用 AI 开发了一个 AI 产品：自建房造梦软件从概念到 MVP

我们最近做了一个新东西：自建房造梦软件。

名字有点中二，但定位很明确——用户输入宅基地尺寸、面积、风格这些需求，AI 分钟级生成平面布局图 + 外立面效果图 + 粗估报价。不 出施工图，只交付"想象力"。

这篇不讲产品规划（那是另一篇该写的），讲开发过程：这个 AI 产品本身，也是用 AI 开发的。 从两场内部战略录音到能跑的 MVP，中间的产品文档、架构设计、前后端代码，大部分是 AI 帮我写的。

一、起因：两场录音，一个模糊的方向

公司内部开了两场战略沟通（录音 5、录音 7），核心就一个意思：自建房市场有 3.8 万亿规模，但业主"想建房却不知道长啥样"——能不能做一个工具，输入尺寸就出方案？

方向是模糊的。录音里提到"造梦软件""BBPC""从后向前推进"这些词，但没人说得清产品到底长什么样、技术上怎么落地。

传统做法是：开产品会、写 PRD、画原型、排期、开发，至少两个月起步。但这次我换了个路子——直接让 AI 帮我从战略录音里提炼产品规划。

二、AI 帮我做了什么

2.1 战略录音 → 结构化产品规划

把两场录音的 AI 转写摘要喂给 AI，让它：

1. 提炼核心要点：产品定位、目标用户、商业模式、技术路线
2. 转译为技术语言：录音里说"从后向前推进"，AI 帮我解读为"先打通后端供应链对接能力，再补前端交互"
3. 梳理待决策项：列出 6 条需要决策层拍板的问题（B 线战略归属、MVP 技术栈、AI 路线等）
4. 写两版规划文档：一版考虑现有技术复用（.NET/族库底座），一版完全 AI 原生（不绑定 Revit）

两份文档加起来近 3 万字，AI 写的框架我来改细节。如果纯手写，至少一周。实际花了一个下午。

2.2 产品规划 → 可运行的 MVP

规划文档定了之后，下一步是搭 MVP。MVP 的目标很明确：

• 表单输入宅基地参数
• AI 生成平面布局图（SVG）
• AI 生成外立面效果图（文生图）
• 粗估报价 + 地方合规提示
• 支持对话式需求采集

这些功能全是 AI 帮我写的代码。后端 Flask（app.py 约 450 行），前端单页 HTML（约 400 行），加起来不到 1000 行代码，一天跑通。

2.3 关键架构决策也是 AI 提的

比如"三种 AI 模式"的设计：

这个设计不是我拍的，是 AI 分析了"需要支持云端快速验证 + 本地离线演示 + 无 Key 降级"三个需求后给的架构方案。事实证明非常好用——给客户演示时用云端模式出图快，内测时用本地模式不烧钱，没配 Key 时自动降级演示模式照样能跑。

三、MVP 长什么样

3.1 表单输入

用户填写：宅基地面宽/进深、建筑面积、层数、卧室数、客厅数、风格（新中式/现代/欧式/田园/极简）、地区、预算、屋顶形式、附加要素（庭院/车库/露台）、色调、环境。

3.2 AI 对话构思

除了表单，还有对话入口。用户用大白话描述需求：

★

"我家宅基地大概 12 米宽 10 米进深，想盖两层，三室两厅带个小院，新中式风格，预算别太高。"

LLM 解析这段话，提取结构化参数（尺寸、层数、房间、风格、预算），还能处理增量修改意图——"换个现代风格""加个院子"这种。每次对话返回三样东西：口语回应 + 更新后的参数 JSON + 是否需要重新出图。

这个设计的关键是 system prompt 工程。AI 顾问的 system prompt 里明确要求：只输出 JSON、增量更新不覆盖未提及字段、设置 regenerate 标志。这些约束不是代码逻辑控制的，是 prompt 约束的——够用，但不完美。

3.3 平面布局图：LLM 直接出 SVG

MVP 阶段没用参数化规则引擎，也没用布局扩散模型，而是让 LLM 直接生成 SVG。

prompt 大概长这样：

为宅基地12x10米、建筑面积约220㎡、2层、新中式风格的自建房，生成一层平面布局 SVG：含3间卧室、2个厅、厨房、卫生间、楼梯，标注房间名与大致尺寸，比例合理、动线通顺。

LLM 返回一段 SVG 代码，前端直接渲染。实测 DeepSeek-V3 和 qwen3.7-flash 都能生成带房间标注、尺寸、门窗示意、指北针的平面图——不是施工图，但给业主看"户型长什么样"足够了。

说实话这个方案有点野。 让 LLM 画 SVG，可控性不如规则引擎，合规性也不如参数化布局。但 MVP 阶段要的是"最快验证需求"，不是"出图完美"。先用 LLM 直接出图跑通流程，验证业主愿不愿意用，再决定要不要上规则引擎。

3.4 外立面效果图：文生图

效果图走文生图 API。prompt 由用户参数自动拼接：

新中式风格农村自建房外观效果图，2层，宅基地12x10米，坡屋顶，含庭院、车库，白墙灰瓦色调，写实摄影风格，白天自然光，清晰建筑立面与门窗细节，村庄绿地环境，建筑摄影，高清。

云端用 Kolors 或 qwen-image，本地用 SD-WebUI-Forge。本地模式自动把风格映射为英文（新中式 → Chinese neo-classical），因为本地 SD 对英文 prompt 理解更好。

3.5 报价 + 合规提示

报价是粗估：面积 × 地域单价 × 风格系数。地域单价内置了几个省的示例值（浙江 1500 元/㎡、湖南 1100 元/㎡等），合规提示也是通用的退线/限高/风貌预警。

这部分不是 AI 生成的，是规则计算——MVP 阶段不需要 AI 做所有事，该用规则的地方用规则。

四、踩的坑

坑 1：通义千问的图模型接口不统一

qwen-image 系列走同步 multimodal-generation 接口，wanx 系列走异步 image-synthesis 接口——两套完全不同的调用方式。AI 一开始按 wanx 的异步轮询写，实测发现 qwen-image 是同步返回，改了接口逻辑。而且 size 参数格式还不同：qwen-image 要 1280*768（星号），wanx 要 1024*1024（也是星号但语义不同）。

坑 2：硅基流动新账户图片模型限制

新注册的硅基流动账户，部分图片模型（FLUX/SD 系列）未充值时返回 Model disabled。解法是默认用 Kwai-Kolors/Kolors，这个模型新账户可用。

坑 3：本地 SD 的 prompt 语言

本地 SD-WebUI-Forge 对中文 prompt 理解很差，出图质量明显不如云端。解法是代码里加了一层风格映射（STYLE_EN），把中文风格词自动转成英文再传给本地 SD。云端模型对中文友好，直接用中文 prompt。

坑 4：对话模式的 JSON 解析

LLM 对话模式要求只输出 JSON，但模型偶尔会在 JSON 前后加解释文字或 markdown 标记。代码里用正则 re.search(r'\{[\s\S]*\}', out) 提取 JSON 块，容错大部分情况。但偶尔遇到嵌套 JSON 被截断的情况，需要加 max_tokens 兜底。

五、AI 开发 AI 产品的几个感受

5.1 产品文档不再是瓶颈

以前做新产品，最慢的不是写代码，是写文档——产品规划、技术方案、工作量评估。这些文档以前一周起步，现在 AI 一个下午能出框架，我来改细节。**文档从"写不动"变成了"改不完"**，效率差了一个数量级。

5.2 MVP 的速度变了

从"规划 → 能跑的 MVP"，传统流程至少一个月。这次从录音转写到 MVP 跑通，实际花了三天：一天写规划文档、一天写代码、一天调试。AI 把"从 0 到 1"的成本压到了一个量级以下。

5.3 架构决策可以问 AI

三种 AI 模式的设计、Scheme JSON 作为单一事实源、演示模式降级——这些不是我想出来再让 AI 写的，是 AI 在分析需求后主动提的架构方案。当然不是每个方案都靠谱，但 AI 给的架构选项比我自己想的更多、更快，筛选比从零想效率高。

5.4 AI 做不了的事

AI 能帮你写文档、写代码、提架构方案，但有几件事它做不了：

• 判断需求真假。 自建房领域到底是"真要建房"还是"觉得好玩"，需要投放原型去测留资率，AI 帮你不了。
• 客户沟通。 湖南客户的低预算到底能接受什么方案、易宅科技 20 个项目能不能转 PoC，得人去谈。
• 战略取舍。 B 线（造梦软件）和 A 线（PC 深化 Revit 插件）的资源怎么分，AI 给不了答案。

AI 是加速器不是决策者。它把"从想法到 MVP"的时间从月级压到天级，但"MVP 到产品"的路——需求验证、客户拓展、商业模式打磨——还是得人走。

六、收个尾

造梦软件的 MVP 已经跑通了，能出平面图、能出效果图、能对话采集需求、能粗估报价。三种 AI 模式（云端/通义/本地）都验证过，没配 Key 也能降级演示。

这篇想说的核心就一句：AI 不只是帮你写代码的工具，它是帮你把"模糊想法"变成"可运行产品"的加速器。 从战略录音到能跑的 MVP，三天，不到 1000 行代码。这个速度在两年前是不可想象的。

至于造梦软件本身能不能成——那是另一个问题。但至少验证它的成本，已经被 AI 压到可以随便试了。

优易科技 | 优易BIM助手

欢迎转发