智能荐车平台

标签: AI 选车 · 多维度量化评分 ·AI推理 · 审核 Agent · 雷达图对比

为什么是这个项目？

买车最痛苦的环节不是钱的问题，是在 100 多款车里纠结三个月还下不了决心。论坛刷到头昏，销售话术听成复读机，朋友推荐全是「我觉得轩逸好」，每条信息都指向不同的车，你越看越迷。我观察到的核心矛盾是，选车决策说到底是一个多目标的线性规划问题，但现有工具全都把它推给直觉去解。用户缺的不是信息，缺的是一个把信息变成可比较、可量化、可质疑的结构化框架。

荐车平台出发点很直接，用 AI 把「我觉得」变成「数据显示」。我们不替用户做决定，只是想让用户在清晰的数据对比中快速缩小决策半径，从三个月缩短到十分钟。

为什么是这个项目？

痛点与问题

中国每年新车销量超 2000 万台，购车决策是普通人仅次于买房的第二大消费决策。但选车体验极其糟糕，汽车之家车型库 2000+ 款，懂车帝评测文章动辄万字，4S 店销售的话术天然偏向提成高的车型。用户在这个信息海洋里反复横跳，最后往往靠朋友推荐或随便选了草率成交。

更深层的问题是参数鸿沟。绝大多数购车者不理解 2790mm 轴距比 2712mm 多了什么，也不理解 10 气囊比 6 气囊多出来那些到底有啥用，参数表读不懂，只能看销量排行和口碑帖，但这些又掺杂了销售操控和水军灌水。我判断这个痛点值得解，它影响的人群规模巨大，决策成本高昂，现有方案也没有真正触及量化对比这个核心需求。

产品与亮点

平台设计了一个四步渐进式流程。先锁定预算和能源偏好（紧卡区间自动计算），再让用户拖拽 8 个维度滑条分配权重，安全 30%、油耗 25%、空间 20%，你说了算。也可以一键套用「家庭实用型」「科技先锋型」等预设模板。第三步勾选加分项，全景天窗、座椅通风这些个性化偏好，第四步输出量化排名、雷达图和对比表。

关键的产品决策在于三级 AI Agent 协作架构。我决定不让一个模型包打天下，而是分工制衡。

第一层评分引擎基于车型真实参数做 14 维度客观打分；

第二层 R1 深度推理（deepseek-reasoner）链式思考，预算适配、场景匹配、短板指出、竞品对比；

第三层审核 Agent（deepseek-chat, t=0.2）做 5 维校验，合理性、意图一致性、时效性、图文匹配、内容润色。三层递进，互相校验，任何一层发现问题都会触发修复或降分重排。

另一个差异化设计是紧卡预算机制。我不做那种预算 15 万给你推荐 20 万的车的拉扯式推荐，算法自动计算下限 87%、上限 103% 的价格区间，超预算车型评分直接扣分。这个决策的原因是，购车预算往往是用户最硬的约束，你放宽它就是在帮销售做推价，不是在帮用户做决策。

商业化思考

目标用户是 25-45 岁的首次购车和换车人群，核心场景是“纠结选车”。商业模式可以分阶段验证：

第一阶段免费使用积累口碑和数据；

第二阶段接入 4S 店线索导流（车型详情页内嵌“附近经销商 + 在线咨询”），按有效线索收取佣金；

第三阶段推出 SaaS 版供汽车垂媒和经销商嵌入，按 API 调用量、订阅或者是引流的流量来收费。

这条路径可行的判断依据是：4S 店获客成本极高（单线索 300-800 元），而平台输出的推荐结果自带场景匹配和预算约束，线索质量和转化率远高于传统流量平台。算一笔账——月活 5 万、推荐转化率 15%、单线索佣金 200 元，月营收可达 15 万，且边际成本极低（ API 调用费用相对可控）。

技术层

三级 Agent 架构的技术逻辑

传统选车工具依赖规则引擎或单一模型，问题在于：规则引擎无法理解“2790mm 轴距对家庭出行意味着什么”这种语义关联，单一模型则容易在打分环节产生幻觉——比如把油耗维度给纯电车打了 60 分（实际上纯电能耗天然最优）。三级架构解决的是“谁来打分、谁来推理、谁来校验”的职责分离问题：

评分引擎 采用低温度（t=0.15）调用 deepseek-chat，将每款车的 14 项硬参数与用户权重组合成结构化 prompt，强制要求模型返回 0-100 分值 + 依据参数的推理链，确保评分的参数驱动性和横向可比性
R1 深度推理 使用 deepseek-reasoner 的链式思考能力，不直接输出结论而是先思考预算适配→场景匹配→短板识别→竞品权衡的推理链，再给出个性化建议。

这层解决的是“分数一样但适配度不同”的语义区分问题

审核 Agent 作为质检层，对照用户画像对推荐结果做 5 维校验：评分合理性（同价位得分差异是否在 5-15 分合理区间）、意图一致性（最高权重维度是否在推荐理由中被重点提及）、数据时效性、图文路径匹配、文字润色。发现问题直接修复并重排。