当地图学会思考：AI智能选房助手的诞生之路

作者: ding5818360
发布时间: 已于 2026-04-08 17:54:23 修改
来源: https://blog.csdn.net/ding5818360/article/details/159963097

一、痛点：从"筛房子"到"找房子"

找房子，从来不是一件轻松的事。

以镇江为例，你想在镇江买一套房，你需要同时考虑：区域（润州区还是京口区？）、价格（单价多少？总价上限多少？）、学区（有没有省重点小学？）、户型（改善型还是刚需？）、地铁（规划中还是已通车？）……每多一个条件，就多一层筛选。更要命的是，这些条件往往混杂在一起——“我想在润州区买一套能上省重点小学的改善型住房，总价不超过150万”——传统的筛选器根本接不住这样的自然语言。

而地图呢？传统地图扮演的角色是"展示"——把房子标在图上，让你看它在哪个区域、离地铁多远。但地图从不"思考"。它不知道你真正想要什么，不知道你的优先级，不知道你话里没说出口的那些条件。

这个项目想做的事，就是让地图从"让人去找"变成"替人去想"。

二、解决方案：AI听懂人话，地图读懂需求

"AI智能选房助手"的核心交互非常简单——你说话，它找房。

用户不需要知道什么是行政区划、什么是容积率、什么是户型结构，只需要说：

“帮我找润州区总价150万以内的学区房，要有地铁”

后端会完成以下步骤：

1. AI语义解析：调用大模型（硅基流动 DeepSeek-V3），将自然语言转化为结构化查询参数（区域=润州区，价格上限=150万，标签=学区房/地铁沿线）
2. 规则兜底：如果用户问的是"别墅"这种明确意图，系统直接走规则快速匹配，不调AI，减少延迟
3. 数据库检索：根据参数从MySQL房源表中筛选符合条件的房子
4. 地图能力增强：腾讯地图API补全POI信息、地址解析、路线规划

三、技术架构

整体架构

微信小程序（uni-app + 腾讯位置服务SDK）
↓ HTTP
Spring Boot 后端
↓
┌──────────┬──────────┐
↓          ↓          ↓
AI服务     腾讯地图API   MySQL数据库
(硅基流动)  (POI/路线)  (房源+学校)

核心数据模型

系统维护两套核心数据：房源表和学校表。镇江15个典型楼盘和10所重点中小学的经纬度、单价、区域、标签全部入库。以学校为锚点，系统可以回答"附近有哪些学校""上这个学校要买哪个小区"这类强刚需问题。

AI意图识别：两阶段方案

系统的AI解析采用"规则快道 + 大模型语义"双轨方案：

第一轨：规则匹配（毫秒级响应）

if (query.contains("学区") || query.contains("学校")) {
// 直接查数据库，不调AI
houses = houseService.getHouseList(params);
}

学区、区域、价格这类明确意图，走规则路径，延迟可以压到50ms以内。

第二轨：大模型语义解析（通用场景）

用户说"我想住得舒服一点，上学方便，环境好"，这就没有明确的结构化标签了。此时调用硅基流动的DeepSeek-V3模型，让AI从文本中推断意图：

输入：我想住得舒服一点，上学方便
输出JSON：
{
"intent": "house_filter",
"reply": "为您找到以下舒适宜居的学区房源",
"tags": "改善型,学区房"
}

看房路线规划：贪心最近邻 + 腾讯路线API

用户勾选多套房源后，系统自动规划最优看房路线。先用贪心最近邻算法对房源按地理坐标排序，再调用腾讯地图的 /ws/direction/v1/driving/ 接口计算每段实际驾车距离和耗时，输出总里程和总时间。

四、地图的进化：从展示到思考

这个项目最让我有感触的，是地图角色的转变。

传统思路里，地图=可视化层——房源标上去，用户自己看、自己判断。但在这个系统里，地图和相关API承担了三重职能：

1. 感知层（位置理解） 腾讯地图的逆地理编码（/ws/geocoder/v1/）和POI搜索（/ws/place/v1/search）让系统真正理解"在哪里"——不仅是房源的坐标，还包括周边配套（学校、地铁、商业）的空间关系。

2. 推理层（需求匹配） 结合学校数据（省重点/市重点/普通）和房源的经纬度，系统可以回答"这个小区属于哪个学区""最近的省重点小学在哪个方向"这类推理问题。地图在这里不再是静态展示，而是在参与推理。

3. 执行层（行动规划） 路线规划（/ws/direction/v1/driving/）把"想看房"这件事推进到行动层面——不只是告诉你房子在哪，还告诉你怎么看、路线怎么走、总共要花多少时间。

地图不再是给人指路的工具，而是替人做决策的参谋。

这就是我理解的"智能进化"——从响应指令，到理解意图，到主动规划。

五、技术亮点与踩坑记录

1. AI降级机制 大模型API有延迟、有失败风险。系统设计了完整的降级链：AI解析失败 → 规则兜底 → 内存数据兜底。用户体验是"始终有结果"，而不是"查不了"。

2. 坐标系注意 腾讯地图使用GCJ-02坐标系，存储经纬度时需要确认数据来源的坐标系一致，否则POI标注会漂移。镇江本地数据手动录入，不存在此问题，但对接外部数据时要留意。

3. 路线规划的最优解问题 贪心最近邻不是全局最优，只是工程上可接受的近似。完整的TSP问题（旅行商问题）需要更复杂的算法，对于5~10个房源的场景，贪心解在体感上没有明显差距。

六、写在最后

这个项目最初源于一个真实的家庭需求——帮家里人在镇江换一套学区房。传统中介的信息是分散的，地图是静态的，筛选条件是机械的。我想，有没有可能做一个工具，让找房这件事变得更自然一些？

答案是：可以。

AI让机器学会了理解人的语言，地图API让机器拥有了空间感知的能力，当两者结合，地图就不再是一张纸，而是一个懂得你在想什么、知道你需要什么、会帮你规划路径的智能助手。

这大概就是"智能进化"最朴素的样子——不是替代人，而是让人做决定时更从容。

作品信息

• 作品名称：AI智能选房助手
• 参赛赛道：腾讯位置服务 × CSDN 开发者征文大赛
• 主题：AI+地图·智能进化
• 技术栈：uni-app + 腾讯位置服务SDK + Spring Boot + MySQL + 硅基流动AI
• 对接腾讯能力：地点搜索（POI）、逆地理编码、路线规划（驾车）、微信小程序地图组件