企业官网建设流程全解析

1. 建筑方案协作里，AI 到底能帮上什么忙

干了十几年建筑设计，我最怕听到的一句话就是“你先随便画两版看看”。随便画两版，背后是方案逻辑、场地关系、功能流线、立面语言、规范限制一大堆东西，真要“随便”画出来，往往就是熬夜到凌晨三点，第二天还被说“方向不对”。所以当“AI 成为建筑方案的协作搭档”这个说法出现时，我第一反应不是兴奋，而是警惕：它到底能不能理解建筑方案的特殊性，还是又一个只会生成漂亮废图的玩具。

先说结论。AI 在建筑方案阶段最有价值的地方，不是替你“设计”，而是帮你把脑子里那些还没成型的构思快速变成可看、可改、可讨论的东西。建筑方案的前期本质上是一个“翻译”过程：把模糊的空间意图翻译成图形，把抽象的场地条件翻译成体块关系，把业主嘴里“想要那种感觉”翻译成具体的比例和材质。这个过程里，人的判断不可替代，但重复劳动和信息整理完全可以交给 AI 来打配合。

我现在的定位很清楚：AI 是我的协作搭档，不是主创。它负责快速出草稿、做变体、整理资料、生成分析图底稿、把文字描述转成可视化参考；我负责判断哪个方向值得深入、哪个比例不对、哪个流线会出问题。这个分工一旦理顺，方案前期的效率提升非常明显。以前一个住宅组团的概念推敲，从场地分析到三版体块模型，差不多要两到三天；现在借助 AI 工具链，半天就能把可讨论的素材铺满桌面。

这篇文章适合谁看？如果你是建筑学学生，正在为课程设计的前期概念发愁；如果你是设计院或事务所的方案建筑师，天天被要求“多出几版”；如果你是独立设计师，一个人要兼顾创意、表达和汇报，那这套协作思路应该能帮到你。我不打算讲空泛的“AI 赋能设计”，而是把我实际用下来的一套流程、工具组合、参数设置和踩过的坑，尽量说透。

需要提前说明的是，AI 生成的建筑图像和方案逻辑，目前还不能直接当作施工依据，它的价值集中在“构思可视化”和“协作沟通”这两个环节。把它放在正确的位置上，它就是好帮手；指望它一键出施工图，那只会失望。

2. 整体协作思路：为什么这样搭工作流

2.1 从“线性设计”转向“并行推敲”

传统方案设计流程是线性的：场地分析、概念生成、体块推敲、平面深化、立面表达、效果图制作，一环扣一环。这个流程的问题在于，前期一个判断失误，后面全部返工。而 AI 介入之后，最大的改变是让多个环节可以并行。你可以在做场地分析的同时，就让 AI 根据文字描述生成几组体块关系；可以在推敲平面的同时，让 AI 出对应的立面意向。这种并行不是乱来，而是把“构思—表达—反馈”的循环压缩到极短。

我自己的做法是，把方案前期拆成三条并行的线：第一条是信息线，包括场地条件、规范要点、类似案例；第二条是图形线，包括体块、平面、立面、透视；第三条是沟通线，包括汇报文本、分析图、对比方案。AI 在三条线上都能插上手，但介入方式不同。信息线用大模型做整理和摘要，图形线用生成工具做变体，沟通线用可视化工具做排版和图表。

为什么这样分？因为建筑方案的核心矛盾是“信息量太大”和“决策时间太短”。并行处理能让信息更早暴露，让决策更有依据。我试过纯线性做一个小型文化建筑，光是等效果图公司出图就耗掉一周，期间方案几乎停滞。后来改成并行，效果图意向当天就能看到，虽然精度不高，但足够支撑方向判断。

2.2 工具选型的底层逻辑：不追新，追稳定

市面上 AI 工具更新极快，今天这个模型明天那个插件。我的选型原则只有三条：第一，输出可控，不能每次生成都像开盲盒；第二，能和现有工作流衔接，不能为了用 AI 把 CAD、SketchUp、Rhino 全扔掉；第三，本地或私有化部署优先，方案图纸涉及保密，不能随便往公开平台传。

具体来说，图形生成我用的是本地部署的 Stable Diffusion 配合建筑类 LoRA 模型，这样出图风格稳定，也不会泄露项目信息。大语言模型方面，我用 Ollama 在本地跑开源模型做文本整理和提示词优化，涉及敏感信息时绝不上传云端。可视化部分，ECharts 和轻量级图表库足够应付大部分分析图需求，没必要上重型 BI 工具。协作沟通则用普通的在线文档加截图，保持团队都能访问。

这里要特别提醒：不要被“无限制生成”这类词带偏。建筑方案需要的是精确和可复现，不是无限随机。一个每次生成都不同的工具，在方案阶段反而添乱。我宁愿要一个输出稳定、参数可调的工具，也不要一个花哨但不可控的。

2.3 人机分工的边界在哪里

这条边界我摸索了很久。现在我的划分是：AI 负责“广度”，人负责“深度”。AI 可以在十分钟内给你二十个体块变体，但哪个变体真正回应了场地的高差、日照和风向，需要人来判断。AI 可以生成漂亮的立面意向，但立面开窗是否满足采光规范、材料是否可实施，需要人来把关。

还有一个容易被忽略的点：AI 不擅长处理“矛盾需求”。业主说“要通透又要私密”“要标志性又要低调”，这种矛盾恰恰是建筑方案的核心张力所在。AI 往往会选择折中，生成一个平庸的结果。这时候人的价值就体现出来了——不是折中，而是创造性地解决矛盾。所以我把 AI 定位为“提案者”，把人的角色定位为“决策者”和“深化者”。

3. 核心环节拆解：从文字构思到可视化方案

3.1 把模糊想法变成结构化提示词

很多人用 AI 做建筑方案，第一步就卡住了：不知道怎么写提示词。我的经验是，建筑方案的提示词不能像写诗，要像写任务书。一个可用的建筑提示词至少包含六个要素：建筑类型、场地环境、体量关系、立面特征、材质色调、视角与氛围。

举个例子，我要做一个滨水的小型图书馆，最初的构思是“轻盈、悬浮、与水面呼应”。直接把这个词丢给 AI，出来的东西大概率是玻璃盒子加水面倒影，毫无新意。我会把它拆成结构化描述：建筑类型是两层小型公共图书馆，场地是缓坡临水，体量关系是底层架空、上层悬挑，立面特征是横向长窗加竖向遮阳百叶，材质是浅色混凝土加木格栅，视角是黄昏人视角度，氛围是安静通透。这样生成的图像才有参考价值。

这里有个实操技巧：先用本地大模型把中文构思翻译成英文提示词，再手动调整关键词权重。建筑类生成对术语很敏感，“悬挑”和“漂浮”出来的结果完全不同。我一般会把核心体量词权重调高，把氛围词权重调低，避免氛围压过形体。

3.2 体块推敲阶段的快速变体生成

体块推敲是方案前期最耗时的环节之一。传统做法是在 SketchUp 里手动拉模型，改一个体块关系要重新拉一遍。用 AI 之后，我可以在半小时内生成几十个体块变体，然后挑出三到五个有潜力的方向，再回到建模软件里精确深化。

具体操作上，我会用 Stable Diffusion 的图生图功能，先画一个简单的体块草图，然后用不同的提示词生成变体。关键参数是去噪强度，一般设在 0.4 到 0.6 之间。太低则变化不大，太高则完全脱离原草图。我试过 0.75，结果生成的体块和原草图毫无关系，等于白画。0.5 左右比较平衡，既能保持基本关系，又能产生有意义的变化。

还有一个技巧是控制随机种子。找到一组好的体块关系后，固定种子，只微调提示词里的材质或视角，这样可以在同一体块逻辑下生成不同表达，方便对比。这个做法在向业主汇报时特别有用，业主看到的是同一方案的不同可能性，而不是一堆互不相关的图。

3.3 平面与立面的联动生成

平面和立面的联动是建筑方案的核心难点。AI 目前还不能直接生成符合规范的平面图，但可以辅助生成平面意向和立面意向，帮助快速判断空间氛围。我的做法是，先用 AI 生成立面意向，确定开窗节奏和材质关系，再回到 CAD 或 Rhino 里手动绘制平面，确保功能流线合理。

这里要强调一个原则：AI 生成的立面不能直接反推平面。因为 AI 不懂结构逻辑和规范限制，它生成的悬挑可能跨度离谱，开窗可能违反防火间距。我一般把 AI 立面当作“氛围参考”，而不是“技术依据”。真正深化时，还是要靠人来做结构选型和规范核对。

不过，AI 在平面意向生成上有一个意外好用的场景：复杂功能区的气泡图整理。把功能需求文字输入大模型，让它生成功能关系气泡图，再手动调整，比从零画起快很多。这个做法在医疗、教育类建筑的前期策划中特别实用。

3.4 分析图与可视化表达的自动化

方案汇报离不开分析图。传统做法是用 Illustrator 或 Photoshop 手动绘制，一张日照分析图可能要调半天。现在我用 Python 加 ECharts 做数据可视化，把场地数据、日照数据、流线数据快速转成图表，再叠加到总平面上。这个过程可以脚本化，一次写好，后续项目改改参数就能复用。

比如日照分析，我用 Python 读取场地周边建筑的阴影数据，生成热力图，再用 ECharts 渲染成可交互的图表。汇报时可以直接在浏览器里展示，比静态图片直观得多。流线分析也是类似思路，把不同人流的路径数据可视化，用颜色区分，一目了然。

这里的技术门槛不高，会基本的 Python 和 ECharts 配置就行。我在本地用 Ollama 跑模型辅助写代码，遇到不会的图表类型直接问，生成的代码改改就能用。这个组合对建筑师的编程要求降到了最低，值得花一个周末学一下。

4. 实操流程：一个滨水文化中心方案的前期推敲

4.1 场地信息整理与关键词提取

拿我最近做的一个滨水文化中心举例。场地是城市河道旁的一块狭长用地，北侧是城市道路，南侧是河道，东西两侧是既有建筑。业主需求是文化展示、小型剧场、咖啡休闲三大功能，希望建筑“融入环境但不失标志性”。

第一步是信息整理。我把场地条件、业主需求、规范要点输入本地大模型，让它生成一份结构化的设计任务书摘要。这一步用 Ollama 跑开源模型，十分钟出结果。摘要里包括：用地面积、容积率限制、建筑限高、退线要求、功能面积配比、日照和通风要点。这些信息后续会作为提示词的一部分，确保 AI 生成的方向不跑偏。

关键词提取也很关键。我从摘要里挑出核心词：滨水、狭长用地、文化展示、小剧场、咖啡、融入环境、标志性、轻盈、水平线条。这些词会按权重分配到提示词里，形体类词权重高，氛围类词权重低。

4.2 第一轮体块生成与筛选

第一轮生成我用的是图生图，先手绘一个简单的体块草图：底层退台面向河道，上层体量横向展开，中间挖一个庭院。去噪强度设 0.5，生成 20 张变体。筛选标准有三条：体量关系是否回应场地狭长特征、是否有面向河道的开放界面、是否有可识别的标志性元素。

20 张里大概有 5 张值得深入。我把这 5 张的种子固定，分别微调提示词，生成不同材质和视角的版本。这一步大概花了一个小时，产出了 15 张可讨论的图像。如果按传统方式建模渲染，这个工作量至少两天。

筛选时要注意，不要被漂亮的渲染效果迷惑。有些图光影氛围很好，但体块逻辑混乱，这种要果断放弃。我一般先把图缩小到拇指大小看轮廓，轮廓站得住的才值得细看。

4.3 平面功能与立面意向的交叉验证

选出三个体块方向后，我开始做平面功能布局。这一步回到 Rhino 手动绘制，因为功能流线必须精确。平面画完后，再把平面轮廓截图，用图生图生成对应的立面意向，验证体块和功能是否匹配。

这里有个交叉验证的技巧：把平面图旋转 90 度再生成立面，看看 AI 是否能识别出体块关系。如果旋转后生成的立面和正放时差异很大，说明体块逻辑不够清晰，需要回去调整。这个做法听起来有点玄，但实测下来对检验体块一致性很有帮助。

三个方向里，最终选了一个底层架空、上层悬挑、中间庭院的方案。理由是它既回应了滨水开放需求，又通过悬挑形成了标志性，同时庭院解决了狭长用地的采光问题。这个判断是 AI 做不出来的，它需要综合场地、功能、规范和业主偏好。

4.4 汇报材料的快速组装

方案确定后，汇报材料的组装也用 AI 加速。分析图用 Python 加 ECharts 生成，效果图意向用之前生成的图像筛选整理，汇报文本用大模型辅助润色。整个汇报文件从确定方案到完成，大概花了半天时间。

这里要提醒一点：AI 生成的汇报文本不要直接使用。大模型写建筑描述容易堆砌形容词，读起来空洞。我的做法是让 AI 生成初稿，然后手动改写，把具体的设计逻辑和数据加进去。比如“建筑与环境和谐共生”这种话要改成“底层架空 4.5 米，形成连续滨水灰空间，与河道步道衔接”。

5. 常见问题与排查技巧实录

5.1 生成图像千篇一律怎么办

这是最常见的问题。原因通常是提示词太泛，或者模型缺少建筑类训练。解决办法有三个：第一，提示词里加入具体的建筑类型和场地特征，越具体越好；第二，使用建筑类 LoRA 模型，这类模型在专业社区可以找到；第三，调整采样器和步数，不同的采样器对建筑形体的表现差异很大。

我自己的参数组合是：采样器用 DPM++ 2M Karras，步数 30，CFG 缩放 7。这套参数在建筑体块生成上比较稳定。如果生成结果还是太雷同，就换种子，或者手动在草图里加入变化。

5.2 生成结果不符合规范怎么办

AI 不懂规范，这是硬伤。我的处理方式是，把规范要求转化成提示词里的负面词。比如防火间距不够，就在负面词里加入“过近的建筑间距”；采光不足，就加入“封闭的立面”。但负面词只能减少问题，不能根治。真正的规范核对还是要靠人。

我一般会在方案前期就做一轮粗略的规范自查，把明显违规的方向直接排除，不浪费时间去深化。这个习惯是从一次惨痛教训来的：曾经花了两天深化一个 AI 生成的漂亮方案，结果发现消防车道进不去，全部推翻。

5.3 团队协作时如何统一 AI 输出风格

团队里每个人用 AI 的习惯不同，输出风格容易乱。我的做法是建立一套团队提示词模板和参数预设，大家共用。模板里固定建筑类型、场地描述、视角和材质关键词，只留体量和氛围部分让个人发挥。参数预设包括采样器、步数、CFG 和常用 LoRA 权重。

另外，团队共享一个种子库，把好用的种子记录下来，方便复现。这个做法看起来笨，但实际用下来，团队出图的一致性明显提升，汇报时不会出现风格割裂的问题。

5.4 常见问题速查表

5.5 几个踩过的坑和独家技巧

第一个坑是过度依赖 AI 出图。有段时间我几乎把所有体块推敲都交给 AI，结果发现自己的空间判断力在退化。后来我强制自己每天至少手绘一张草图，保持对尺度和比例的敏感。AI 是工具，不能替代基本功。

第二个坑是忽略数据安全。早期我用公开平台生成方案图，后来意识到项目信息可能被用于训练，赶紧换成本地部署。建筑项目涉及业主隐私和商业机密，这一点不能马虎。

第三个技巧是用 AI 做“反向提问”。把方案描述输入大模型，让它扮演挑剔的评审，提出十个可能被质疑的问题。这个做法能帮你提前发现方案漏洞，汇报时更有底气。我试过几次，AI 提出的问题虽然有些外行，但确实能触发新的思考角度。

第四个技巧是建立个人素材库。把每次生成的好图、好提示词、好种子分类存档，时间长了就是一个可复用的资源库。我现在做新项目，第一步就是翻素材库找参考，比从零开始快得多。

6. 协作搭档的边界与长期价值

6.1 哪些环节适合 AI，哪些必须人工

经过一年多的实践，我总结出一条清晰的边界：信息整理、变体生成、氛围表达、图表制作，这四类工作适合 AI；功能布局、规范核对、结构选型、材料确定，这四类必须人工。这条边界不是绝对的，但大方向不会错。

为什么功能布局必须人工？因为功能布局涉及大量隐性知识，比如医院手术室和供应室的关系、学校普通教室和专用教室的噪音干扰，这些知识 AI 目前掌握得很浅。它生成的平面看起来合理，实际使用会出问题。

为什么氛围表达适合 AI？因为氛围本质上是视觉和情绪的匹配，AI 在这方面有天然优势。它能快速生成不同光影、材质、视角的组合，帮你找到最接近构思的那一张。

6.2 从工具到搭档：心态的转变

把 AI 当工具，你会想着怎么用它替代人力；把 AI 当搭档，你会想着怎么和它配合。这个心态转变很重要。工具是冷的，用完就放下；搭档是有反馈的，你给它输入，它给你输出，你再判断，它再调整。这个循环本身就是设计过程的一部分。

我现在的工作状态是，早上到办公室先和 AI“聊”半小时，把当天的设计任务拆解成提示词，生成一批素材，然后开始手动深化。下午再根据深化结果，让 AI 生成新的变体，验证方向。这种节奏比纯手动快，也比纯 AI 稳。

6.3 对建筑教育的一点观察

带过几个实习生之后，我发现一个现象：会用 AI 的学生，前期概念阶段明显更敢想，因为他们知道快速可视化不是问题；但到了深化阶段，基本功不扎实的问题就暴露出来。AI 能帮你把想法画出来，但不能帮你把想法想清楚。

所以我的建议是，建筑学的基本功不能丢。手绘、建模、规范、构造，这些是根。AI 是叶，根深才能叶茂。把 AI 当作协作搭档，前提是你自己得是个合格的搭档。

6.4 后续可以扩展的方向

这套协作流程目前主要用在方案前期，后续可以往两个方向扩展。一是和参数化设计结合，用 AI 生成体块逻辑，再用 Grasshopper 做精确控制，实现从意向到模型的半自动衔接。二是和可视化大屏结合，把方案数据和分析图表整合成可交互的汇报界面，提升沟通效率。

这两个方向我都在尝试，目前还在摸索阶段。参数化结合的门槛在于提示词和参数之间的映射关系不好建立，可视化大屏的门槛在于数据整理的工作量不小。但方向是明确的，值得投入时间。

最后分享一个我个人的体会：AI 在建筑方案里最大的价值，不是让你画得更快，而是让你想得更多。以前因为表达成本高，很多想法在脑子里就被否决了；现在表达成本降下来，更多可能性被释放出来。这个变化对设计本身是好事，前提是你还保持着判断力。