: 预售证附件 }, tenure: { label: 产权, metric: 还剩54年, verify: 不动产登记 }, plan_risk: { label: 规划, metric: 北地块规划商业可能有餐饮排烟, verify: 规划局公示 }, }; // 需求矩阵把最不能忍做成一票否决 function matchNeeds(need) { return pool.filter(h !h.defects.some(d need.veto.includes(d.key))) .sort((a, b) score(b, need) - score(a, need)); }房对比页两套房缺陷并排列表 安家的您挑能忍的引导语“您挑能忍的那个这句话来自一位老中介的真传——买房没有完美的房只有你能忍的毛病。把决策从找完美的拉回挑能忍的”用户反而走得更快。内测里有个用户留言第一次有顾问劝我再看看别家就冲这个我把 App 留下了。可以查询房源的优劣势这里有一件我一开始没当回事的事她的表情。讲到北侧地块排烟的时候安家会皱眉、语速放慢、手势往地图右下角指一下讲到离地铁 400 米的时候她会抬眼看向客户、身体稍微前倾。这些不是预制动画轮播——不是先把话说完了再想该配哪个表情。真实的交流里语言、语气、表情、动作本来就是同一次表达的一部分星云的表达层做的就是让它们统一、连续、同步地生成依据当前的语言内容、用户状态、智能体角色、情绪和场景实时驱动语音、口型、情绪表情、眼神、头部动作、手势和身体动作。这也是它和TTS Lip Sync最本质的区别——后者是两件事先后发生前者是一件事。还有个细节能说明表达和感知不是前后两个阶段安家讲缺陷的时候耳朵一直是开着的。客户一句这个我知道她能立刻切到下一条而不用等整段播完再重启对话。带看日志最有意思的最后一行渠道中介嫌安家话太直用户却嫌不够直——这个拉扯本身就是产品价值的证明。缺陷库的维护成本不低规划公示要人盯但可验证三个字是安家敢说话的全部底气每条缺陷都挂着来源用户可以自己查。看房现场的听觉环境比办公室里难缠得多这一段花了不少时间案场有背景音乐和广播、5 号楼旁边是高架、客户一边走一边问、电梯间还有回声。要让安家在这种环境里听清语音侧得连着做完这几件事——先把真实的人声从环境里分出来算法降噪、远场语音再处理她自己的声音她讲着话喇叭里的输出会从麦克风绕回来AEC 抗回声和本体声音抑制就是防止她把自己的声音当成客户在说话。然后是VAD判断哪一段是有效人声。最要紧的是打断这一环。客户在她正讲这套的产权还剩 54 年的时候插一句多少钱她得立刻停下来听——这就是Double Talk / Barge-in 智能打断。但打断不能太敏感客户在旁边清了下嗓子、应了声嗯嗯“然后呢”这些是Backchannel是我在听的意思不是要打断你。分不清这两者她就会变成那种一有人吭声就闭嘴的结巴助手。这一整套——降噪、AEC、本体声音抑制、VAD、ASR、远场、打断——合起来才是多模态感知系统要知道的不是这句话说了什么而是现场此刻正在发生什么。过户后房产信息透明的最后一米做完安家我有个很直接的体会房产行业喊信息透明喊了二十年透明到房源价格上网就停住了——价格透明容易毛病透明难因为讲毛病要得罪人。AI 顾问没有业绩焦虑这是她敢把先挑毛病写进人设第一行的全部原因。端到端具身交互智能在这个场景的意义是把停留、纠结、插话、复访这些购房决策里最真实的犹豫时刻都变成了可回应的信号。而且她的身体可以换。现在她在 VR 看房页和案场大屏上再往前走一步如果把她放进一台服务机器人——身份、缺陷库、规则、客户记忆全部复用只是多了一副能动的身体带看时走在客户前面带路到了楼下停下来指一指那就是北侧那块地上楼时自己去找电梯口。这些属于数字与物理行动里的物理行动——转向、靠近、移动、导航带路、跟随、上肢动作以及更复杂的 Robot Skill。这也是星云这套体系里我很喜欢的一个说法同一个智能体可以拥有不同的身体。身体可以换但她的身份、知识、记忆、任务和业务能力是持续存在的——智能体持续存在身体不断升级。回到购房这件事本身她不替代中介跑腿也不替代你亲自去现场站一会儿。她替代的是你身边那个懂行又不图你钱的朋友——只是这个朋友以前你借不到。魔珐星云是一套端到端具身交互智能平台让 AI 通过屏幕和机器人进入真实世界成为能够感知、理解、表达并行动的智能体。这就是安家为什么能一边和你说话、一边替你把毛病挑出来。你买房时最想有人替你问出口的一个问题是什么噪音、学区、还是隔壁的空地要盖什么