企业官网建设流程全解析

1. 家居行业做AI落地，先搞清楚到底要解决什么问题

家居行业这两年聊AI的密度，比过去十年聊数字化转型加起来都高。我前后参与过三个家居类项目的AI落地，从定制衣柜的销售辅助，到软装门店的智能导购，再到工厂端的售后知识问答，踩过的坑比做成的功能多得多。这篇文章不讲概念，只讲我在实际项目里验证过的路径、参数和避坑经验，适合正在考虑给家居业务接入AI的产品负责人、技术负责人，以及想自己动手搭一套智能体的运营同学。

先说一个基本判断：家居行业做AI，最容易犯的错是“为了AI而AI”。老板刷到几个数字人直播的案例，回来就说我们也要搞一个；运营看到别人用知识库做客服，就要求一周上线。结果往往是钱花了，系统上线了，一线没人用。原因很简单——家居行业的业务链条太长，从获客、量尺、设计、报价、下单、生产、物流到安装售后，每个环节的信息密度和决策逻辑完全不同，用一个通用大模型去套，基本等于拿锤子找钉子。

所以落地第一步不是选工具，而是把业务问题拆到足够细，细到能判断AI到底能不能接。我一般用一张表来筛：

这张表的逻辑是：容错率高、有明确知识来源、不需要精确计算的环节，优先上AI；涉及钱、涉及生产、涉及法律责任的环节，AI只能做辅助，不能做决策。我见过一个项目，让大模型直接根据客户描述算定制柜报价，结果因为板材厚度、五金件、封边工艺的组合太多，模型算出来的价格和实际差了30%，最后只能推倒重来。

确定环节之后，再判断用哪种AI形态。家居行业目前主流就四种：数字人、知识库、智能体、AI大模型。这四个不是并列关系，而是层层递进的关系。大模型是底座，知识库是给大模型喂行业数据，智能体是让大模型能调用工具、执行任务，数字人是智能体的一个前端呈现形式。很多项目失败，就是因为跳过了知识库直接做数字人，数字人背后没有行业知识，回答全是车轱辘话，客户问三次就失去耐心。

我个人的建议是：家居行业落地AI，从知识库开始，再过渡到智能体，最后才考虑数字人。知识库是投入最小、见效最快、风险最低的切入点。一个门店的产品手册、常见问题、安装规范，整理成结构化文档，接入一个问答系统，当天就能让导购用起来。等知识库跑顺了，再让智能体去调用报价工具、预约系统、CRM，形成闭环。数字人放在最后，因为它的成本最高，而且如果没有前面的知识库和智能体支撑，数字人就是个会说话的摆设。

2. 知识库是家居AI的地基，但90%的人建错了

2.1 家居知识库的特殊性在哪里

家居行业的知识库和互联网行业完全不是一回事。互联网知识库可以靠爬网页、靠公开文档，家居行业的知识大量存在于老师傅的脑子里、经销商的微信聊天记录里、工厂车间的操作规范里。我做过一个统计，一个中型定制家居企业，真正能直接用的结构化文档不到总知识量的20%，剩下的80%是散落的：PDF产品图册、Excel报价表、微信语音、安装视频、售后工单记录。

这就决定了家居知识库的搭建，第一步不是选工具，而是做知识采集和清洗。我一般按这个顺序推进：

1. 盘点现有文档：把产品手册、工艺标准、售后政策、常见问题整理成清单，标注每份文档的更新频率和责任人。
2. 访谈一线人员：导购、设计师、安装师傅各找2-3个，问他们“客户最常问的10个问题是什么”“你遇到最棘手的问题是什么”，这些就是知识库的核心内容。
3. 清洗和结构化：把PDF转成文本，把Excel里的报价规则抽出来，把微信语音转成文字，然后按“产品-工艺-售后”三个维度分类。
4. 建立更新机制：指定专人负责，每月更新一次，新品上市、政策调整必须同步。

这里有个坑要特别提醒：不要试图一次性把所有知识都灌进去。我见过一个项目，把企业十年的文档全部丢进知识库，结果检索出来的答案互相矛盾，因为不同年份的产品标准不一样。正确做法是按业务场景分批建库，先建“门店导购问答库”，再建“售后安装库”，每个库独立维护，互不干扰。

2.2 工具选型：本地部署还是云端

家居行业对数据安全比较敏感，尤其是涉及客户信息、报价体系、工艺参数的内容。所以知识库的部署方式，我一般建议本地部署优先。目前主流的开源方案有Dify、FastGPT、RAGFlow，商业方案有Coze、扣子等。我实际用下来，Dify的流水线设计对家居行业比较友好，因为它可以把“文档解析-切片-向量化-检索-生成”拆成可视化节点，方便调试。

如果你选Dify本地部署，硬件配置参考这个：

显卡不是必须的，但如果要做本地大模型推理，24G显存的卡（比如4090）能跑7B-14B的模型，效果比调用云端API稳定，而且没有数据外泄风险。我实测下来，14B的模型在家居问答场景下，配合好的知识库，准确率能到85%以上，比很多通用大模型直接回答要靠谱。

2.3 文档切片：决定知识库质量的关键一步

知识库效果好不好，70%取决于文档切片。家居行业的文档有个特点：图文混排多、表格多、层级深。一份产品手册，可能一个产品有十几个参数，还有安装示意图。如果直接按固定字数切片，很容易把一张表格切成两半，检索的时候答非所问。

我的经验是按语义结构切片，而不是按字数。具体做法：

• 产品参数类：按“产品型号”切片，每个型号一个独立块，包含所有参数。
• 工艺标准类：按“工序”切片，比如“封边工序”一个块，“打孔工序”一个块。
• 售后政策类：按“问题类型”切片，比如“退换货”一个块，“保修范围”一个块。
• 安装指导类：按“步骤”切片，每个步骤一个块，配上对应的图示说明。

切片长度控制在300-500字，太短信息不完整，太长检索精度下降。切片之间要有重叠，一般重叠50-100字，防止上下文断裂。Dify里可以设置“分段标识符”，我一般用“##”和“###”作为主分段符，因为家居文档的层级通常就是按这个来的。

还有一个细节：表格一定要转成Markdown格式再入库。我试过直接丢Excel进去，检索出来的结果全是乱码。正确做法是把Excel转成Markdown表格，或者用“键值对”的形式描述，比如“板材厚度：18mm；环保等级：E0级”。这样检索的时候，模型能准确抓到参数。

3. 智能体才是家居AI的战斗力，但别一上来就搞复杂的

3.1 家居智能体的三个典型场景

知识库解决的是“问答”，智能体解决的是“办事”。家居行业目前跑通的智能体场景，我总结为三类：

第一类：销售辅助智能体。导购在接待客户时，智能体实时推荐话术、产品搭配、报价参考。比如客户说“我家客厅20平米，想要现代简约风”，智能体自动调取知识库里的搭配方案，结合报价工具算出预算区间，导购直接照着说就行。这个场景的关键是响应速度要快，超过3秒导购就不用了，所以模型要小、检索要快。

第二类：售后排查智能体。客户报修“柜门关不严”，智能体先问几个关键问题（是铰链问题还是柜体变形），然后给出排查步骤，如果判断需要上门，自动生成工单派给安装师傅。这个场景的关键是流程要闭环，不能只给建议不办事，所以智能体要能调用工单系统。

第三类：内容生成智能体。运营需要每天发短视频、写小红书文案，智能体根据产品库和热点词，自动生成脚本和文案。这个场景的关键是风格要可控，不能生成太离谱的内容，所以要用提示词约束输出格式。

这三类场景，我建议从销售辅助开始，因为它的反馈最快，导购用得好不好，当天就能看出来。售后排查涉及跨部门协作，推进难度大；内容生成对创意要求高，AI目前还替代不了人的判断。

3.2 智能体框架选型：LangChain还是Dify

技术团队常问的一个问题是：智能体开发用LangChain还是Dify？我的答案是看团队配置。

LangChain（配合LangGraph）适合有专职AI工程师的团队，灵活性高，可以深度定制。比如你要做一个“根据户型图自动生成设计方案”的智能体，需要调用图像识别、空间计算、方案生成多个模块，LangGraph的图结构能很好地编排。但它的学习曲线陡，一个简单的问答智能体，用LangChain写可能要几百行代码。

Dify适合业务团队或小团队，可视化编排，拖拽就能搭出一个智能体。它的工作流节点包括“LLM调用”“知识库检索”“条件判断”“代码执行”“HTTP请求”等，覆盖了家居行业80%的场景。我实测下来，一个销售辅助智能体，用Dify搭，半天就能跑通，用LangChain写，至少要两天。

我的建议是：先用Dify快速验证场景，跑通之后再考虑用LangChain重构核心模块。不要一上来就追求技术先进性，家居行业的AI落地，快比好重要。

3.3 智能体工作流搭建：以销售辅助为例

我拿一个实际跑通的销售辅助智能体，拆解一下工作流。这个智能体部署在门店的平板电脑上，导购接待客户时使用。

工作流节点：

1. 输入节点：导购输入客户需求，比如“三居室，预算5万，现代简约”。
2. 意图识别节点：判断客户需求类型，是“全屋定制”还是“单品购买”，是“风格咨询”还是“报价咨询”。
3. 知识库检索节点：根据意图，检索对应的知识库。风格咨询检索“风格案例库”，报价咨询检索“产品价格库”。
4. 条件判断节点：如果客户预算低于某个阈值，走“经济型方案”；高于阈值，走“品质型方案”。
5. LLM生成节点：把检索结果和客户需求一起喂给模型，生成推荐话术。
6. 工具调用节点：如果需要报价，调用报价API，返回价格区间。
7. 输出节点：把话术和报价展示给导购。

这个工作流里，最关键的是意图识别和条件判断。意图识别不准，检索就会跑偏；条件判断太粗，推荐就不精准。我一般用“小模型+规则”做意图识别，比如用BERT微调一个分类模型，准确率能到90%以上，比直接用大模型判断快得多。

还有一个细节：知识库检索要加“重排序”。Dify里可以配置Rerank模型，我一般用BGE-Reranker，它能把最相关的文档排到前面。实测下来，加了重排序之后，答案准确率能提升15%左右。

4. 数字人：家居行业最容易被高估的AI形态

4.1 数字人在家居行业的真实价值

数字人直播、数字人导购，听起来很酷，但我在实际项目里发现，家居行业的数字人，目前只适合做“标准化内容输出”，不适合做“个性化交互”。

什么叫标准化内容输出？比如产品介绍视频、品牌宣传片、安装教程，这些内容脚本固定，数字人照着念就行，成本比真人拍摄低，而且可以批量生成。我帮一个客户做过测试，用数字人生成100条产品介绍视频，成本不到真人拍摄的十分之一，而且可以快速迭代。

但如果是客户咨询，比如“我家层高2.8米，能不能做吊顶”，数字人就很难应对。因为它需要理解空间关系、调取产品参数、判断可行性，这些不是数字人的强项。我见过一个项目，数字人导购上线一个月，客户满意度只有40%，因为回答太机械，客户问三次就转人工了。

所以我的判断是：数字人在家居行业，短期内的定位是“内容生产工具”，不是“交互工具”。用它来做短视频、做产品展示、做培训课件，性价比很高；用它来做客服、做导购，目前还不到时候。

4.2 数字人制作的实际流程和成本

如果你决定做数字人，我分享一下实际流程。目前主流方案有两种：真人驱动和AI驱动。

真人驱动就是找真人拍摄一段视频，然后用工具（比如剪映的卡通人物数字人功能）生成数字人形象。这种方案成本低，一个形象几百到几千块，但需要真人出镜，而且动作比较僵硬。

AI驱动是用大模型生成形象和动作，成本高，一个定制形象要几万块，但灵活度高，可以生成各种场景。

我一般建议先用真人驱动验证效果，跑通了再考虑AI驱动。具体步骤：

1. 确定脚本：把产品介绍写成口语化脚本，控制在1-2分钟。
2. 拍摄素材：找真人拍摄，注意光线、背景、服装统一。
3. 生成数字人：用剪映或其他工具，导入素材，生成数字人形象。
4. 合成视频：把脚本输入，生成视频，加上字幕和背景音乐。
5. 批量生产：换产品、换脚本，批量生成。

这里有个坑：数字人的口型和语音要匹配。我见过很多数字人视频，口型对不上，看起来像配音，客户一眼就看出是假的。所以语音合成要选自然度高的，语速要适中，不要追求快。

4.3 数字人和智能体的结合

数字人如果只是念稿，价值有限。真正有价值的是数字人+智能体，也就是数字人背后有一个智能体在驱动，能实时回答问题。

这个方案技术上可行，但成本高。需要把数字人的语音识别、智能体的知识库检索、语音合成串起来，延迟要控制在2秒以内，否则交互体验很差。我实测下来，目前的开源方案，延迟普遍在3-5秒，客户等不了。

所以我的建议是：数字人+智能体，先用在内部培训场景。比如新员工培训，数字人扮演客户，智能体扮演导购，模拟接待场景。这个场景对延迟不敏感，而且能快速验证效果。等延迟问题解决了，再考虑对外使用。

5. 家居AI落地的常见问题和排查技巧

5.1 知识库检索不准怎么办

这是最常见的问题。客户问“柜门关不严怎么办”，知识库里明明有答案，但检索出来的却是“柜门安装规范”。原因通常是切片粒度不对或者检索策略有问题。

排查步骤：

1. 检查切片：把检索出来的文档块打印出来，看内容是否完整。如果切片太碎，信息不完整，就要调整切片长度。
2. 检查向量模型：家居行业有很多专业术语，通用向量模型可能理解不了。我一般用BGE或M3E，对中文支持好，而且可以微调。
3. 加重排序：检索出Top10之后，用Rerank模型重新排序，把最相关的排到前面。
4. 加关键词过滤：如果客户问题里有明确的关键词，比如“柜门”，可以在检索时加过滤条件，只检索包含这个关键词的文档。

我踩过的一个坑是：知识库里有多份文档讲同一个问题，但说法不一样。比如“保修期”，有的文档写“三年”，有的写“五年”。这种情况，检索出来的答案会矛盾。解决办法是建立唯一权威源，所有政策类问题，只保留一份最新文档，其他文档标注“已废弃”。

5.2 智能体调用工具失败怎么办

智能体调用报价API、工单系统时，经常失败。原因可能是参数格式不对、接口超时、权限不足。

排查步骤：

1. 看日志：Dify里可以看每个节点的执行日志，找到失败的节点。
2. 检查参数：把智能体生成的参数和API要求的参数对比，看格式是否一致。比如日期格式，API要“2024-01-01”，智能体可能生成“2024年1月1日”。
3. 加超时重试：在工具调用节点加超时设置，比如3秒，失败后重试一次。
4. 加兜底逻辑：如果工具调用失败，智能体要能给出兜底回答，比如“报价系统暂时不可用，请稍后再试”，而不是直接报错。

我一般会在智能体里加一个“异常处理”节点，捕获所有工具调用失败的情况，统一返回友好提示。这样即使工具挂了，客户体验也不会太差。

5.3 数字人视频被平台限流怎么办

数字人视频容易被平台判定为“低质内容”，导致限流。原因是内容同质化严重、口型不自然、缺乏真人互动。

解决办法：

1. 脚本差异化：不要用同一个模板套所有产品，每个产品要有独特的卖点。
2. 加入真人元素：比如开头用真人出镜，中间用数字人，结尾再切回真人。
3. 控制发布频率：不要一天发几十条，控制在3-5条，避免被判定为机器行为。
4. 优化口型：用自然度高的语音合成，语速不要太快，口型匹配度会好很多。

我实测下来，数字人视频的完播率，比真人视频低20%左右，但成本低80%。所以如果你的目标是“铺量”，数字人划算；如果目标是“爆款”，还是得真人。

5.4 常见问题速查表

6. 我踩过的坑和给你的实操建议

第一个坑：不要用通用大模型直接回答家居问题。我试过用GPT直接回答“定制柜用什么板材好”，它给的建议很泛，什么“实木颗粒板”“多层实木板”，但没有结合具体场景。家居问题高度依赖场景，必须用知识库约束。

第二个坑：不要一次性把所有业务都接入AI。我见过一个项目，把获客、接待、设计、售后全部接入，结果每个环节都不精，最后全部下线。正确做法是单点突破，跑通一个再复制。

第三个坑：不要忽视一线人员的培训。AI工具再好，一线不用就是零。我一般会做三件事：一是把AI工具嵌入他们现有的工作流，不增加额外操作；二是做简单的培训，比如“怎么问问题才能得到好答案”；三是建立反馈机制，一线觉得不好用，要能快速调整。

第四个坑：不要追求100%准确率。AI不是万能的，家居行业很多问题需要人的判断。我一般把AI的定位定为“辅助”，准确率到80%就上线，剩下的20%由人工兜底。这样既降低了风险，又能快速迭代。

最后分享一个我常用的提示词模板，用于家居销售辅助智能体：

你是家居行业的销售辅助助手，请根据客户需求，从知识库中检索相关信息，生成推荐话术。 客户需求：{客户输入} 知识库检索结果：{检索结果} 要求： 1. 话术要口语化，像导购在跟客户聊天。 2. 推荐方案要具体，包含产品型号、材质、价格区间。 3. 如果知识库没有相关信息，直接说“这个问题我需要确认一下”，不要编造。 4. 输出格式：先一句话总结推荐，再分点说明理由。

这个模板的关键是约束输出格式和明确兜底逻辑。我实测下来，加了这两条之后，智能体的回答质量明显提升，导购的采纳率从40%提高到了70%。

家居行业的AI落地，说到底不是技术问题，是业务问题。技术方案再先进，如果解决不了导购的实际痛点，就是白搭。我的经验是：从最小的场景切入，用最快的速度验证，拿到一线反馈之后再迭代。不要等完美方案，先跑起来，边跑边调。