[返回全部案例]() 客户案例房产服务2025 年 4 月 · 首轮验收 # 到家了如何用 AI 改变找房与客户服务 在**40 万套真实房源**中，找到适合一个人的家，往往要理解筛选条件以外的需求。到家了与 Tokenmap 词元映射共同打造叮咚找房，将自然语言找房、房产业务咨询与经纪人客户服务连接起来，让用户从一句话开始寻找合适的房子。 ![图片]() 到家了与 Tokenmap 词元映射共同打造叮咚找房 AI。 [视频]() ## 40 万套房源背后的找房难题 广积粮集团旗下的到家了，是西南地区具有影响力的直营房产经纪品牌，拥有约**1 万名员工**，其中约**8000 名经纪人**。对于这样一家企业，找房既是消费者每天会遇到的问题，也是经纪人服务客户时反复进行的工作。 传统找房 APP 可以筛选价格、面积和户型。但一个人真正想要的家，往往还包含其他考虑。窗外视野怎么样，装修是否合心意，周边有没有方便生活的商圈，孩子上学有哪些选择，购房政策又会怎样影响决策。这些问题很难靠勾选几个条件表达清楚。 用户需要打开房源逐套查看，经纪人也需要从筛选结果中寻找更符合客户喜好的房子。房源数量再多，仍然会遇到同一个困难。客户说的是生活需求，系统保存的却主要是房源信息，两者之间需要大量人工理解和比较。 到家了希望从这个高频环节开始改变。让客户直接表达需求，让系统理解并检索真实房源，同时把找房过程中的问题与后续服务交给合适的业务流程处理。 ## 把想要的房子直接说出来 叮咚找房的主要入口是找房 APP，面向租房、买房和卖房等业务。用户无需先把想法翻译成一组筛选项，可以像与经纪人交流一样提出要求。需求还不清楚时，AI 可以通过对话继续引导，帮助用户明确偏好。 一次真实演示中，用户这样提出找房需求。 帮我在观音桥附近找一个面积150平方左右，三室的二手房房子，旁边最好有商圈和学校，帮我找出最具有性价比的房子。 ![图片]() 一句话表达位置、面积、户型、配套与性价比偏好。 系统将这句话拆解为可检索和比较的需求，识别观音桥附近、约 150 平方米、三室、二手房等条件，再结合商圈、学校及性价比偏好开展查找。对于无法直接用单个字段判断的要求，AI 会结合相关信息进一步比较。 ![图片]() 需求理解与处理过程。界面中的耗时属于单次演示记录，不代表所有查询的响应速度。 [视频]() ## 看见候选房源，也看见推荐理由 在这次演示中，系统给出了 **5 套候选房源**，并附带推荐理由。用户可以继续查看房源详情，理解每套房子与自身需求的关系，再结合实际情况作出选择。 ![图片]() 本次演示中的 5 套候选房源及推荐理由。 这种推荐依托向量检索、知识图谱与推理能力。向量检索帮助系统理解不同说法背后的相近需求，知识图谱关联房源与周边信息，推理过程则综合多个条件进行比较，形成可阅读的建议。 对于更复杂的需求，深度思考查询可以在更大范围和更多维度下进行比较，处理数百套候选房源的相关信息，再给出综合建议。这里的价值在于帮助用户缩小选择范围，并呈现比较依据，最终判断仍结合看房体验与经纪人的专业服务。 ## 找到房子以后，还要回答生活中的问题 一套房子的面积和价格只是决策的一部分。很多问题发生在看到房源之后。小区周边的交通和生活配套是否方便，学校信息怎样查询，贷款与购房政策有哪些需要注意的地方，新楼盘与二手房又该如何比较。 叮咚找房把房源推荐延伸到房源分析和业务咨询。用户可以围绕小区、楼盘、学校、交通及金融政策继续提问，也可以在房源展示中查看周边配套与全景信息。 ![图片]() 房源分析中的周边配套展示，帮助用户结合具体位置理解生活便利程度。 ![图片]() 真实 APP 中的房源全景展示，补充文字与基础字段之外的直观信息。 [视频]() 演示中的价格、估值和报告内容对应当时的数据，不构成当前报价或交易承诺。 部分咨询需要使用企业房源库以外的信息。例如，学校的公办或民办性质、校区招生范围以及房产政策，都可能随着公告更新。方案引入百度千帆 AI 搜索，为 Agent 补充公开信息检索能力，并使用深度研究 API 支持更深入的市场信息研究与报告内容整理。 这使 AI 能在企业已有数据之外继续寻找回答所需的信息。涉及招生资格、贷款条件或交易政策时，仍应以相关部门及机构的最新正式规定为准，并结合具体情况核实。 ## 让一次咨询接上持续的客户服务 找房通常需要反复比较，也需要持续沟通。叮咚找房的行业方案进一步连接了经纪人与客户服务环节，让前一次交流形成的信息能够用于后续工作。 用户选出感兴趣的房源后，AI 可以整理用户需求画像与推荐报告，并将这些信息推送给匹配的经纪人。经纪人接手时，可以先了解客户已经表达过的偏好，以及系统推荐过哪些房源，减少重复询问。 在企业微信场景中，AI 作为经纪人的助理，支持消息回复、客户跟进与意向客户激活。结合客户需求持续关注新房源，并通过后续询问、房源信息和市场报告保持沟通，为经纪人判断何时介入提供帮助。 卖房者同样需要了解市场变化。方案支持在市场出现波动时异步发送报告，通过更深入的市场研究补充报告内容，让客户与经纪人的讨论有具体信息可参考。 ![图片]() 实际市场报告示例，展示区间为 2025 年 8 月至 2026 年 1 月。图中数据为历史内容，不代表当前市场行情。 对房产企业而言，这套安排让总部能够统筹部分标准化客户触达与信息整理，再将需要专业判断和线下服务的事项分发给经纪人。客户获得更连续的服务，经纪人也能把更多精力投入需求沟通、实地带看和交易协助。 ## 让 AI 使用企业已有的房产信息 要完成这些工作，系统需要同时处理真实房源、用户需求与不断变化的业务知识。叮咚找房采用从数据获取到交互展现的多层架构，围绕企业已有的信息和实际业务流程组织能力。 ![图片]() 方案处理流程示意。从数据预处理、知识构建到匹配推荐，再到交互反馈，展示各环节之间的关系。 系统依次完成数据获取、智能处理、知识融合与决策推荐。真实房源、用户需求和业务知识被组织到一起，通过语义检索、关联信息和多条件比较，最终以对话、推荐与报告的形式呈现给用户。 在方案设计中，房源的结构化字段与文字、图片等内容被纳入信息组织与理解，支持更丰富的需求表达和推荐解释。 业务对接通过 Agent 工作流连接房源 API，以及企业已有的 ERP、IM 和企微等系统，让找房与咨询形成的信息能够进入经纪人的日常工作。 项目的核心需求因此十分具体。客户要用日常语言表达需求，经纪人要依据真实房源开展推荐，业务咨询要能够补充更新的信息，前端找房形成的需求记录还要交给后续服务使用。这些要求共同决定了产品的交互方式与系统设计。 ## 从初步探索到分阶段落地 合作从 2024 年底的初步探索开始，2025 年初进入深度合作。双方从自然语言找房这一高频场景切入，将房源数据、需求理解、推荐交互与业务流程逐步连接，并于 2025 年 4 月 20 日形成首次验收汇报，记录当时的阶段性方案与测试展示。 项目围绕找房、业务咨询、市场报告和经纪人服务分阶段推进，让 AI 的使用方式与实际房产业务一起完善。 从一句找房需求出发，到家了与 Tokenmap 将 AI 带入房产服务中的多个环节。系统承担更多查找、比较和信息整理工作，经纪人接手时可以了解客户已经表达过的偏好和推荐报告，为后续沟通与带看作准备。 ## 体验叮咚找房 前往[到家了官网]()，下载到家了 APP，即可体验叮咚找房 AI。可以从自己的租房或购房需求开始，查看系统如何理解、推荐和解释房源。 ## 继续探索 [全部案例]() [!\[图片\]() ### 水里有鱼 AI 漫剧生产平台 从剧本策划、素材管理到分镜制作与后期输出，水里有鱼为个人创作者和专业团队提供统一的 AI 漫剧工作空间，让不同岗位围绕同一个项目有序交接。]() [!\[图片\]() ### 航逸停车智能客服 机场停车的服务从旅客出发前开始，一直延续到返程接机、取车。我们为航逸搭建连接企业微信与小程序订单系统的智能客服，让常规咨询、行程确认和订单通知沿着同一笔订单持续推进，也为人工客服保留接手复杂问题的空间。]() [!\[图片\]() ### 法普 AI 法律咨询小程序 法普AI是一款面向日常法律问题的领域AI助手。我们围绕客户的法律知识库与既有业务，搭建微信小程序中的知识检索与AI问答方案，将专业内容、场景提示词和分段回答结合起来。用户可以从自己的具体情况出发，获得有法律知识参考的初步说明，再沿着延伸问题了解相关事项，查看后续法律方案入口。]()