1. 全屋定制的“反复改图、人工拆单”，到底痛在哪
这两年我在定制家居行业做数字化落地项目，接触过不少工厂、门店和独立设计师，感受最深的一点是：这个行业不缺软件，缺的是能把软件串起来的那根线。前端有酷家乐、三维家这类效果图工具，中端有各种拆单软件，后端有ERP、MES、排产系统，可只要把订单从头到尾走一遍，就会发现大量时间其实耗在“人等软件”和“软件等人”上。
先说改图这件事。客户签单前，方案改五六遍是常态，改到第十遍也不稀奇。今天觉得柜子深度不够，明天嫌玻璃门太贵，后天又说孩子房间要加一张书桌。设计师只能一次次手动调整模型、重新渲染、改报价单。你去问任何一个做全屋定制设计的，都能给你讲出“深夜十二点还在改图”的故事。这不是设计师懒惰或者效率低，而是传统工具下的交互方式决定了：每一个改动，都要人工去同步图纸、报价、清单等多个对象。
再说拆单。签单之后，设计图纸要变成生产指令，这个环节行业里叫“拆单”。说白了，就是把设计师眼中的“一个衣柜、一面电视墙”，拆成工厂能生产的“一张张板件、一件件五金、一条条封边”。拆错了，板件尺寸对不上，到了车间就是报废，一块板子几十上百块钱，一单下来损失不可小觑。纯人工拆单，一个熟练的拆单员一天大概能拆一两个柜子，碰上复杂柜体、异形板件，一天能拆完一个方案就算不错。而且极度枯燥，非常容易疲劳出错。
这两件事合在一起，造成的直接后果就是：交付周期被无限拉长，设计成本居高不下，工厂利润率被一点点吃穿。
那AI智能体能做什么？我在立项测试阶段给它定的目标是——把“改图”从小时级压到分钟级，把“拆单”从纯人工变成“AI初拆+人工审核”，把从前端客户需求到后端生产指令之间的数据链路全部串起来。这篇文章就围绕这套全屋定制AI智能体的设计思路、技术拆解和落地过程展开，尽量把我踩过的坑、验证过的方案都写清楚，给正在考虑做类似转型的同行一个参考。
2. 全链路重构，核心不是“换一个软件”而是“换一套协作逻辑”
2.1 智能体到底是个什么东西
先把这个概念说清楚。很多老板一听“AI智能体”，第一反应是“又一个聊天机器人”。实际上，智能体在我这次落地项目里的定位是：一个能够感知输入、调用工具、查规则、做决策、输出结果的完整运行体。它不是单点技术，而是一套系统架构。
我把它拆成五个模块：
- 需求理解层：负责把客户自然语言（“想做个奶油风的衣柜，要有挂衣区、叠放区，不要太多开放格”）转成结构化的设计参数。
- 设计生成层：基于参数和户型信息，调用参数化设计服务，生成符合约束的柜体方案和基础图纸。
- 规则判断层：内部维护工艺规则库和拆单规则库，比如板材厚度、封边类型、孔位间距、最大板长、铰链选取逻辑等。
- 数据流转层：负责打通设计数据、BOM数据、报价数据和生产数据，避免信息孤岛。
- 兜底审核层：因为模型一定会出错，必须有人工审核节点和异常标记机制。
这里有一个关键判断：智能体不能代替整个软件系统，它更像是套在原有工具链之上的“调度中枢”。前端对接对话入口和设计方案，中端对接拆单软件，后端对接ERP/MES，所有环节的数据流都由它来驱动。这样做的好处是，工厂现有的软件投资不会浪费，不需要把全链路推倒重来。
2.2 为什么选“AI初拆+人工审”而不是“全自动拆单”
我调研过市面上的拆单自动化方案，发现凡是号称“一键自动拆单”的，多半只能在特定柜型、特定规则下成立。全屋定制最大的难点在于非标——每家户型不同、每户需求不同，同一个柜子可能因为踢脚线高度、墙面不平整、梁柱位置而产生大量差异。
如果追求100%全自动拆单，投入产出比非常糟糕，而且一旦出错，责任归属很难界定。所以我的设计原则是：让AI先做80%的重复性、规则性的拆单工作，剩下的20%交给审核人员。这20%包含异形件、特殊工艺、旧工艺库未覆盖的新设计等场景。
这个思路落地后效果非常明显。原来拆单员打开图纸、逐个板件手敲尺寸，现在AI把板件清单、孔位、封边、五金件清单全部初步生成，拆单员只需要对照三维预览进行确认和修正。整体效率提升约一倍以上，而且因为AI不会疲劳，常规柜体的错漏率明显下降。
2.3 不是“办法百出”，而是“规则优先+模型判断”双轨并行
我刚开始试做时，也想过完全靠大模型来理解图纸、输出拆单结果。一试就发现不行。大模型擅长的是语义理解、常识推理，它并不擅长精确的尺寸运算和机械规则约束。你让它“基于这个图纸生成BOM”，它会很流畅地编出一份看起来像样的清单，但尺寸对不对、孔位间距是否符合设备工艺，它根本在乎不过来。
所以最终的架构采用了双轨制：规则优先，模型判断为补充。
- 凡是能用确定性规则表达的，全部写入规则引擎。比如“板厚18mm的柜体，背板厚度9mm”“相邻层板间垂直间距不得小于50mm”“转角柜内空尺寸需要扣除板厚”等等。
- 大模型只负责处理语言、语义和图像，比如识别客户意图、理解图纸标注、生成设计说明、辅助分析非常规结构。
- 两者之间通过结构化接口通信，智能体负责决定某一步是走规则引擎还是走模型。
这个设计看似多了一层复杂度，实际运行下来反而更稳。规则引擎保证了底线，模型负责柔性能力。
3. 拆解核心流程：客户对话、自动改图、自动拆单到底怎么跑通
3.1 需求对话：把“口语化描述”变成“可计算的参数”
全屋定制的前端沟通，本质是一个高度专业的交互过程。客户通常只会说“我想要个到顶的衣柜，主卧用”，但设计师脑子里要补出大量信息：主卧尺寸多大？是平开门还是推拉门？内部格局怎么分？门板用颗粒板还是多层实木？拉手用什么款式？
AI智能体在这里的第一层能力，是用大模型解析客户自然语言，提取实体和属性。我给这一步起了个名叫“需求结构化”。操作上，需要提前设计一张需求字段表，把颜色风格、空间、品类、预算区间、偏好板型等一一枚举清楚。大模型的任务就是把这些字段从对话中抽取出来，落到结构化JSON里。
举个例子，客户说：“客厅想做一排电视柜，不要太多开放格，最好有封闭式收纳，颜色偏奶咖一点。”大模型输出大概是：
{ "space": "客厅", "category": "电视柜", "style": "现代简约", "color": "奶咖", "open_ratio": 0.2, "storage": "封闭式为主", "keyword_notes": "不要太多开放格" }之后，系统把这份结构化参数传给设计生成模块，去匹配对应柜体模板、五金配置和材质方案。注意，这一步一定要让客户确认参数后再生成方案，否则可能出现模型自由发挥过度、方案不符合预期的问题。
3.2 一键改图：真正的难点在“保持关联一致性”
很多软件都能“一键改图”，但大部分只是把颜色换了、把尺寸改了，相关的板件、报价、清单并不会同步自动更新。这也是为什么用户总觉得软件“不方便”的根本原因——图改了，数据没改，下单时还得重头核对一遍。
AI智能体解决的思路是：把图纸上的每一个柜体、每一块板件都视为一个带有属性结构的对象，而不是线条和色块。当我们修改“衣柜进深从600mm变为550mm”时，系统会沿着对象之间的依赖关系自动更新：侧板尺寸、层板尺寸、背板尺寸、门板内空、五金预算、板材面积、报价明细，全部联动变化。这一步在技术层面并不神秘，就是参数化建模的思想，但难点在于要把过去散落在设计师脑子里的“常识”全部显性化为可被程序引用的规则。
实操中建议先跑通“单一柜型改参数”闭环，再去覆盖跨柜体的联动。比如改一个衣柜的进深，同时影响相邻床头柜的摆放空间，这种全局联动的复杂度会指数级上升。
3.3 自动拆单：从“设计视图”到“生产视图”的翻译
拆单的本质是翻译。设计师看到的是一个柜子的立体视觉呈现，工厂需要的是一张张平板板件、一条条封边带、一个个打孔位置。AI智能体在拆单环节的工作流程，我梳理成以下五步：
- 解析设计模型，提取所有柜体结构、尺寸、材质。
- 根据工艺规则库展开板件，计算每块板的前后左右上下六个面的封边需求。
- 生成孔位图，包括连接件孔、铰链孔、层板托孔，具体位置由五金规则决定。
- 生成BOM（物料清单），包括板材明细、五金件明细、封边条明细、胶水量等。
- 结合ERP库存和生产约束，对板材进行优化排料建议。
实际开发中，第3步最容易出问题。不同五金品牌的连接件，对孔径、孔距、离边距离的要求完全不一样。我见过一次严重事故：某套餐默认使用A品牌的二合一连接件，但工厂实际仓库只有B品牌，孔位参数差了两毫米，整批板件装不起来。后来我们在智能体里专门加了一道逻辑：五金编码必须与库存同步校验，拆单前先锁定可用的五金料号。
3.4 审单兜底：给AI配上“刹车系统”
前面提到，AI做初拆，人做审核。这个审核环节在设计上有一条铁律：审核人员必须可以在3D预览界面看到每块板件、每个孔位，并且可以逐项修改或打回。如果只给审核人员一张Excel清单，效率反而会下降。
更重要的刹车机制是异常拦截规则。我整理了一批高频异常场景做成自动标记：
- 板件尺寸超过库存板材最大尺寸
- 孔位间距小于工艺最小允许值
- 板件数量异常增多（比如层板重复生成）
- 材质与门店报价单不一致
- 五金件库存不足
只要命中任意一条，系统自动把订单标记为“待人工复核”，不会直接漏到生产环节。这个设计看起来非常简单，但实际价值极大，等于给AI加了一道安全门。
4. 训练一个“懂行”的智能体，核心不是“调参”而是“喂规则”
4.1 工艺知识库怎么建：别指望模型自己学会
很多团队做AI落地，第一反应是“把数据喂给大模型做微调”。我这次踩过坑之后建议：先别急着微调，优先把工艺知识库建起来。
工艺知识库是什么？举个例子——封边规则。颗粒板柜体门板通常采用PVC封边，厚度1.0mm或1.5mm；吸塑门板不需要封边；激光封边要匹配同色封边带。再比如铰链规则：一门一铰链，超过900mm的门板需要加装第3个铰链。这些规则在老师傅脑子里，但在系统里可能是零散的、甚至冲突的。
建库的过程，其实就是把经验显性化。我和几个资深拆单员一起，把工厂过去三年的订单案例重新过了一遍，按柜体结构、板件类型、五金配置、封边配置、孔位标准五个维度组织成结构化条目。这一步非常耗时，但一旦建成，后续所有环节都受益。
我建议用“规则表+决策树”而不是纯自然语言文档。规则表要考虑活配置，比如板厚变化时，孔位参数跟着变化；板材品牌变化时，最大板长工艺跟着变化。这样AI在决策时可以直接通过接口查询，而不需要从大段文字里做推理。
4.2 RAG与微调，到底哪个管用
我的经验是：RAG（检索增强生成）优先于微调。
微调大模型需要大量高质量的领域问答对，而且模型知识更新后还要重新训练，周期很长。RAG则是把企业自己的规则文档、历史案例、产品手册作为外部知识库，在问答时先检索相关片段，再让大模型基于这些片段来回答。这样既能控制知识来源，也方便实时更新。
在智能体里，我给大模型配置了两个检索源：一个工艺知识库，一个历史项目案例库。当客户提问或者系统需要做设计决策提示时，先从这两个库中检索相关资料，再生成答案。
拿“儿童房柜子用什么板材”这种问题来说，RAG会从历史项目案例里找到类似需求，结合环保等级规则，给出推荐建议。大模型本身并不“知道”哪些板材符合儿童房环保标准，但检索到规则之后，它就能给出有依据的答案。
4.3 系统集成那些事：接口、字段映射、数据同步
全链路智能体最大的工程量不在AI算法，而在接口集成。我落地时接了三套系统：门店端设计软件、拆单软件、工厂ERP。每套系统的数据模型都不一样，需要写映射层。
一个典型问题是“颜色描述不一致”。设计软件里叫“浅橡木”，拆单软件里叫“橡木色1号”，ERP里叫“YSM-01”，实际是同一种板材。如果不做字段映射，AI生成的BOM到了ERP就会报“物料不存在”。所以我们统一维护了一张主数据映射表，所有系统都通过它做翻译。
另一个问题是同步时效。客户在门店改一次颜色，难道要业务员打电话通知工厂重新排产？通过智能体接入的消息队列，订单变更会自动触发重新计算、重新审核，并把差异清单同步给相关岗位。这一步做通之后，“反复改图”带来的协同成本才真正降下来。
5. 落地过程中的常见坑与排查技巧
5.1 尺寸偏差：差的不只是“毫米”
第一次联调时，我发现AI生成的一个衣柜左侧板宽度是592mm，但右侧板宽度是598mm。乍一看差几毫米不严重，但实际生产中是无法接受的。排查后发现，原因是左侧板靠墙，设计规范里要求预留了墙面误差调整量，而右侧板在开放区，不需要预留。AI在读取设计模型时，没有正确区分这两类场景。
这类问题靠大模型自身很难发现，因为它在语言层面看不出毫米级差异。最后还是靠规则引擎加了一条校验：同一柜体对称位置的同类型板件，尺寸偏差不得超过允许值，否则自动标记。落地后，此类不合格率从首周的百分之十几降到了千分之三以下。
5.2 幻觉问题：AI一本正经地给出错误五金
大模型的“幻觉”是绕不开的。有一回测试，我问系统“这个衣柜需要的拉手型号是什么”，它非常流畅地给出了一个真实存在的拉手型号，但这个型号并不适用于当前门板厚度。原因就是模型把“常见的拉手型号”和“适用于当前配置的拉手型号”混淆了。
解决思路有两个层面：第一，凡是跟物料编码、尺寸参数、工艺参数相关的输出，一律不走大模型自由生成，必须走规则引擎查询物料表；第二，大模型只负责生成“推荐理由”“建议说明”这类自然语言，并且要标明“以下信息由AI生成，请以实际物料清单为准”。这样既保留了大模型的灵活性，也避免它越权决策。
5.3 组织协同：老师傅不信任AI怎么办
技术上线之后，真正卡进度的往往是人的习惯。工厂的老师傅拆单十几年，你让他改用AI初拆、人工审阅，他第一反应是：AI拆的能准吗？出了问题算谁的？
我的做法是把考核指标调了一下。初期不要求老师傅接受AI的全部拆单结果，只要求他们标记出AI的错误，每找一个有效错误，系统记录一条，月末有奖励。这么做一举两得：一方面，老师傅从“对抗”变成“挑错”，积极性提上来了；另一方面，这些错误记录变成了优化规则库的一手数据。三个月后，规则库多了几百条真实场景的修正规则，AI的准确率也上来了。
5.4 问题排查速查表
| 现象 | 可能原因 | 排查方法 |
|---|---|---|
| 板件尺寸左右不对称 | 墙面处理规则未匹配 | 查看设计模型中的靠墙/离墙属性 |
| BOM中五金件漏项 | 五金规则库未覆盖该柜型 | 检查规则表中铰链/连接件触发条件 |
| 改图后报价未同步 | 数据流未触发重算事件 | 检查消息队列中订单变更事件是否消费成功 |
| 孔位与实物不匹配 | 五金品牌映射错误 | 核对主数据映射表与库存料号 |
| AI推荐方案超出预算 | 需求参数中预算字段未解析 | 复查需求结构化输出中budget字段 |
| 排料利用率过低 | 板材尺寸与库存规格不匹配 | 调取排料引擎日志，确认板材规格参数 |
6. 二阶段演进路线：从“单点提效”到“全链协同”
6.1 一期做“单点”,二期再谈“全链”
我在规划落地节奏时，有意没有在一期追求“全链路重构”。这个项目分了三步走：
第一步：把“AI改图+自动报价”跑通，让设计团队先尝到甜头。这一步只改前端体验，不动生产端的任何流程，风险最小。团队用了不到一个月就习惯了这个新协作方式，客诉率明显下降。
第二步：把“AI初拆+人工审单”上线，这时才开始触碰生产侧的流程。拆单员工作方式变化最大，因此配套了培训方案和异常复盘机制。这一步上线后，订单交付周期开始明显缩短。
第三步：才把前后端数据打通，把订单变更自动同步到ERP、排产系统。到这一步，前端每次改图，后端的材料预留、排产计划都会得到一次自动刷新提醒，真正开始体现“全链路”。
6.2 指标怎么定：别只看“效率提升百分之多少”
这类项目汇报时常被问：效率提升了多少？我建议分环节看，因为不同环节的基数不同。改图环节，重点是“单次修改的平均处理时长”，从小时级到分钟级就是巨大进步；拆单环节，重点看“常规订单拆单时长”和“错漏率”，AI初拆后拆单员时间下降了大约一半。
但我更建议高层关注两个偏经营指标。
一个是“订单交付准时率”。全屋定制行业很多客诉来自交期延误，而交期延误的根因常常是改图、拆单、补单之间的反复。把这些环节理顺之后，交付准时率会自然改善。
另一个是“审单拦截失效成本”。过去一个拆单错误到车间才发现，损失的是板材和人工；现在系统在审单环节就把问题拦截下来，这个“减少的损失”比任何效率数字都有说服力。
6.3 一点个人体会：别神化AI，也别错过时机
这套系统做完之后，我最大的体会是：AI智能体在这个行业里的价值，不是替代人，而是把人的精力释放到真正需要创造力的地方。设计师不用每天熬夜改图，可以把时间花在和客户沟通、打磨方案上；拆单员不用长时间机械操作，可以把精力放在复杂异形柜体和特殊工艺的攻关上。
从技术路径上看，当前的大模型、RAG、规则引擎这些能力已经足够支撑一个全屋定制AI智能体的初版落地，关键不是算法有多先进，而是你有没有把行业知识结构化、流程化。
如果你所在的工厂或设计公司还在纠结要不要上，我建议先挑一个最痛的环节做小范围测试。先把“AI改图一分钟”或“AI初拆一单五分钟”做出样板，再做决策。这个行业的竞争已经从“比谁画的图好看”转向“比谁交付得又准又快”，先跑通的人，后面会轻松很多。
