企业官网建设流程全解析

1. 室内设计公司为什么需要一套自己的 AI 智能体

干了十几年设计公司的信息化顾问，我见过太多团队在“要不要上 AI”这件事上反复横跳。有的老板刷到几条短视频就拍板要搞，结果买回来一堆账号，设计师用两天就扔一边了；有的则完全抵触，觉得 AI 出的图“没有灵魂”，继续让助理熬夜改 CAD。这两种极端我都经历过，最后发现真正跑得通的，是那种把 AI 当成“数字员工”来管理的思路——不是买一个万能工具，而是搭一套能嵌入现有业务流程的智能体系统。

室内设计这个行业有个很特殊的地方：它既是创意行业，又是重交付、重沟通、重文档的行业。一个中型设计公司，通常有方案组、深化组、软装组、商务组，每个组每天产生的信息量极大——客户需求变更、材料清单更新、施工图版本迭代、报价调整、供应商询价记录。这些信息散落在微信、邮件、Excel、PDF 和设计师的脑子里。新人来了要花三个月才能摸清一个项目的来龙去脉，老员工离职带走的是“隐性知识”。这就是为什么我建议设计公司搭 AI 智能体时，不要一上来就追求“自动出图”，而是先把知识沉淀和流程自动化做扎实。

标题里提到的“5 个业务 Agent + RAG 知识库”，其实是一个非常务实的架构。5 个 Agent 分别对应设计公司最耗人力的五个环节：客户需求解析、方案素材检索、材料与报价匹配、施工图规范审查、项目进度跟进。RAG 知识库则是把这些环节里用到的文档、案例、规范、报价单全部向量化，让 Agent 能“查得到、答得准”。这套东西不是替代设计师，而是把设计师从重复劳动里解放出来，让他们把时间花在真正的创意和客户沟通上。

适合谁来参考这套方案？我建议是三类人：一是设计公司的创始人或合伙人，你想知道这笔钱花得值不值；二是设计公司的运营负责人或 IT 负责人，你需要一份能落地的需求清单和预算框架；三是独立设计师工作室的主理人，你人手少，更需要 AI 帮你扛住杂事。不管你是哪一类，接下来的内容我会把每个 Agent 的职责、RAG 知识库的搭建要点、预算分配的逻辑，以及我踩过的坑，全部拆开讲清楚。

2. 五个业务 Agent 的职责拆解与选型逻辑

2.1 客户需求解析 Agent：把“感觉”翻译成“参数”

设计公司最头疼的事情之一，就是客户说“我想要一个温馨又高级的客厅”，然后你追问具体需求，客户自己也说不清。这个 Agent 的核心任务，就是把自然语言里的模糊描述，转化成结构化的设计参数。比如“温馨”可能对应色温 2700K-3000K、材质偏好棉麻和原木、“高级”可能对应金属收边、石材台面、无主灯设计。这些映射关系不是 AI 凭空编的，而是从公司过往成功案例的客户沟通记录里提炼出来的。

我建议这个 Agent 的输入接口做成一个简单的表单：客户基本信息、房屋类型、预算区间、风格偏好关键词、参考图片上传。Agent 收到后，先调用 RAG 知识库检索相似案例，再输出一份《需求解析报告》，包含风格定位、色彩建议、材质建议、必须避开的雷区。这里的关键是“必须避开的雷区”——很多设计师不好意思问客户“你不喜欢什么”，但 AI 可以毫无感情地问出来，而且会记录在案。

选型上，这个 Agent 对模型的要求是“理解力强、输出结构化”，我实测下来，用中等规模的通用大模型加上精心设计的提示词模板就能跑得不错。不需要上最贵的模型，因为它的任务边界很清晰。成本大概在每月 200-400 元（按 API 调用量估算），如果公司每月新签项目在 10 个以内，这个量级完全够用。

2.2 方案素材检索 Agent：让找图不再靠翻硬盘

设计师找参考图的时间，保守估计占方案阶段的三分之一。公司共享盘里几万张图，命名混乱，标签缺失，搜“现代简约客厅”出来的结果一半是欧式。这个 Agent 要解决的就是“精准找图”的问题。它的底层是 RAG 知识库里的图片向量库，每张入库的图片都要经过自动打标——风格、空间类型、色彩主调、材质元素、灯光类型。打标可以用多模态模型批量处理，一张图成本不到一分钱。

检索的时候，设计师输入“想要一个带弧形沙发和落地窗的现代客厅”，Agent 会返回最匹配的 10-20 张图，并且每张图附带来源项目、设计师、客户反馈（如果当时有记录）。这个功能的价值在于“复用成功经验”。我见过一个公司，把过去三年客户满意度最高的 200 个项目图片全部入库，新项目方案阶段直接调取，设计师改改就能用，效率提升非常明显。

注意：图片入库前一定要做版权清洗。公司自己拍的照片、自己画的图没问题，但从网上随便存的图如果入库了，后续被检索出来用在方案里，会有法律风险。我建议入库时加一个“版权状态”字段，只允许“自有”和“已授权”的图片进入检索池。

2.3 材料与报价匹配 Agent：把询价从三天缩到三分钟

材料询价是设计公司最琐碎、最容易出错、也最容易被客户投诉的环节。同一个品牌的不同系列，价格能差三倍；同一个材料，不同供应商报价能差 20%。这个 Agent 要做的是：设计师选定材料后，自动从 RAG 知识库里的供应商报价库中匹配最新价格，生成带品牌、型号、规格、单价、供应商联系方式的报价单草稿。如果知识库里没有这个材料，Agent 会自动生成一封询价邮件模板，设计师确认后一键发送。

这里有个关键设计：报价库必须带“有效期”字段。材料价格波动大，尤其是石材、木材、金属。我建议设置自动提醒，超过 30 天未更新的报价，Agent 在生成报价单时会标注“价格可能过期，建议重新询价”。这个细节能帮公司避免很多扯皮。

预算方面，这个 Agent 的开发成本主要在报价库的初始化和供应商对接上。如果公司已经有 Excel 报价表，迁移成本不高；如果全靠手工录入，前期需要投入一个人力大概两周时间。API 调用成本每月 100-200 元，因为它的任务主要是检索和模板生成，不需要太复杂的推理。

2.4 施工图规范审查 Agent：把低级错误拦在出图前

施工图出错，轻则返工，重则赔钱。我见过一个项目，因为标注尺寸和实际尺寸差 5 公分，导致定制柜全部重做，损失六万多。这个 Agent 的任务不是替代审图工程师，而是做“第一道筛子”——检查图层命名是否规范、标注是否齐全、图框信息是否完整、门窗表是否和平面图一致。这些规则性的检查，AI 做得比人快，而且不会累。

实现方式上，我建议用“规则引擎 + 大模型”的混合方案。规则引擎负责硬性检查（比如“所有墙体必须闭合”“标注文字不能重叠”），大模型负责软性检查（比如“这个节点的表达是否清晰”“材料标注是否和报价单一致”）。规则引擎可以用开源工具，成本几乎为零；大模型调用量也不大，每月 100-300 元。

实操心得：这个 Agent 刚上线时，不要直接给设计师用，先让深化组组长用一个月，把误报率调下来。我见过一个公司，Agent 第一天上线报了 200 个问题，其中 180 个是误报，设计师直接就不信任它了。后来他们调整了规则阈值，误报降到 20 个以内，设计师才开始认真看它的报告。

2.5 项目进度跟进 Agent：让老板不再靠问人了解项目状态

设计公司的项目进度管理，很多时候靠的是“老板在群里问一句，项目经理回一句”。这个 Agent 要做的是自动从各个系统里抓取进度信息——CRM 里的合同节点、项目管理工具里的任务状态、邮件里的客户确认记录、微信里的沟通摘要（需要手动转发或授权接入）。然后每天早上给项目经理和老板各发一份《项目进度简报》，标出延期风险和待办事项。

这个 Agent 的技术难点不在 AI，而在系统对接。如果公司用的工具比较分散，前期需要做一些接口开发。我建议先从最核心的 2-3 个系统开始对接，跑通后再扩展。成本上，接口开发如果外包，大概 5000-10000 元；如果公司有技术人员，两周能搞定。API 调用成本每月 200-300 元。

3. RAG 知识库的搭建：设计公司的“第二大脑”

3.1 知识库要放什么：四类核心资产

RAG 知识库不是把公司硬盘里的东西全倒进去就行，那样检索出来的结果会很乱。我建议按四类核心资产来组织：

第一类是项目案例库。每个已完成项目的方案文本、效果图、施工图、材料清单、客户反馈，打包成一个结构化文档。这里的关键是“结构化”——不要只放 PDF，要提取出关键字段：项目类型、面积、风格、预算、工期、客户满意度评分。这样检索的时候才能按条件过滤。

第二类是材料与报价库。前面提到的供应商报价、材料参数、品牌对比，全部入库。建议每周更新一次，由商务组负责。

第三类是规范与标准库。国家规范、行业标准、公司内部制图规范、审图要点，全部向量化。这个库更新频率低，但检索频率高，是施工图审查 Agent 的核心支撑。

第四类是沟通记录库。客户会议纪要、邮件往来、微信沟通摘要（需脱敏处理）。这类数据最敏感，建议单独部署，权限控制到项目级别，只有项目组成员能检索。

3.2 向量化与检索策略：别让“相似”变成“瞎猜”

RAG 的核心是向量检索，但向量检索有个坑：它找的是“语义相似”，不是“事实正确”。比如你搜“现代简约客厅”，它可能返回一个“现代简约卧室”，因为语义确实相似。解决办法是“向量检索 + 关键词过滤 + 元数据过滤”三层结合。先按项目类型、空间类型过滤，再做向量检索，最后用关键词做二次排序。

我实测下来，对于设计公司的知识库，向量模型不需要用最大的，中等规模的模型加上好的分块策略，效果就很好了。分块策略上，项目案例建议按“章节”分块，材料报价建议按“条目”分块，规范标准建议按“条款”分块。块的大小控制在 300-500 字，太大检索不准，太小丢失上下文。

注意：知识库的权限管理比技术实现更重要。我见过一个公司，所有设计师都能检索所有项目的报价，结果一个设计师把另一个项目的供应商底价泄露给了客户，差点打官司。建议按项目、按角色、按数据敏感度做三级权限控制。

3.3 知识库的维护：谁来喂，多久喂一次

知识库不是建好就完事了，它需要持续维护。我建议设一个“知识库管理员”的岗位，可以由运营助理兼任，职责是：每周更新材料报价，每月归档新完成项目，每季度清理过期规范。这个岗位不需要懂 AI，但需要细心和责任心。

维护流程上，我建议做一个简单的后台界面，让管理员可以上传文档、编辑元数据、查看检索日志。检索日志特别重要——它能告诉你哪些问题被搜得最多、哪些结果被点击得最多、哪些搜索结果被标记为“不相关”。这些数据是优化知识库的依据。

成本方面，知识库的存储和向量化费用不高。以 10 万份文档、每份 5000 字计算，向量化一次性成本大概 2000-3000 元，存储每月 100-200 元。如果文档量更大，成本会线性增长，但设计公司的文档量通常不会超过这个量级。

4. 预算清单：从零到一到底要花多少钱

4.1 一次性投入：开发、部署、初始化

一次性投入主要包括三块：Agent 开发、知识库初始化、系统对接。如果全部外包，我按中等规模设计公司（20-50 人）的需求估算：

如果公司有技术人员，开发成本可以压缩 30%-50%，但时间会拉长。我建议第一次做，还是找有经验的外部团队，把框架搭好，后续自己维护。

4.2 持续投入：API、存储、维护

持续投入主要是 API 调用费、存储费、维护人力。按每月 10 个新项目、50 个活跃用户估算：

这个成本对于中型设计公司来说，相当于一个初级设计师月薪的三分之一到一半。如果这套系统能帮公司省下一个人力，或者减少一次返工，成本就回来了。

4.3 预算分配的三个原则

第一，先做知识库，再做 Agent。知识库是地基，Agent 是房子。地基不牢，房子越高越危险。我建议把预算的 30% 花在知识库上，不要省。

第二，先做高频场景，再做低频场景。五个 Agent 里，客户需求解析和材料报价匹配是最高频的，优先做。施工图审查虽然重要，但频率低，可以放第二阶段。

第三，留 20% 预算做迭代。AI 系统不是一次性的，上线后一定会发现各种问题，需要持续调优。我见过一个公司，预算全花在开发上，上线后没钱优化，结果系统越用越差，最后废弃了。

5. 实操落地：从需求确认到上线运行的完整流程

5.1 第一步：需求确认与场景排序

不要一上来就写代码。先花一周时间，把公司里最耗人力的五个环节列出来，然后按“频率 × 痛苦程度”排序。频率高、痛苦大的排前面。我建议用问卷的方式，让设计师、深化师、商务、项目经理各填一份，然后开会讨论。这一步的目的是达成共识——让所有人知道这套系统是来帮他们的，不是来监控他们的。

5.2 第二步：知识库初始化与数据清洗

这是最脏最累的一步，但也是最关键的一步。我建议成立一个三人小组：一个懂业务的（比如深化组组长），一个懂数据的（比如运营助理），一个懂技术的（外部顾问或内部 IT）。三人分工：业务负责人定分类和标签体系，数据负责人做文档整理和录入，技术负责人做向量化和检索测试。

数据清洗的要点：去掉重复文档、去掉过期版本、去掉敏感信息（客户姓名、电话、地址）、统一命名规范。这一步大概需要 2-4 周，取决于历史文档的混乱程度。

5.3 第三步：Agent 开发与联调

Agent 开发建议按“先单个跑通，再串联”的顺序。先做客户需求解析 Agent，因为它最简单，也最容易看到效果。跑通后，让设计师试用一周，收集反馈，调整提示词。然后再做下一个。五个 Agent 全部跑通后，再做串联——比如客户需求解析完成后，自动触发方案素材检索。

联调阶段最容易出问题的是“上下文传递”。比如客户需求解析 Agent 输出的报告，格式和方案素材检索 Agent 期望的输入格式不一致。解决办法是定义一个中间数据格式，所有 Agent 都按这个格式读写。

5.4 第四步：小范围试点与反馈收集

不要全公司一起上。先选一个项目组，5-8 个人，试用一个月。每周开一次反馈会，记录问题、建议、吐槽。我建议设一个“AI 使用积分榜”，谁用得多、谁提的建议被采纳了，给点小奖励。这样能带动其他人用起来。

试点期间，要特别关注“信任度”。如果 Agent 经常出错，设计师就会放弃。所以试点阶段宁可功能少一点，也要保证准确率。我建议设置一个“人工确认”环节——Agent 的输出必须经过人工确认才能进入下一步，这样既保证质量，也让设计师有掌控感。

5.5 第五步：全员推广与持续优化

试点跑通后，再全员推广。推广时要做三件事：一是培训，分角色培训，设计师学怎么用，管理员学怎么维护；二是写操作手册，图文并茂，放在公司共享盘；三是设一个“AI 支持群”，有问题随时问。

持续优化方面，我建议每月做一次“检索日志分析”，看看哪些问题搜不到、哪些结果被标记为不相关。然后针对性地补充知识库、调整提示词。这个工作不需要太多时间，但效果很明显。

6. 常见问题与避坑指南

6.1 Agent 回答不准怎么办

这是最常见的问题。原因通常有三个：知识库没有相关内容、检索策略有问题、提示词不够清晰。排查顺序是：先看知识库里有没有，再看检索出来的结果对不对，最后看提示词有没有歧义。我建议做一个“调试模式”，让管理员能看到 Agent 的完整推理过程——检索了什么、参考了哪些文档、生成了什么。这样排查起来快很多。

6.2 设计师不愿意用怎么办

不要强制。强制只会让人反感。我建议用“对比法”——让愿意用的设计师和不愿意用的设计师做同一个项目，然后对比效率和质量。数据摆出来，比说一百句都管用。另外，要让设计师参与 Agent 的设计，让他们提需求、提反馈，这样他们会有“这是我的工具”的感觉。

6.3 知识库更新不及时怎么办

设一个“知识库更新日历”，每周五下午固定一小时，由管理员更新材料报价和项目归档。如果连续两周没更新，系统自动给管理员和运营负责人发提醒。这个机制比靠自觉靠谱。

6.4 预算超了怎么办

我建议分阶段投入。第一阶段只做知识库 + 两个 Agent，预算控制在 3-5 万。跑通后再申请第二阶段预算。这样风险小，也容易说服老板。

6.5 数据安全怎么保障

设计公司的数据涉及客户隐私和商业机密，必须重视。我建议：知识库私有化部署，不要用公有云；权限控制到项目级别；敏感数据加密存储；操作日志保留至少一年。如果公司没有 IT 能力，可以找专业的私有化部署服务商，成本会高一些，但安全有保障。

7. 我踩过的坑与实操心得

第一个坑是“贪大求全”。我见过一个公司，一上来就要做十个 Agent，结果每个都半成品，设计师用两次就放弃了。后来他们砍到三个，反而跑通了。所以我的建议是：先做两个，跑通再扩。

第二个坑是“忽视数据清洗”。有个公司的知识库里混进了大量过期报价和废弃方案，Agent 检索出来的结果经常是错的。后来他们花了三周重新清洗数据，才把准确率提上来。数据清洗的时间要算进项目周期，不要低估。

第三个坑是“没有人工确认环节”。有个公司让 Agent 直接给客户发需求解析报告，结果有一份报告把客户说的“不要深色”理解成了“要深色”，客户直接投诉。后来他们加了人工确认，问题就没了。AI 再聪明，也需要人把关。

第四个坑是“不重视培训”。系统上线后，设计师不知道怎么用，问了几次没人理，就不用了。后来他们做了三场培训，还录了视频，使用率才上去。培训不是走过场，要分角色、分场景，让每个人都知道“这个功能对我有什么用”。

第五个坑是“预算全花在开发上”。有个公司开发花了 8 万，上线后没钱优化，系统越用越卡，最后废弃了。我建议留 20% 预算做迭代，这钱不能省。

最后分享一个小技巧：在 Agent 的输出里加一个“反馈按钮”，让设计师可以一键标记“有用”或“没用”。这些数据是优化系统的金矿。我见过一个公司，靠这个按钮收集了 2000 多条反馈，然后针对性地优化了检索策略，准确率提升了 30%。

这套系统不是万能药，它解决的是“重复劳动”和“知识沉淀”的问题，解决不了“创意”和“审美”的问题。但恰恰是那些重复劳动，吃掉了设计师大量时间。把时间还给设计师，让他们去做真正有价值的事，这才是 AI 智能体在设计公司里最大的价值。