基于Deepseek+飞书多维表格的买房小助手
2年前小的写过一篇《用需求分析的思路进行购房选择》，在得到一些大佬的认可与转载的同时，还辅助自己欠上了几百万的贷款。虽然说自己买在了高位，还房贷1年后房价还开始往下掉，但当时“这个选择”也确实是除了“晚点买”之外的“较佳”选择。相对起其他盘，也相对抗跌。 恰巧，最近有一位网友问我要当时的“购房决策”文档，加上最近Deepseek爆火、飞书多维表格引入Deepseek。于是我想到，“为何不能利用AI强化一下我的文档，形成一套自动化的、智能化的AI购房小助手文档呢？” 好像还蛮有搞头，说干就干…… 于是便整出了这么一个在线文档。 以下是成品展示~ 整体上分为4页，分别是“明确预算”、“需求拆解”、“市场调研”、“总结输出”。用户可分别在“明确预算”、“需求拆解”页输入自己的情况和需求权重，然后在“市场调研”环节录入自己的研究结果。最终在“总结输出”环节，系统会自动计算出高分的的房源，并展示出来。 在“明确预算”页，我们输入表格中所需的信息，多维表格会利用Deepseek按我们输入的信息查询“最新（？）”的房贷政策，最终算出“房贷利率”、“预算上限”的参考。 这里实际算到的结果是有点延后的，所以这里仅能给到大概的参考，让人知道“我的预算应该在什么范围”，但是最终的值还是要我们自己去查最新的资料算一遍。 在“需求拆解”页，这里小的结合以往的经验和AI建议，列出了常见的十几个需求维度，我们可结合自身的需要程度，填入“分值说明”、“权重”，用于给到自动计算的依据。 在“市场调研”页，这里就需要我们去一个个房源进行考察和记录，并填入表中。AI会结合我们填入的“分值说明”、“权重”对这些房源进行“各维度打分”和“总分计算”。 在“总结输出”页，系统会按分值排序，呈现最高分值的房源选项，辅助我们进行决策。 一、用途说明 那这个AI购房小助手有什么用呢？ 对我们这些小白来说，买房会存在以下痛点： 1.房子评价维度多，对比困难。 评价一套房子的维度有很多，价格、地段、交通方便度、容积率、楼间距、朝向、配套、户型、使用率等等。第一次接触这些内容与概念，会很容易一下子被绕晕，这套房可能教育资源配套更好，这套房可能通勤更方便，这套房又可能住起来舒服……其中真需求和伪需求混杂，导致房子与房子之间难对比。 2.对市场缺乏认知，影响决策。 中介和房地产销售是利用信息差赚钱的行业，对于我们这些缺乏信息获取渠道的小白来说，极容易由于信息差被中介和房地产销售套路，从而影响我们的决策。可能销售的几个套路，就会误导我们认为这个房子是较好的选择，从而做了一个影响一生的错误决策。 这套AI购房小助手能做到： 1.辅助我们梳理购房预算、购房需求，帮助我们了解“我们想要怎么样的房子”。在一开始就明确这两项内容，可以使得我们在面对繁杂的信息时候，避免被“伪需求”干扰，从而做出错误选择。 2.通过梳理一套“标准化”的量化规则，辅助我们把市场上的选项都放在同一标准上进行对比评分，从而避免各种中介、销售用他们的话术混淆我们的判断。 值得注意的是，AI购房小助手仅能做到利用已有信息进行辅助决策，并不能预测未来的房价走势，所以并不构成投资建议，仅供买房小白参考，富哥、大佬请忽视。 二、建设思路 下面就分享下，我在弄这个表格时候的思路。 核心流程梳理 首先是梳理核心的业务流程，这里要梳理的是“购房的决策流程”。结合之前文章中的梳理和最新的经验，这里的流程主要可分为： 1.明确预算； 2.需求拆解； 3.市场调研； 4.总结输出； 这里先分开讲讲。 明确预算 在这个环节，我们需要主要先捋清楚“购房预算上限”。 “购房预算上限”主要用来衡量我们当前最高能买多贵的房子。这里需要通过“可用于首付的金额”、“家庭每月可用于还款金额”、“购房类型”、“最高还款年限”、“所处城市”来计算，集中需要“所处城市”来查询当前城市的最新房贷政策。 需求拆解 “购房目的”主要是梳理出我们对房子的需求内容有什么维度，从而为后面的量化评分做准备。因为衡量一个房子价值的维度有很多，比如投资、教育、居住等方面，但是对于我们来说并不是所有的需求都是必须的，其中包含真需求和伪需求。这里可大致分为“房款压力”、“通勤效率”、“生活配套”、“居住体验”、“增值潜力”、“主观评价”6个维度去拆分。按照我先前的经验和AI的建议，又可分为13个子类。 我们需要对这这些子指标进行分值定义，并分析这个指标对我们的重要程度，从而制定一套权重。 比如当时我对“通勤效率”的分值定义如下，使用其中的量化指标对其进行分值划分。 并且当时对“通勤效率”要求较高，所以给到了权重“8”，仅次于“房款压力”的权重“10”。 市场调研 当确定了预算和评判维度之后，就需进行行大规模的市场调研，然后使用已有的维度标准进行打分。 这个过程中我们会随着对“房子”的认知的加深，不断优化我们的初版标准与权重，使得我们最终的评分更符合我们的目的的。 总结输出 最后就是通过我们的“权重”和“各个维度的分值”计算总分，从而排出“在当前标准下”，最适合我们的房子是哪几套。 这个公式如下： 当然这个分值一开始并不一定是正确的，因为我们的“评分标准”、“权重”的设置会受限于我们的认知。所以我们要多和其他更权威的人员沟通。我们可以先列出几个评分较高的选项，组织一轮评审会，向家属（股东）、有经验的熟人（“权威”）统一介绍方案。这一步便是借用他人的经验和智慧填平信息差，本质上和做需求时需要和业务、技术多方对齐，避免自身的信息茧房影响了决策的效果。 最终第三方的意见，并再次优化“评分标准”、“权重”，最终锁定几个个选项。最后再就这两个选项进行二次打分，最终可得到目标的房子。 至此，小的关于购房决策的核心流程就梳理完了。 可行性研究 接着是可行性的研究。我要研究“增加了Deepseek的飞书多维表格”是否真的能满足这个业务的需求。这里核心要考察的能力是——是否能基于录入的信息查询，并总结成目标结果。 比如在“明确预算”环节查询房贷政策，计算“贷款利率”。比如在“市场调研”环节查询通勤时间，给到“通勤效率”相关的评分。 因为AI购房小助手本质上就是通过引导用户输入信息，然后AI小助手按标准化规范 思考判断后输出结果，并可视化呈现。 我这里就是通过“房贷利率”的计算进行了可行性研究。 为了查到这个信息，我首先要查到城市的“房贷利率政策”。这里通过输入了“所处城市”，让DeepSeek去查询该城市的政策。 查询完后，DeepSeek的输出结果是一大段房贷政策。而我的最终目的是算出“我当前条件对应的房贷利率”，所以还要做多一步提炼处理。 这里是先加多了一列“信息整合”列，把用于提取“房贷利率”的信息都汇总在一个格子内，然后使用“信息提取”AI从中提炼“房贷利率”。 为什么要设置“信息整合”列？因为Deepseek、AI信息提取功能无法对多格内容进行汇总并提炼，所以要多加一步的处理。 最终是验证到能够查询到对应“房贷利率”。 三、落地建设 当核心逻辑的可行性被验证后，那就是进行项目落地了。我的思路是： 1. 按环节拆分输入输出 先按核心流程“明确预算”、“需求拆解”、“市场调研”、“总结输出”梳理其中输入输出项目。 比如“市场调研”环节是要输入各种房源的信息，然后通过AI处理，输出分值信息。下图为目前的字段示例。 2. 设计AI字段 当明确输入输出内容后，我们要梳理中间过程的AI字段，也就是“AI怎么把我们的输入字段，变成输出字段”。这里其实就是一个“提示词工程”的过程。 我们要逐个逐个去调试提示词的准确度，判断是否符合业务需求。部分输出字段可能依赖多个信息，这种情况就要设计一套相对复杂点的处理逻辑。 比如“公交通勤评分”这个字段。 要算这个字段，首先我们要知道“上班地址”和“小区地址”，这里可以在Step1和Step3分别加入输入项。 然后，我们使用DeepSeek查询这两个地址的早高峰通勤时间。由于DeepSeek输出的是一大段文字，我们要从中提炼“时间”信息。因此这里要使用“信息提取”字段提炼时间信息。 最后，我们需要使用这个时间对比我们的“评分标准”得出最终的“公交通勤评分”。 大致流程图如下： 3.设计结果输出样式 最后，就是设计“呈现这些输出结果”的样式了。这里直接使用了飞书多维表格的“仪表盘”进行操作，关于此就不赘述了。 四、难点问题 整体下来还是有不少难点的，这也和DeepSeek与飞书的结合还是处于“中间”阶段有关系。小的觉得存在的问题主要有： 1.AI响应速度慢：由于AI对一个输入内容的响应非常慢，所以导致本表格中较长“输入-输出”过程会出现问题，经常一行信息更新了，但是最终的结果要等很久才能出来。使用过程中的体验会比较差。由于“AI思考需要时间”是一个客观事实，或许需要补全两方面的能力： 生成任务管理：需要一个全局的AI生成管理能力，一方面明确各字段的生成前后关系，另一方面用于控制整体的更新情况。以用于对一条链路上的所有字段同时更新，或者在提示词更新后大批量更新内容。 进度预期管理：由于生成是需要时间的，这里需要对生成中的内容进行状态提醒，并且禁用修改操作。 2.DeepSeek字段无法关联多个输入项：在利用DeepSeek能力的时候，只能选择一个字段，无法同时输入多个字段让AI判断。因此我这个表格的实现采用了很多“弯弯绕绕”的办法。整体用起来有较高的学习和维护成本。 3.AI幻觉问题：由于AI是存在幻觉的，经常会出现“限制条件”执行不到位的情况，导致最终分值无法计算出来。为了提高准确率，所以原本一个提示词能解决的问题，我得拆成N个。 当然，这些问题一定会在未来被解决，目前这些问题只是AI落地过程中的阵痛。 五、小结 以上，便是AI购房小助手这个项目的分享。我们可以看到引入了DeepSeek之后多维表格的强大之处。连买房决策这么相对繁琐的业务都能被飞书“低代码”地实现，那飞书多维表格的实力可见不仅如此。结合上AI coding，或许个人开发者的春天已经来了！ 本文由人人都是产品经理作者【柠檬饼干净又卫生】，微信公众号：【柠檬饼干净又卫生】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于CC0协议
2年前小的写过一篇《用需求分析的思路进行购房选择》，在得到一些大佬的认可与转载的同时，还辅助自己欠上了几百万的贷款。虽然说自己买在了高位，还房贷1年后房价还开始往下掉，但当时“这个选择”也确实是除了“晚点买”之外的“较佳”选择。相对起其他盘，也相对抗跌。
恰巧，最近有一位网友问我要当时的“购房决策”文档，加上最近Deepseek爆火、飞书多维表格引入Deepseek。于是我想到，“为何不能利用AI强化一下我的文档，形成一套自动化的、智能化的AI购房小助手文档呢？”
好像还蛮有搞头，说干就干……
于是便整出了这么一个在线文档。
以下是成品展示~
整体上分为4页，分别是“明确预算”、“需求拆解”、“市场调研”、“总结输出”。用户可分别在“明确预算”、“需求拆解”页输入自己的情况和需求权重，然后在“市场调研”环节录入自己的研究结果。最终在“总结输出”环节，系统会自动计算出高分的的房源，并展示出来。
在“明确预算”页，我们输入表格中所需的信息，多维表格会利用Deepseek按我们输入的信息查询“最新（？）”的房贷政策，最终算出“房贷利率”、“预算上限”的参考。
这里实际算到的结果是有点延后的，所以这里仅能给到大概的参考，让人知道“我的预算应该在什么范围”，但是最终的值还是要我们自己去查最新的资料算一遍。
在“需求拆解”页，这里小的结合以往的经验和AI建议，列出了常见的十几个需求维度，我们可结合自身的需要程度，填入“分值说明”、“权重”，用于给到自动计算的依据。
在“市场调研”页，这里就需要我们去一个个房源进行考察和记录，并填入表中。AI会结合我们填入的“分值说明”、“权重”对这些房源进行“各维度打分”和“总分计算”。
在“总结输出”页，系统会按分值排序，呈现最高分值的房源选项，辅助我们进行决策。
一、用途说明
那这个AI购房小助手有什么用呢？
对我们这些小白来说，买房会存在以下痛点：
1.房子评价维度多，对比困难。
评价一套房子的维度有很多，价格、地段、交通方便度、容积率、楼间距、朝向、配套、户型、使用率等等。第一次接触这些内容与概念，会很容易一下子被绕晕，这套房可能教育资源配套更好，这套房可能通勤更方便，这套房又可能住起来舒服……其中真需求和伪需求混杂，导致房子与房子之间难对比。
2.对市场缺乏认知，影响决策。
中介和房地产销售是利用信息差赚钱的行业，对于我们这些缺乏信息获取渠道的小白来说，极容易由于信息差被中介和房地产销售套路，从而影响我们的决策。可能销售的几个套路，就会误导我们认为这个房子是较好的选择，从而做了一个影响一生的错误决策。
这套AI购房小助手能做到：
1.辅助我们梳理购房预算、购房需求，帮助我们了解“我们想要怎么样的房子”。在一开始就明确这两项内容，可以使得我们在面对繁杂的信息时候，避免被“伪需求”干扰，从而做出错误选择。
2.通过梳理一套“标准化”的量化规则，辅助我们把市场上的选项都放在同一标准上进行对比评分，从而避免各种中介、销售用他们的话术混淆我们的判断。
值得注意的是，AI购房小助手仅能做到利用已有信息进行辅助决策，并不能预测未来的房价走势，所以并不构成投资建议，仅供买房小白参考，富哥、大佬请忽视。
二、建设思路
下面就分享下，我在弄这个表格时候的思路。
核心流程梳理
首先是梳理核心的业务流程，这里要梳理的是“购房的决策流程”。结合之前文章中的梳理和最新的经验，这里的流程主要可分为：
1.明确预算；
2.需求拆解；
3.市场调研；
4.总结输出；
这里先分开讲讲。
明确预算
在这个环节，我们需要主要先捋清楚“购房预算上限”。
“购房预算上限”主要用来衡量我们当前最高能买多贵的房子。这里需要通过“可用于首付的金额”、“家庭每月可用于还款金额”、“购房类型”、“最高还款年限”、“所处城市”来计算，集中需要“所处城市”来查询当前城市的最新房贷政策。
需求拆解
“购房目的”主要是梳理出我们对房子的需求内容有什么维度，从而为后面的量化评分做准备。因为衡量一个房子价值的维度有很多，比如投资、教育、居住等方面，但是对于我们来说并不是所有的需求都是必须的，其中包含真需求和伪需求。这里可大致分为“房款压力”、“通勤效率”、“生活配套”、“居住体验”、“增值潜力”、“主观评价”6个维度去拆分。按照我先前的经验和AI的建议，又可分为13个子类。
我们需要对这这些子指标进行分值定义，并分析这个指标对我们的重要程度，从而制定一套权重。
比如当时我对“通勤效率”的分值定义如下，使用其中的量化指标对其进行分值划分。
并且当时对“通勤效率”要求较高，所以给到了权重“8”，仅次于“房款压力”的权重“10”。
市场调研
当确定了预算和评判维度之后，就需进行行大规模的市场调研，然后使用已有的维度标准进行打分。
这个过程中我们会随着对“房子”的认知的加深，不断优化我们的初版标准与权重，使得我们最终的评分更符合我们的目的的。
总结输出
最后就是通过我们的“权重”和“各个维度的分值”计算总分，从而排出“在当前标准下”，最适合我们的房子是哪几套。
这个公式如下：
当然这个分值一开始并不一定是正确的，因为我们的“评分标准”、“权重”的设置会受限于我们的认知。所以我们要多和其他更权威的人员沟通。我们可以先列出几个评分较高的选项，组织一轮评审会，向家属（股东）、有经验的熟人（“权威”）统一介绍方案。这一步便是借用他人的经验和智慧填平信息差，本质上和做需求时需要和业务、技术多方对齐，避免自身的信息茧房影响了决策的效果。
最终第三方的意见，并再次优化“评分标准”、“权重”，最终锁定几个个选项。最后再就这两个选项进行二次打分，最终可得到目标的房子。
至此，小的关于购房决策的核心流程就梳理完了。
可行性研究
接着是可行性的研究。我要研究“增加了Deepseek的飞书多维表格”是否真的能满足这个业务的需求。这里核心要考察的能力是——是否能基于录入的信息查询，并总结成目标结果。
比如在“明确预算”环节查询房贷政策，计算“贷款利率”。比如在“市场调研”环节查询通勤时间，给到“通勤效率”相关的评分。
因为AI购房小助手本质上就是通过引导用户输入信息，然后AI小助手按标准化规范 思考判断后输出结果，并可视化呈现。
我这里就是通过“房贷利率”的计算进行了可行性研究。
为了查到这个信息，我首先要查到城市的“房贷利率政策”。这里通过输入了“所处城市”，让DeepSeek去查询该城市的政策。
查询完后，DeepSeek的输出结果是一大段房贷政策。而我的最终目的是算出“我当前条件对应的房贷利率”，所以还要做多一步提炼处理。
这里是先加多了一列“信息整合”列，把用于提取“房贷利率”的信息都汇总在一个格子内，然后使用“信息提取”AI从中提炼“房贷利率”。
为什么要设置“信息整合”列？因为Deepseek、AI信息提取功能无法对多格内容进行汇总并提炼，所以要多加一步的处理。
最终是验证到能够查询到对应“房贷利率”。
三、落地建设
当核心逻辑的可行性被验证后，那就是进行项目落地了。我的思路是：
1. 按环节拆分输入输出
先按核心流程“明确预算”、“需求拆解”、“市场调研”、“总结输出”梳理其中输入输出项目。
比如“市场调研”环节是要输入各种房源的信息，然后通过AI处理，输出分值信息。下图为目前的字段示例。
2. 设计AI字段
当明确输入输出内容后，我们要梳理中间过程的AI字段，也就是“AI怎么把我们的输入字段，变成输出字段”。这里其实就是一个“提示词工程”的过程。
我们要逐个逐个去调试提示词的准确度，判断是否符合业务需求。部分输出字段可能依赖多个信息，这种情况就要设计一套相对复杂点的处理逻辑。
比如“公交通勤评分”这个字段。
要算这个字段，首先我们要知道“上班地址”和“小区地址”，这里可以在Step1和Step3分别加入输入项。
然后，我们使用DeepSeek查询这两个地址的早高峰通勤时间。由于DeepSeek输出的是一大段文字，我们要从中提炼“时间”信息。因此这里要使用“信息提取”字段提炼时间信息。
最后，我们需要使用这个时间对比我们的“评分标准”得出最终的“公交通勤评分”。
大致流程图如下：
3.设计结果输出样式
最后，就是设计“呈现这些输出结果”的样式了。这里直接使用了飞书多维表格的“仪表盘”进行操作，关于此就不赘述了。
四、难点问题
整体下来还是有不少难点的，这也和DeepSeek与飞书的结合还是处于“中间”阶段有关系。小的觉得存在的问题主要有：
1.AI响应速度慢：由于AI对一个输入内容的响应非常慢，所以导致本表格中较长“输入-输出”过程会出现问题，经常一行信息更新了，但是最终的结果要等很久才能出来。使用过程中的体验会比较差。由于“AI思考需要时间”是一个客观事实，或许需要补全两方面的能力：
- 生成任务管理：需要一个全局的AI生成管理能力，一方面明确各字段的生成前后关系，另一方面用于控制整体的更新情况。以用于对一条链路上的所有字段同时更新，或者在提示词更新后大批量更新内容。
- 进度预期管理：由于生成是需要时间的，这里需要对生成中的内容进行状态提醒，并且禁用修改操作。
2.DeepSeek字段无法关联多个输入项：在利用DeepSeek能力的时候，只能选择一个字段，无法同时输入多个字段让AI判断。因此我这个表格的实现采用了很多“弯弯绕绕”的办法。整体用起来有较高的学习和维护成本。
3.AI幻觉问题：由于AI是存在幻觉的，经常会出现“限制条件”执行不到位的情况，导致最终分值无法计算出来。为了提高准确率，所以原本一个提示词能解决的问题，我得拆成N个。
当然，这些问题一定会在未来被解决，目前这些问题只是AI落地过程中的阵痛。
五、小结
以上，便是AI购房小助手这个项目的分享。我们可以看到引入了DeepSeek之后多维表格的强大之处。连买房决策这么相对繁琐的业务都能被飞书“低代码”地实现，那飞书多维表格的实力可见不仅如此。结合上AI coding，或许个人开发者的春天已经来了！
本文由人人都是产品经理作者【柠檬饼干净又卫生】，微信公众号：【柠檬饼干净又卫生】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议
