AI 住宿决策师 · 三模式
把"找住处"这件高度主观的事，变成多目标决策 + 诚实量化。不是罗列房源，而是按
成本 / 位置 / 品质 / 通勤 加权打分、多样选房，并明确标注每个数字的来源与置信度。
一、三模式总览
decide.py (统一入口, --mode rent|stay|compare)
|
+--------------+--------------+
| | |
v v v
[Mode A] 租房 [Mode B] 酒店/民宿 [Mode C] 对照
rent.py recommend.py compare.py
(吃 rentals (吃 飞猪FlyAI (盈亏平衡点 D*：
.jsonl 房源) +citywalk路线) 租房 vs 长租酒店)
| | |
+------ mcdm.py（共享评分内核：minmax/norm/wsum）------+
- Mode A 租房：你给"城市+区+目标面积+月租预算+通勤点+居住性质"，它排 top-N 最匹配房源
（元/㎡、面积匹配、通勤、地铁、装修、朝向、户型 7 因子）。 - Mode B 酒店/民宿：跟随 citywalk-designer 路线，按穷游/情侣/亲子/闺蜜/商务/独自的权重偏好，
推荐 5 家类型与价位多样的住宿（价格/景观密度/交通/评分/装修/品类内性价比/路线跟随 7 因子）。 - Mode C 对照：把"租房月租+隐藏成本"与"长租酒店每晚全包"归一化到同一成本基准（¥/居住日），
算盈亏平衡点 D*——这是"哪个划算"的真正答案，不是比月数字。
二、前置：数据从哪来（必须先讲清）
这是本 skill 唯一硬约束——它不爬房源，它是"决策评估器"：
| 模式 | 数据来源 | 怎么喂 |
|---|---|---|
| A 租房 | 你从链家/贝壳/安居客复制的候选房源 | collect_rent.py --from 你的表.csv |
| B 酒店 | 飞猪 FlyAI 实时接口（已配 Key 为精确价，体验模式为掩码价） | collect.py（需 flyai CLI）或自带 data/prices.jsonl |
| B 路线 | citywalk-designer 的 POI 库 | --citywalk "城市:主题:区" 一键桥接 |
| C 对照 | A 的结果 + 你给的酒店每晚价 | decide.py --mode compare |
> [!] 链家/贝壳网页无登录会话 = 验证码/登录墙（已实测），自动爬虫在此环境不可行。
> 故租房数据靠"你复制 -> 我评估"。这反而最稳、零风险。
三、三种模式用法
Mode A — 租房
# 基本：广州越秀 50㎡左右、月租≤5000、单身白领
python decide.py --mode rent --city 广州 --district 越秀 \
--area 50 --area-tol 10 --budget 5000 --nature 单身白领 --top 5
# 加通勤终点（公司坐标），按真实距离排序
python decide.py --mode rent --city 广州 --district 天河 \
--area 60 --area-tol 15 --budget 5000 \
--commute "公司:23.12,113.32" --nature 情侣同居 --out 推荐.md
性质 --nature 可选：单身白领 / 情侣同居 / 家庭带娃 / 合租省钱 / 品质改善。
报告带每套「看原文」链接（数据从联网搜来的会自动带；手动填表时在 source_url 列贴链接）。
Mode B — 旅游酒店/民宿
# 跟随 citywalk 荔湾古建路线，情侣游
python decide.py --mode stay --citywalk "广州:heritage:荔湾" --nature 情侣游 --top 5
# 或用现成 route.json（任意规划器输出此格式即可）
python decide.py --mode stay --route route-广州样例.json --nature 亲子游
性质 --nature 可选：穷游 / 情侣游 / 亲子游 / 闺蜜游 / 商务 / 独自。
Mode C — 租房 vs 长租酒店 对照
# 租房¥2800/月 vs 长租酒店¥138/晚，计划住30天
python decide.py --mode compare --rent-month 2800 --area 50 \
--hotel-nightly 138 --stay-days 30 --out 对照.md
# 或直接从 A 的某套房源取月租
python decide.py --mode compare --rent-name "中山三路1室1厅东北向" --hotel-nightly 138
输出：盈亏平衡点 D*、住 7/30/90/180/365 天两边总花费对比、年省百分比、非价格因素清单。
四、数据契约速查
data/rentals.jsonl（租房房源，每行一条）：
name, city, district, community, rent_month, area, layout, floor, has_elevator, orientation, deco, metro_dist_km, lat, lng, commute_min, source_url
缺字段走中性值；source_url为房源原始发布页（核实用，可空）。data/prices.jsonl（酒店快照，飞猪格式）：name, price, lat, lon, rate, decorationTime, interestsPoi, type, ...；Mode B 直接读它。route.json（路线契约）：{city, days:[{day, theme, pois:[{name,lat,lon}]}]}。- 填表模板：
rent_template.csv（先--template生成，照抄格式填，再--from导入）。
五、诚实边界（务必向用户说明）
- 租房数据是子集：只有你喂的候选，引擎在其内归一化比较，不代表全市全量。
- 通勤无实测则代理：没给
commute_min/ 坐标时，用直线距离近似（非真实路网）。 - 贝壳 API 无"房源搜索"接口：只有估值/楼盘字典/验真，只能做"小区画像+估值校验"补强层，
且需配额（见references/beike-setup.md）。不会自动拉在租清单。 - Mode C 假设：中介费0.5月、押金1月、水电¥200/月为产品先验；酒店价为搜索参考 nightly，
真实长包常打折会让 D* 上移。同 neighborhood 对照才有意义。 - 权重是产品先验：性质预设权重非数据拟合，可按城市/性质调整。
六、进阶能力（按需启用）
- 贝壳估值校验层：
beike_api.py的rent_sanity_check()可校验你复制的月租是否偏离市场
（租售比异常预警）。需先在~/.workbuddy/beike_config.json填 Key（模板见
references/beike_config.template.json），且控制台有配额。 - 订房时机：参考《算法之美》闭式解
r = a + √(2c(b−a))——当前价≤r 即下手（c=售罄概率×景观/交通损失）。 - 价格时序：
scan.py可定时采集飞猪价格序列，判断"何时订最便宜"（需 flyai + 自动化）。
七、文件地图
accommodation-decision/
|-- decide.py # 三模式统一入口（--mode）
|-- mcdm.py # 共享评分内核
|-- rent.py # Mode A 租房引擎
|-- recommend.py # Mode B 酒店/民宿引擎（路线跟随）
|-- compare.py # Mode C 盈亏平衡对照
|-- collect_rent.py # 租房数据采集（模板/导入/探针）
|-- collect.py / factors.py / scan.py # Mode B 飞猪数据层（需 flyai）
|-- route_from_citywalk.py # citywalk-designer 路线桥接
|-- beike_auth.py / beike_api.py # 贝壳 API（可选进阶）
|-- rent_template.csv # 填表模板
|-- data/ # 样本数据（rentals.jsonl / prices.jsonl / 种子POI）
+-- references/ # methodology / data-contracts / beike-setup / citywalk-bridge
八、执行步骤（agent 遵循）
- 听清用户要哪模式 + 城市/区/面积/预算/性质/通勤点。
- 先核数据：Mode A 确认
data/rentals.jsonl有该城市该区数据，没有就引导用户填表或联网搜后--from导入；
Mode B 确认data/prices.jsonl存在或让用户跑collect.py。 - 跑
decide.py --mode ...，报告输出到用户工作区（--out）。 - 主动讲诚实边界（第五节），尤其"数据是你喂的，不是全量"。
- 若用户要对照，再跑 Mode C；若给房源链接，确保
source_url带上是可核实的。
九、版权与署名
本 skill 为原创工具，可免费使用与二次分享；转载请注明出处「七仔的AI工具箱」。
方法论来源说明：订房时机闭式解参考《算法之美》第 1 章，仅引用结论公式，未包含任何受版权保护的原文摘录；
其余多目标打分、因子权重、盈亏平衡模型均为本 skill 自研逻辑。贝壳开放平台接入部分仅依赖官方公开 API 文档。
作者与联系方式
本 skill 由「七仔的AI工具箱」维护。欢迎就技能使用、问题反馈与二次分享交流：
- 微信公众号：七仔的AI工具箱
- 抖音号：七仔的AI工具箱
- CSDN 博客：七仔的AI工具箱
本 skill 可免费使用与二次分享；转载请注明出处「七仔的AI工具箱」。
