「装闭」-AI驱动的开源装修闭坑系统

愿每个业主在装修路上心中有数,于是,「装闭」来了。

装修行业的水有点儿深

很多人装修完回头看,都发现自己花了不少冤枉钱。设计师画的效果图美轮美奂------复杂吊顶、满墙背景墙、开放格书架......装好以后才发现,这些东西费钱不说,日常打理还特别费劲。吊顶积灰、开放格藏污纳垢、花哨灯带一年到头开不了几次。

更别说合同和报价单里的猫腻。增项漏项、模糊工艺描述、虚报材料数量------这些套路装修公司玩得轻车熟路,但普通业主根本无从分辨。随便一个增项,几千块甚至上万块就多出来了。

于是就有了「装闭」(RenoPit)这个项目。装 修闭 坑,RenoPit /ˈriːnoʊ pɪt/ 取自 Reno vation(装修)+ Pitfall(陷阱)。

「装闭」能做什么?

一句话概括:上传你家的设计图纸和合同报价单,AI 帮你审查出问题、揭露套路。

操作流程非常简单,四步搞定:

  1. 上传设计图纸 ------户型图、效果图、吊顶图都能传,一次传多张也没问题,只要你token足够
  2. 上传合同和报价单------PDF、TXT 等文本文件也可以上传
  3. 补充几句文字说明------可以简单描述一下房屋情况和你的疑虑等
  4. 点击分析,等待结果------AI 分析后,生成详细的可视化报告,分析时长取决于你上传的多少,只要不是太多,五分钟以内都能出结果

报告会逐条列出发现的问题,包括具体说明、风险等级和改进建议。合同和报价单也会被逐条审查,指出哪些费用偏高、哪些表述有坑、哪里可能隐藏增项。

废话少说,直接上截图感受一下我上传了两份真实的PDF后生成的报告:

▲ 总体评价:一眼看清你家装修方案的靠谱程度,高低风险项逐条过

▲ 问题详情:每个坑都有具体的风险等级、问题说明和应对建议,不是泛泛而谈

▲ 合同报价单分析:费用明细逐项审查,偏高偏低一目了然

▲ 跨文档交叉核查:把平面图、报价单、合同串起来对比,发现数据不一致的地方

▲ 增项预测:提前预警哪些地方装修公司可能后期加钱,别等做完才发现超预算

分析完成后还能一键导出 PDF。

「装闭」凭什么能发现这些坑?

关键在于立场------「装闭」不是中立工具,而是完全站在消费者这边的。

系统内置了一份精选的装修坑位知识库,覆盖五大类常见问题:卫生死角、空间压迫感、实用性伪需求、隐性成本、安全健康。这些坑位清单不是凭空编的,而是从大量装修业主的真实踩坑经验中总结出来的。

同时,AI 还会联网搜索最新的装修套路。有些新型材料陷阱、当下流行的伪需求,本地知识库里可能没收录,通过联网搜索就能补上。

简单说,「装闭」相当于一个永不疲倦的监理 + 大量业主经验库的合体。

系统会默认质疑所有"复杂装饰"和"常见增项"。任何增加成本却降低生活品质的设计,都会被标记出来。当然,觉得太激进的话也可以根据自己情况取舍------最终做决定的还是你自己。

开源 & 在线体验

👉 开源地址:github.com/fthux/RenoP...

不想自己部署的话,可以直接用在线 Demo 体验:

👉 在线体验:renopit.fthux.com

本地部署:

  • 安装 Docker
  • 准备一个 LLM API Key(OpenAI 或兼容接口)

1. 配置环境变量

bash 复制代码
cp .env.example .env
# 编辑 .env 填入你的 API Key

必须的环境变量:

env 复制代码
# LLM API配置(支持 OpenAI SDK 格式的任意 LLM API)
# 如果需要分析图片,请配置支持多模态的 LLM API
LLM_API_KEY=your_api_key
LLM_BASE_URL=llm_base_url
LLM_MODEL_NAME=llm_model_name

2. 一键启动

bash 复制代码
docker-compose up -d

3. 访问系统

服务 地址
前端界面 http://localhost:3000
后端 API 文档 (Swagger) http://localhost:8000/docs
后端 API 文档 (ReDoc) http://localhost:8000/redoc
健康检查 http://localhost:8000/health

这个项目的意义

装修行业的信息不对称是个老问题了,复杂装饰、模糊报价、隐藏增项......这些套路每年让无数业主多花几万甚至十几万的冤枉钱。

「装闭」的初衷就是拉平这种信息差。哪怕它只帮你发现了一个坑、省下一百块钱,这个项目就有了价值。

最后

如果你正准备装修,不妨试试「装闭」,把设计图和报价单丢进去跑一遍。它不能保证一分钱都不多花,但至少能让那些藏在图纸和合同里的坑,无所遁形。

装修路上,能省则省,少踩一个坑是一个坑。

装修路上,还是要自己心中有数。

装修路上,「装闭」就行了。

相关推荐
一起学安全技术1 天前
拆大模型 11|大模型面试拷问:12 问逐层拆
人工智能·ai·语言模型·面试·职场和发展·求职招聘
挖掘狂人1 天前
128GB 让 “本地跑大模型” 成为日用品,但分水岭不在硬件
人工智能
oil欧哟1 天前
Gemini 4 系列与 Antigravity 使用心得:Carbon、Argon 与 Hydrogen 实测与提速方法
人工智能
wflynn1 天前
GitHub 今日推荐|rust-anything:录制真实输入输出,渐进式重写热点函数到 Rust
rust·开源·github·cli·claude-code·agent-skills
菜鸟~noob2331 天前
[AI]间章:系列走到这里,聊聊后面的规划、造卡需要的软件平台,以及为什么我要先暂停更新
人工智能·python·fpga开发·django·pygame
aneasystone本尊1 天前
大模型训练系列收官:动手训一个属于自己的小模型
人工智能
杨凯凡1 天前
Spring AI MCP 多租户安全实战:共享 Session 会串数据吗?工具权限与隔离边界
人工智能·安全·spring
wflynn1 天前
GitHub 日榜趋势速报 | 2026-11-17
开源·github
chh5631 天前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert