企业官网建设流程全解析

1. 从一张需求清单说起：室内设计公司为什么要搭 AI 智能体

室内设计这个行业，表面看是创意驱动，实际干过的人都知道，它有一半的精力消耗在重复沟通和资料整理上。一个中型设计公司，同时跑十几个项目，每个项目从初次接触到最终交付，中间要经历需求收集、方案汇报、材料选型、预算报价、施工交底、软装搭配、售后回访等环节。每个环节都在产生信息，每个环节也都在丢失信息。

我接触过一家做中高端住宅的设计工作室，团队不到二十人，一年做四十多个全案项目。他们的主案设计师平均每天要回三十多条客户消息，其中至少一半是重复问题：这个瓷砖什么型号、那个柜子多少钱、上次说的那个颜色能不能再发一遍。设计师的时间被切得很碎，真正用来做方案的时间不到三成。这就是典型的“创意行业被运营拖死”的状态。

所以当他们提出要搭一套 AI 智能体系统的时候，我一点都不意外。需求清单写得很具体：五个业务 Agent，加一个 RAG 知识库，预算也框好了。这说明他们已经想清楚了要解决什么问题，不是跟风玩概念。这套系统的核心逻辑，是把公司内部散落的设计资料、材料信息、报价数据、施工标准、客户沟通记录，全部结构化地管起来，然后让不同的 Agent 去调用这些知识，替人完成那些高频、重复、但又必须准确的工作。

五个 Agent 分别对应：客户咨询接待、方案素材检索、材料报价生成、施工规范问答、软装搭配建议。RAG 知识库则是这五个 Agent 共同的“记忆底座”。这个架构不复杂，但非常务实。它不追求通用人工智能，而是把 AI 能力收窄到具体业务场景里，用检索增强生成的方式，保证输出的内容有据可查、有源可溯。

这套东西适合谁来参考？首先是室内设计公司的管理者，尤其是那些团队规模在十到五十人之间、项目量稳定、但内部知识管理混乱的公司。其次是设计公司的运营负责人或技术负责人，他们需要评估这套系统到底要花多少钱、需要什么资源、多久能跑起来。最后是独立设计师或小型工作室，他们可能不需要五个 Agent 全上，但可以从中挑一两个最痛的场景先试水。

我写这篇东西的目的，不是给你一个标准答案，而是把我在类似项目里踩过的坑、算过的账、验证过的方案，原原本本地摊开。你看完之后，应该能判断自己公司适不适合做、怎么做、大概花多少钱、会遇到什么问题。

2. 五个业务 Agent 的职责拆解与优先级排序

2.1 客户咨询接待 Agent：把重复问题挡在第一道门

这个 Agent 是整个系统里使用频率最高的。它的工作场景很明确：客户在微信、企业微信或者公司官网的咨询窗口发来消息，Agent 先接住，能答的直接答，答不了的转人工。听起来简单，但要做好，关键在知识库的颗粒度和回复的边界控制。

我见过一些公司上来就想让 AI 完全替代客服，结果客户问“你们设计费怎么收”，AI 回了一段公司简介，客户直接就不回了。问题出在知识库没有把“设计费收费标准”这个条目拆清楚。正确的做法是，把收费模式拆成几个维度：按面积收费、按套内面积还是建筑面积、不同设计师级别对应的单价区间、是否包含软装、是否包含施工跟进。每个维度下面再挂具体的数字和条件。这样客户问的时候，Agent 才能精准命中。

这个 Agent 的回复策略也要分层。第一层是标准问答，比如营业时间、公司地址、设计流程、收费标准，这些直接由 Agent 回复。第二层是需要判断的问题，比如“我家一百二十平，现代简约风格，大概多少钱”，Agent 需要调用报价逻辑，给出一个区间，同时注明“具体以量房后方案为准”。第三层是情绪化或复杂问题，比如客户投诉或者要求改方案，Agent 直接转人工，不纠缠。

注意：客户咨询 Agent 的回复必须带“转人工”的出口，而且转人工的触发条件要写清楚。我一般建议设置三个触发词：投诉、退款、转人工。客户只要提到这三个词，Agent 立刻停止回复，直接转接。

2.2 方案素材检索 Agent：让设计师找图不再靠翻聊天记录

设计师找参考图，通常是在几个地方翻：自己的素材库、之前项目的文件夹、聊天记录里的历史发送、还有各种设计平台。这个过程极其耗时，而且经常找不到。方案素材检索 Agent 要解决的就是这个问题。

它的底层是一个带标签的素材库。每张图入库的时候，要打上至少五个维度的标签：空间类型（客厅、卧室、厨房等）、风格（现代、侘寂、法式、中古等）、材质（木饰面、微水泥、大理石等）、颜色（主色调、点缀色）、项目来源（哪个项目、哪个设计师）。标签打得越细，检索越准。

Agent 的交互方式可以有两种。一种是设计师直接输入自然语言，比如“找一张带弧形沙发和落地窗的现代客厅图”，Agent 返回匹配的图片和来源项目。另一种是设计师上传一张参考图，Agent 通过图像特征比对，返回素材库里相似的图片。第二种方式对技术的要求更高，但实际使用中更受欢迎，因为设计师很多时候是“看到一张图觉得对，但说不清楚哪里对”。

这个 Agent 的难点不在检索算法，而在素材入库的标准化。我见过太多公司，素材库建了三年，里面几万张图，但标签乱七八糟，有的只有文件名，有的标签是“好看”“客户喜欢”这种无效信息。所以我的建议是，在搭 Agent 之前，先花两周时间做素材清洗和标签规范。这件事没有捷径，但做完之后，后面所有 Agent 的效率都会提升。

2.3 材料报价生成 Agent：把报价从两小时压缩到十分钟

报价是设计公司最耗时也最容易出错的环节。一个全案项目的报价，涉及主材、辅材、人工、软装、电器、定制家具等几十个品类，每个品类下面又有多个品牌和型号。传统做法是设计师或者报价员对着 Excel 表一项一项填，填完还要核对，一个项目下来两三个小时很正常。

材料报价生成 Agent 的逻辑是：设计师输入项目基本信息（面积、户型、风格、预算档次），Agent 从材料库里匹配对应的材料组合，自动生成一份初步报价单。设计师只需要在初步报价的基础上做调整，而不是从零开始填。

这里的关键是材料库的结构。每个材料条目要包含：品类、品牌、型号、规格、单价、单位、供应商、适用风格、适用空间、环保等级、交货周期。这些字段缺一不可。尤其是“适用风格”和“适用空间”，决定了 Agent 能不能做出合理的匹配。

报价生成之后，Agent 还要能做几件事：一是自动计算总价和各项占比，二是标注哪些项目可能超预算，三是生成给客户看的简化版和给内部用的详细版。简化版只显示品类和总价区间，详细版显示具体型号和单价。这个区分很重要，因为客户看到的报价单和内部成本表是两回事。

实操心得：报价 Agent 的准确率，取决于材料库的更新频率。我建议设置一个规则：任何材料价格变动，必须在二十四小时内更新到知识库。否则 Agent 报出来的价格就是错的，客户拿着报价去对比市场价，发现对不上，信任直接就崩了。

2.4 施工规范问答 Agent：把老师傅的经验变成可查询的知识

施工规范这块，每个公司都有自己的标准，但通常只存在于几个老工长和项目经理的脑子里。新人问的时候，靠口口相传，传着传着就变形了。施工规范问答 Agent 要做的，就是把这些隐性知识显性化、结构化。

知识库的内容包括：水电改造标准、防水施工规范、瓷砖铺贴工艺、墙面处理流程、定制家具安装要求、验收标准等。每个条目下面，要写清楚适用条件、操作步骤、常见错误、验收方法。比如“卫生间防水”，要说明防水层高度、涂刷遍数、闭水试验时长、门口挡水条做法。这些内容不需要多高深，但必须准确、具体、可执行。

Agent 的交互方式很简单：项目经理或者工长在施工现场，用手机输入问题，比如“轻钢龙骨隔墙的龙骨间距是多少”，Agent 返回标准答案和注意事项。如果问题超出知识库范围，Agent 要明确说“这个问题知识库暂未收录，建议咨询工程总监”，而不是瞎编一个答案。

这个 Agent 的价值在于，它把施工标准从“人脑记忆”变成了“系统查询”。新人上手更快，老人也不用反复回答同样的问题。而且，当施工标准更新的时候，只需要改知识库，所有 Agent 的回复都会同步更新。

2.5 软装搭配建议 Agent：让软装方案不再靠感觉

软装搭配是设计公司里最依赖个人审美的环节。同一个空间，不同的软装设计师搭配出来的效果差异很大。这个 Agent 的目标不是替代设计师的审美，而是提供一个基于规则的搭配建议，帮助设计师快速出方案。

它的知识库包括：家具尺寸与空间比例关系、色彩搭配原则、材质搭配禁忌、不同风格的软装元素库、预算分配建议。比如，一个三十平米的客厅，沙发、茶几、地毯、窗帘、挂画、灯具的预算比例大概是多少，尺寸怎么选，颜色怎么配。这些规则不是绝对的，但可以作为起点。

Agent 的输出形式可以是一份软装建议清单，包含每个品类的推荐款式、颜色、材质、预算区间，以及搭配理由。设计师拿到这份清单后，可以快速调整，而不是从零开始想。

这个 Agent 的难点在于，软装搭配有很多主观因素，Agent 给出的建议可能不符合设计师的个人风格。所以它的定位应该是“辅助”而不是“决策”。设计师可以采纳，也可以忽略，但至少有了一个参考起点。

3. RAG 知识库：五个 Agent 的共同底座怎么搭

3.1 为什么是 RAG，而不是直接微调模型

RAG 的全称是检索增强生成。简单说，就是模型在回答问题之前，先去知识库里检索相关内容，然后基于检索到的内容生成回答。这样做的好处是，回答有依据，不会瞎编，而且知识库可以随时更新，不需要重新训练模型。

为什么不直接微调一个模型？因为微调的成本太高，而且更新麻烦。设计公司的知识是动态的，材料价格每个月都在变，施工标准每年都在更新，客户案例每周都在增加。如果每次更新都要重新训练模型，根本不现实。RAG 的方式，只需要更新知识库里的文档，模型本身不用动。

另一个原因是，微调后的模型仍然可能产生幻觉，而且很难追溯它为什么给出某个答案。RAG 的检索过程是透明的，你可以看到模型是基于哪几段内容生成的回答。这对于设计公司来说很重要，因为报价和施工规范不能出错，必须能追溯到源头。

3.2 知识库的内容分层与入库标准

RAG 知识库不是把公司所有文档一股脑扔进去就行。我建议分成四层：

第一层是基础制度层，包括公司简介、服务流程、收费标准、合同模板、售后政策。这层内容相对稳定，更新频率低。

第二层是业务知识层，包括材料库、施工规范、设计标准、软装规则。这层内容是 Agent 最常调用的，需要结构化程度最高。

第三层是项目案例层，包括历史项目的方案、报价、施工记录、客户反馈。这层内容主要用于素材检索和案例参考。

第四层是沟通记录层，包括客户常见问题、设计师回复话术、投诉处理记录。这层内容主要用于客户咨询 Agent 的训练和优化。

每一层的内容入库时，都要做三件事：一是清洗，去掉重复、过时、错误的信息；二是结构化，把非结构化的文档拆成段落或条目，加上标题和标签；三是向量化，把文本转换成向量，存到向量数据库里。

注意：知识库的清洗比入库更重要。我见过一个公司，把三年的聊天记录直接导进去，结果 Agent 检索出来的内容全是“好的”“收到”“谢谢”这种无效信息。清洗的时候，要过滤掉这些噪音，只保留有实际信息量的内容。

3.3 向量数据库选型与检索策略

向量数据库的选择，取决于公司的技术能力和预算。如果公司有技术团队，可以用开源的方案，比如 Milvus、Qdrant、Weaviate，部署在自己的服务器上，数据可控，成本也低。如果没有技术团队，可以用云服务，按量付费，省去运维的麻烦。

检索策略方面，我建议用混合检索：向量检索加关键词检索。向量检索擅长语义匹配，比如客户问“家里想弄得温馨一点”，向量检索能找到“暖色调”“布艺材质”“柔和灯光”相关的内容。关键词检索擅长精确匹配，比如客户问“XX品牌的XX型号瓷砖多少钱”，关键词检索能直接命中。两种方式结合，召回率和准确率都会更高。

检索的返回结果，一般取前五到十条。太多会稀释相关性，太少可能漏掉关键信息。返回的每条结果都要带上来源和置信度，方便后续排查。

3.4 知识库的更新机制与版本管理

知识库不是建完就完了，它需要持续更新。我建议设置三个更新触发机制：

一是定期更新，比如材料价格每月更新一次，施工规范每季度审核一次。

二是事件驱动更新，比如公司出了新的报价标准，或者某个材料供应商换了型号，立刻更新。

三是反馈驱动更新，Agent 回答错误或者客户投诉的时候，记录问题，人工修正后更新知识库。

版本管理也很重要。每次更新都要记录：更新了什么、谁更新的、什么时候更新的、影响哪些 Agent。这样出问题的时候，可以快速回滚。

4. 预算拆解：从零搭一套要花多少钱

4.1 一次性投入：开发、部署与数据准备

一次性投入主要包括三块：开发成本、部署成本、数据准备成本。

开发成本取决于你选择自研还是外包。自研的话，需要一个后端开发、一个算法工程师、一个前端开发，按三个月周期算，人力成本大概在十五到三十万之间。外包的话，根据功能复杂度，报价通常在二十到五十万之间。如果公司有技术基因，也可以考虑低代码平台，成本会低一些，但灵活性差。

部署成本包括服务器、向量数据库、模型 API 调用。如果部署在云上，初期每月几千块就够了。如果自己买服务器，一次性投入大概两三万。

数据准备成本是最容易被低估的。素材清洗、标签规范、文档结构化，这些工作量大且繁琐。如果请外包做，按数据量算，几万到十几万不等。如果内部做，至少要占用一个人一到两个月的时间。

4.2 持续投入：API 调用、运维与迭代

持续投入主要是 API 调用费和运维人力。API 调用费取决于使用频率，一个二十人的设计公司，每天几百次调用，每月大概几百到一千块。运维人力方面，如果系统稳定，每周花几个小时维护就够了。如果需要持续迭代功能，那就要预留更多时间。

迭代成本也要考虑。第一版上线后，肯定会有各种问题，需要根据实际使用情况调整。我建议预留总预算的百分之二十作为迭代资金。

4.3 不同规模公司的预算方案对比

这个表里的数字是区间值，具体取决于公司的技术能力、数据质量和功能要求。我建议从小规模开始，先跑通一个 Agent，验证效果后再扩展。不要一上来就五个全做，那样风险太大。

5. 实操落地：从零到一的上线流程

5.1 第一阶段：需求确认与数据盘点

这个阶段的目标是搞清楚三件事：要解决什么问题、有什么数据、谁来负责。

需求确认不是听老板说“我要 AI”，而是跟实际使用的人聊。跟设计师聊，他们最烦什么；跟报价员聊，他们最怕什么；跟项目经理聊，他们最缺什么。把这些痛点列出来，按频率和影响排序，选出前三个作为第一期的目标。

数据盘点是把公司现有的资料摸一遍：有多少项目案例、多少材料数据、多少施工文档、多少聊天记录。评估这些数据的质量，哪些能用，哪些要清洗，哪些要重新整理。

负责人要明确。我建议设一个项目负责人，最好是运营总监或者设计总监，既懂业务又有推动力。再配一个技术对接人，负责跟开发团队沟通。

5.2 第二阶段：知识库搭建与 Agent 原型开发

这个阶段是核心工作。知识库搭建按前面说的四层结构来，先做基础制度层和业务知识层，这两层是 Agent 最依赖的。项目案例层和沟通记录层可以后续补充。

Agent 原型开发，建议先做一个。选哪个？我推荐客户咨询接待 Agent，因为它使用频率最高，效果最容易感知，而且不涉及复杂的报价逻辑，风险最低。做完之后，让客服团队试用一周，收集反馈，快速迭代。

原型开发的时候，不要追求完美。先跑通流程，再优化细节。比如回复的措辞、转人工的时机、知识库的检索范围，这些都可以在使用中调整。

5.3 第三阶段：内部测试与反馈收集

内部测试要覆盖三类人：高频使用者、低频使用者、完全不懂技术的人。高频使用者能发现效率问题，低频使用者能发现易用性问题，不懂技术的人能发现理解门槛问题。

反馈收集要有结构。不要只问“好不好用”，要问具体场景：哪个问题 Agent 答错了、哪个操作你觉得多余、哪个功能你最想要。把这些反馈分类整理，排优先级。

测试周期建议两到四周。太短了问题暴露不充分，太长了团队会疲惫。

5.4 第四阶段：上线部署与持续优化

上线不是终点，是起点。上线后要监控几个指标：Agent 的调用量、回答准确率、转人工率、用户满意度。这些指标每周看一次，发现问题及时调整。

持续优化包括：补充知识库的盲区、优化检索策略、调整回复话术、增加新的 Agent。我建议每季度做一次全面复盘，看看哪些目标达成了，哪些没达成，下一季度重点做什么。

实操心得：上线初期，一定要有人工兜底。Agent 答不了的问题，要能快速转到人工。而且人工的回答要记录下来，作为知识库的补充材料。这样系统才会越用越聪明。

6. 常见问题与排查技巧实录

6.1 Agent 回答不准确怎么办

这是最常见的问题。排查思路分三步：先看知识库里有没有相关内容，再看检索有没有命中，最后看生成有没有偏差。

如果知识库里没有，那就补充内容。如果有但没命中，调整检索策略，比如增加关键词、调整向量权重。如果命中了但生成错了，检查提示词模板，看是不是指令不够清晰。

我遇到过一个案例，客户问“你们做不做旧房改造”，Agent 回答“我们主要做新房设计”。查了一下，知识库里其实有旧房改造的服务说明，但检索的时候被“新房”相关的条目挤掉了。后来调整了检索的优先级，把服务范围类的条目权重调高，问题就解决了。

6.2 知识库更新后 Agent 没变化

这种情况通常是缓存或者索引没更新。向量数据库更新后，需要重建索引才能生效。有些系统是定时重建，有些是手动触发。检查一下更新流程，确认索引重建了。

另一个可能是 Agent 的提示词里写死了某些内容，导致它不依赖知识库。检查提示词模板，确保它明确要求“基于检索到的内容回答”。

6.3 报价 Agent 算出来的价格和实际不符

报价不准，通常是材料库的数据问题。检查三个地方：材料单价是不是最新的、规格型号是不是对的、计算逻辑有没有漏洞。

我建议每次报价生成后，都让报价员抽查几条，看看和手工算的差多少。如果差异超过百分之五，就要查原因。常见的原因是材料库里有重复条目，或者某个材料的单位搞错了。

6.4 设计师不愿意用怎么办

这是人的问题，不是技术问题。解决方式有两种：一是降低使用门槛，让 Agent 的交互足够简单，最好在设计师常用的工具里就能调用；二是展示价值，找一两个愿意尝试的设计师，先用起来，让他们分享省了多少时间，用实际效果带动其他人。

不要强制推行。强制只会引起反感。我见过一个公司，老板要求所有人必须用 AI 出报价，结果设计师阳奉阴违，还是偷偷用 Excel。后来改成自愿使用，但用 AI 出报价的项目有额外奖励，使用率反而上去了。

6.5 常见问题速查表

7. 我踩过的坑和给你的建议

第一个坑是贪大求全。一开始就想把五个 Agent 全做完，结果每个都做得半吊子。后来改成先做一个，跑通了再复制经验，效率反而更高。所以我的建议是，第一期只做一个 Agent，选最痛的那个场景，做深做透。

第二个坑是忽视数据清洗。以为把文档扔进去就行了，结果 Agent 检索出来的全是垃圾。后来花了三周时间做清洗和标签，虽然枯燥，但后面所有 Agent 的准确率都上了一个台阶。数据质量决定了系统的上限，这句话一点都不夸张。

第三个坑是没有人负责。系统搭起来之后，没人管，知识库不更新，Agent 回答越来越离谱，最后没人用了。所以一定要指定一个负责人，哪怕只是兼职，也要明确职责。

第四个坑是期待过高。老板以为上了 AI 就能裁人，结果发现 AI 只能处理标准问题，复杂问题还是要人。正确的期待是：AI 处理百分之七十的重复工作，人处理百分之三十的复杂工作。这样人的价值更高，AI 的价值也更大。

第五个坑是忽略安全。客户信息、报价数据、合同内容，这些都是敏感信息。知识库的权限要控制好，不同角色看到的内容不一样。Agent 的回复也要过滤，不能把内部成本价直接发给客户。

最后分享一个小技巧：在 Agent 上线初期，设置一个“反馈按钮”，用户觉得回答不对，点一下就能提交反馈。这些反馈是优化知识库最宝贵的材料。我试过，上线第一个月收集的反馈，比之前三个月内部测试发现的问题还多。