用 Agent 帮我买房：小区数据采集、测评图文生成全流程

用 Agent 帮我买房：小区数据采集、测评图文生成全流程

我在苏州买房，需要对比十几个小区的成交价、配套、物业费......手动查数据一天都搞不定一个小区。后来我让 Agent 帮我干这活：爬数据、算评分、生成小红书图文，一套流程走下来，46 篇测评稿子全出来了。这篇文章完整记录这个实战过程------从踩坑到跑通，让你看完觉得"我也能这么用"。

---

一、背景：一个人买房的信息地狱

我在苏州买房，目标区域锁定后，候选小区有十几个。每个小区我需要知道：

• 挂牌价 & 成交价：历史成交趋势、最近成交单价
• 租金：租售比
• 物业费：持有成本
• 配套评分：学校、医院、地铁、商业
• 成交记录：最近成交的楼层、面积、单价

这些数据分散在房天下、贝壳、安居客等平台，手动一个个查，一个小区至少半小时。十几个小区就是一整天。而且数据格式不统一，没法直接对比。

更头疼的是：我还运营小红书号做房产测评，需要把数据整理成图文发布。一篇测评从查数据到出图文，手动搞至少 2 小时。

所以我的需求很明确：让 Agent 帮我自动化数据采集和图文生成。

---

二、整体架构：Agent 做了什么？

┌─────────────────────────────────────────────────────────┐
│                    用户输入小区名                          │
└────────────────────────┬────────────────────────────────┘
                         │
                         ▼
┌─────────────────────────────────────────────────────────┐
│              Agent 数据采集层                             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐               │
│  │ 挂牌价    │  │ 成交记录  │  │ 配套评分  │               │
│  │ 爬虫     │  │ 爬虫     │  │ 爬虫     │               │
│  └──────────┘  └──────────┘  └──────────┘               │
│         数据源：房天下（fang.com）                        │
└────────────────────────┬────────────────────────────────┘
                         │ JSON 数据
                         ▼
┌─────────────────────────────────────────────────────────┐
│              Agent 评分计算层                             │
│  ┌──────────────────────────────────────────┐            │
│  │           9 维评估体系                    │            │
│  │  价格 / 租售比 / 物业费 / 地段 / 教育    │            │
│  │  医疗 / 交通 / 商业 / 成交价              │            │
│  └──────────────────────────────────────────┘            │
│         输出：评分 + 各维度雷达图数据                      │
└────────────────────────┬────────────────────────────────┘
                         │ 评分结果
                         ▼
┌─────────────────────────────────────────────────────────┐
│              Agent 内容生成层                             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐               │
│  │ 测评文案  │  │ 雷达图    │  │ 信息卡片  │               │
│  │ 生成     │  │ Canvas   │  │ PNG       │               │
│  └──────────┘  └──────────┘  └──────────┘               │
│         输出：小红书图文（文案 + 图片）                    │
└─────────────────────────────────────────────────────────┘

核心思路：数据采集 → 评分计算 → 内容生成，三步走，全链路 Agent 驱动。

---

三、第一步：数据采集------踩坑比写代码难

3.1 数据源选择

我试过四个平台：

平台	反爬难度	数据质量	可用性
房天下	低	挂牌价、租金、物业费、成交记录、配套全有	✅ 可用
贝壳	极高（接口加密+验证码）	数据最全	❌ 放弃
安居客	高（字体反爬+接口签名）	挂牌价+部分成交	❌ 放弃
好好选房	高（需登录+风控）	成交数据不错	❌ 放弃

结论：只有房天下能稳定爬取。虽然数据不是最全的，但挂牌价、租金、物业费、成交记录、配套评分都有，够用了。

3.2 爬虫实现

后端用 Node.js + Express + Cheerio，核心逻辑很简单：

// 爬取小区详情页
async function fetchCommunityDetail(communityId) {
  const url = `https://m.fang.com/esf/suzhou/${communityId}.html`;
  const html = await cachedFetch(url);
  const $ = cheerio.load(html);
  
  return {
    name: $('.community-name').text().trim(),
    avgPrice: parsePrice($('.avg-price').text()),
    rentPrice: parsePrice($('.rent-price').text()),
    propFee: parseFloat($('.prop-fee').text()) || 0,
    // ... 其他字段
  };
}

// 爬取成交记录
async function fetchDealRecords(communityId) {
  const url = `https://m.fang.com/esf/suzhou/${communityId}_deal.html`;
  const html = await cachedFetch(url);
  const $ = cheerio.load(html);
  
  const records = [];
  $('.deal-item').each((i, el) => {
    records.push({
      date: $(el).find('.deal-date').text(),
      price: parsePrice($(el).find('.deal-price').text()),
      area: $(el).find('.deal-area').text(),
      floor: $(el).find('.deal-floor').text(),
    });
  });
  return records;
}

3.3 踩坑：超时和缓存

坑 1 ：Node.js 的 node-fetch v2 不支持 timeout 参数，设置 timeout: 15000 会被静默忽略，请求可能永远挂住。

解法 ：用 AbortController + setTimeout 实现超时：

async function cachedFetch(url, timeoutMs = 15000) {
  const controller = new AbortController();
  const timer = setTimeout(() => controller.abort(), timeoutMs);
  try {
    const res = await fetch(url, { signal: controller.signal });
    clearTimeout(timer);
    return await res.text();
  } finally {
    clearTimeout(timer);
  }
}

坑 2：同一小区多次请求会触发风控。解法是加内存缓存，采集一次后后续直接读缓存：

const cache = new Map();

async function cachedFetch(url) {
  if (cache.has(url)) return cache.get(url);
  const result = await fetchWithTimeout(url);
  cache.set(url, result);
  return result;
}

坑 3 ：房天下移动端页面结构会变。解法：CSS 选择器不要太严格，用 .contains() 或模糊匹配兜底。

---

四、第二步：9 维评估体系------给房子打个分

光有数据不够，需要一个评分体系把数据变成可比较的结果。我设计了 9 个维度：

维度	数据来源	评分逻辑
价格	挂牌价	与同区域均价对比，越低越好
租售比	租金/挂牌价	年租金/总价，越高越好
物业费	物业费	与区域均值对比
地段	配套评分	综合打分
教育	附近学校	数量 × 质量
医疗	附近医院	数量 × 等级
交通	地铁/公交	距离 × 线路数
商业	商场/超市	数量 × 距离
成交价	最近成交记录	与挂牌价偏差

4.1 评分核心逻辑

function evaluate(data) {
  const scores = {};
  
  // 价格维度：与区域均价对比
  const priceRatio = data.avgPrice / data.areaAvgPrice;
  scores.price = priceRatio <= 0.9 ? 9 : 
                 priceRatio <= 1.0 ? 7 : 
                 priceRatio <= 1.1 ? 5 : 3;
  
  // 租售比维度
  const rentalYield = (data.rentPrice * 12) / (data.avgPrice * data.avgArea);
  scores.rental = rentalYield >= 0.03 ? 9 : 
                  rentalYield >= 0.02 ? 7 : 
                  rentalYield >= 0.01 ? 5 : 3;
  
  // 成交价维度：成交价 < 挂牌价越多，说明议价空间大
  const dealDiscount = (data.avgPrice - data.avgDealPrice) / data.avgPrice;
  scores.deal = dealDiscount >= 0.1 ? 9 : 
                dealDiscount >= 0.05 ? 7 : 5;
  
  // ... 其他维度类似
  
  const total = Object.values(scores).reduce((a, b) => a + b, 0);
  const maxTotal = 9 * 9; // 9个维度，满分9分
  return {
    scores,
    totalScore: total,
    percentage: Math.round((total / maxTotal) * 100),
    verdict: total >= 60 ? '值得买' : total >= 45 ? '一般' : '不建议',
  };
}

4.2 踩坑：除零防御

坑 ：有的小区没有成交记录，avgDealPrice 为 0，做除法就 NaN 了。

解法：每个维度计算前都要做防御：

function safeDivide(a, b, fallback = 0) {
  return b === 0 ? fallback : a / b;
}

看起来很简单，但这种边界条件在实际数据中到处都是。没有成交记录、物业费为空、租金查不到......每种情况都要处理。

---

五、第三步：图文生成------从数据到小红书

5.1 文案生成

Agent 根据评分结果生成真人语气的测评文案：

🏠 ****园 测评

📍 位置：苏州***
💰 挂牌均价：42,800 元/㎡
📊 综合评分：7.2/9（80%）

✅ 亮点：
- 地段评分 8/9，配套成熟
- 成交价低于挂牌价 8%，议价空间大
- 物业费 3.8 元/㎡，园区中档水平

⚠️ 注意：
- 租售比偏低（1.8%），投资回报一般
- 教育配套评分 5/9，学区一般

💡 结论：自住可考虑，投资需谨慎

踩坑：小红书文案必须用真人语气，不能有任何 AI 痕迹。早期版本文案太"工整"，读者一眼看出是机器生成的。后来调整为更口语化、带个人观点的风格，效果好了很多。

5.2 图片生成

用微信小程序的 Canvas 画雷达图 + 信息卡片：

// 小程序端 Canvas 绘制雷达图
function drawRadarChart(ctx, data) {
  const dimensions = ['价格', '租售比', '物业费', '地段', '教育', '医疗', '交通', '商业', '成交价'];
  const cx = 150, cy = 150, maxR = 100;
  
  // 画底图（9边形网格）
  dimensions.forEach((_, i) => {
    const angle = (Math.PI * 2 * i) / dimensions.length - Math.PI / 2;
    // 画从中心到顶点的线
    ctx.beginPath();
    ctx.moveTo(cx, cy);
    ctx.lineTo(cx + maxR * Math.cos(angle), cy + maxR * Math.sin(angle));
    ctx.stroke();
  });
  
  // 画数据区域
  ctx.beginPath();
  dimensions.forEach((_, i) => {
    const angle = (Math.PI * 2 * i) / dimensions.length - Math.PI / 2;
    const r = (data[i] / 9) * maxR;
    const x = cx + r * Math.cos(angle);
    const y = cy + r * Math.sin(angle);
    if (i === 0) ctx.moveTo(x, y);
    else ctx.lineTo(x, y);
  });
  ctx.closePath();
  ctx.fillStyle = 'rgba(54, 162, 235, 0.3)';
  ctx.fill();
}

5.3 分享功能

测评结果支持分享给微信好友和朋友圈：

// result.js 分享逻辑
onShareAppMessage() {
  return {
    title: `${this.data.communityName} ${this.data.verdict} ${this.data.percentage}分`,
    path: `/pages/result/result?data=${encodeURIComponent(JSON.stringify(this.data))}`,
  };
},
onShareTimeline() {
  return {
    title: `${this.data.communityName} 房价测评：${this.data.verdict}`,
  };
},

---

六、性能优化：让"生成图片"不再慢

用户反馈"图片生成有点慢"。根因是：点击"开始测评"时才去请求地段配套数据，API 请求 3-5 秒，用户在这期间干等。

解法：预取。在用户选择小区时，就提前把地段配套数据拉到内存缓存：

// 选择小区时预取
async function prefetchLocationData(communityId) {
  const cached = locationCache.get(communityId);
  if (cached) return cached;
  
  const data = await fetchLocationData(communityId);
  locationCache.set(communityId, data);
  return data;
}

// 开始测评时直接读缓存
async function evaluate(communityId) {
  const locationData = locationCache.get(communityId) || await fetchLocationData(communityId);
  // ... 评分计算
}

效果：选择小区时无感预取，点测评按钮后 0 等待直接出图。

---

七、从工具到内容：46 篇测评的生产流水线

有了数据采集 + 评分 + 图文生成的全链路，生产测评内容就变成了流水线：

输入小区名 → 爬数据（5s）→ 算评分（<1s）→ 生成图文（3s）→ 发布小红书（手动）

单篇从 2 小时压缩到 10 秒（不含手动发布）。46 篇测评，如果手动搞要 90+ 小时，用 Agent 后实际生产时间不到 1 小时。

效果对比

指标	纯手动	Agent 辅助
单篇耗时	2 小时	10 秒
数据准确度	依赖人工查抄	爬虫自动采集，数据源统一
评分一致性	主观判断，波动大	9 维体系，客观可比
46 篇总耗时	~90 小时	< 1 小时
错误率	抄错/算错	除零防御+参数校验

---

八、踩坑总结：6 个实战经验

1. 数据源选最稳的，不是最全的

贝壳数据最全但反爬最严，花 3 天搞不定。房天下数据够用，1 天就跑通了。先跑通再优化。

2. 每个数值计算都做除零防御

真实数据处处是坑：没有成交记录的小区、物业费为空的小区、租金查不到的小区......每个 a / b 都要防 b === 0。

3. 小红书文案要真人语气

工整的报告没人看。口语化、带个人观点、有"踩"有"赞"的文案才有人互动。

4. 图片不要标注数据来源

早期图片上标注了"数据来源：好好选房"，被平台判定为广告引流。后来去掉所有来源标注，只保留测评结论。

5. 预取比懒加载好

用户选择小区时预取数据，比点击后才加载体验好 10 倍。预取是消灭等待感的关键。

6. Agent 不替代决策，只提供信息

评分体系是客观工具，但买房决策还要考虑个人偏好（楼层、朝向、通勤距离等）。Agent 的价值是让你在信息充分的情况下做决策，而不是替你做决策。

---

九、下一步：把这个能力做成小程序

这个数据采集 + 评分的流程，我已经封装成微信小程序"房价测来测去"，让任何人都能输入小区名、拿到 9 维评分。

小程序技术栈：

• 后端：Node.js + Express + Cheerio 爬虫
• 前端：微信小程序原生开发
• 评分引擎：纯 JS 实现，9 维评估体系

核心功能：输入价格 → 判断值不值 → 输出评分 + 雷达图 + 测评结论。

这就是 Agent 实战的价值：从一个真实需求出发，把重复劳动自动化，再把能力产品化。

---

十、总结

回顾这个实战项目，Agent 扮演了三个角色：

角色	做了什么	效果
数据采集员	爬取房天下数据	单小区 5 秒，替代手动 30 分钟
分析师	9 维评分计算	客观可比，替代主观判断
内容生成器	测评文案 + 雷达图	10 秒出稿，替代 2 小时手写

关键体会：

• Agent 的价值在于把人从重复劳动中解放出来，而不是替代人的判断
• 先跑通最小闭环，再优化细节------从 1 个小区到 46 篇，从脚本到小程序
• 数据采集的坑最多------选数据源、防反爬、做缓存、处理空值，每一步都是实战
• 内容生成要符合平台调性------小红书要真人语气，不要 AI 味

下一篇，我会分享"用 Agent 做小程序"的完整实战------从需求到代码，Agent 如何帮我把"房价测来测去"从想法变成产品。