5 组实验 · 实施计划

591 房产 AI 估价优化｜依据 2026-09-14 张总会议、2026-09-15 三方会议｜制定日 2026-09-16

9 月 24 日（周四）完成初步试验与报告

一、这次要干什么

一句话：把估价流程里两个「人工插手」的环节做成两个开关，2×2＝4 组，再加一组用 AI 自我迭代框架跑的，共 5 组，同一批数据、同一把尺子各跑一遍。

目标	误差率从现在的 10% 往 6%–8% 压，做到业内第一
这两周要的	不是达成 6%–8%，而是拿到排序——证明 AI 自主到底有没有帮助，并排除不可行方向
数据范围	15 年，成交约 160 万笔（每年约 10 万笔）
交付物	5 组对比报告：误差率排序＋耗时成本

9/16 执行会议的关键收敛：原 8 组改为 5 组。讨论中发现「AI 定模型」与「专家系统」其实是同一件事——专家系统就是我们定的规则，AI 自己定就是不给规则。两个因子合并后，只剩数据与干预两个开关；另由算法侧部署 AI 自我迭代框架作为第 5 组。

二、两个开关分别是什么

每个开关都对应一个待回答的问题。「是」那一侧＝今天线上的做法。

开关 1 · 数据处理？

我们替 AI 算好的那些汇总数字，是帮忙还是帮倒忙？

是处理过＝现行
数据组（启荣・叶祥）做好的特征工程版：30 天、180 天等汇总指标，挂牌数据也已做成字段。

否原始明细
不做汇总，一笔一行；另加抓取的宏观数据（GDP、人口等）与行为统计指标。

交付形态是几份数据源表＋关联键，不是一张大宽表；关联关系由数据组给，不让 AI 自己拼。
风险：原始版按物件关联后会膨胀，最坏是 N×N，量级须先评估。

开关 2 · 干预方式？

让 AI 自己想办法，比我们现有这套流程更好吗？

是现有流程＝现行
多个模型串行（每个环节选型不同）＋比较法＋专家规则兜底。

否 AI 自主
只给数据和目标，不讲估价师怎么做，让它自己找路径。

这个开关已经把原来的「AI 定模型」和「专家系统」合并了——不给规则就等于拿掉专家系统。
本阶段不考核可解释性，只看精度；可解释性留到选型阶段再谈。

两个开关之外，全部固定不动：验证集、评分口径、关联关系、字段命名。各人处理数据的方式可以不同，但验证集必须统一，且不得泄露。

三、5 组长什么样

A 是今天的做法（已有结果），D 是全放手，E 与 D 同样全放手但换一条实现路径。B、C 各只拨一个开关，所以差多少就是那一个环节值多少。

组	数据处理	干预方式	这组代表什么	状态
A ★	处理过	现有流程	今天线上的做法＝对照原点	已有，误差 10%
B	处理过	AI 自主	只换掉干预方式	要跑
C	原始明细	现有流程	只换掉数据	要跑
D ☠	原始明细	AI 自主	全放手＝张总 A 方案	要跑
E	原始明细	AI 自主	用 AI 自我迭代框架跑，而非人工驱动大模型（与 D 同格，差在实现路径）	要跑

实际需跑 4 组（B、C、D、E），A 已有结果。
D 与 E 的区别：D 是人工驱动大模型（ChatGPT goal／Claude Code loop）；E 是部署现成的自我迭代框架，自带「提假设 → 生成代码 → 跑实验 → 分析反馈 → 继续」的闭环。底层同样依赖大模型，但流程是框架管的。

E 组用什么框架：候选五个（微软 RD-Agent、AlphaEvolve／OpenEvolve、AIDE／Weco、AutoGluon Assistant、RDL／RelBench）。优先 RD-Agent——它支持自定义数据集与评分程序，能直接接我们的评测器，口径可控。（框架清单由江涛 9/16 提供）

四、插手程度光谱

4 组其实是一条从「全人工」到「全放手」的线，本次实验要回答的就是这条线上哪一点最准。

◀ 人工插手多人工插手少 ▶

A ★

今天的做法

误差 10%

B · C

各放手一个环节

？

D · E ☠

全放手
D 人工驱动｜E 框架驱动

？

五、最后要回答的四句话

报告最后落在这四个减法上，前三个各只差一个开关，第四个比的是实现路径。

C － A
喂原始明细 vs 喂汇总特征，差多少个百分点
B － A
AI 自己想办法 vs 现有流程，有没有增量
D － A
全放手 vs 全现状，纯自主的真实代价
E － D
自我迭代框架 vs 人工驱动大模型，框架值不值得投

六、评分口径

9/16 会议定的三条，先跑简化版，别一上来铺太多。

项	口径
验证集	统一一份，约 3,000 多条，全组共用且不得泄露
地区范围	只看七都
异常样本	完全不剔除。先跑不剔版做内部排序，之后再跑剔除版对照（验证集里约 13% 属会被剔掉的异常）

目标现实性要先对齐。算法侧评估：在有社区、有楼栋、数据充足的情况下，天花板约 6%；且当前验证集本身尚未清洗干净。本轮只要排序，不承诺绝对值。

七、时间安排

可用工时 8 天。9/19 是周末（挂机跑），9/20 调休上班。9/24 完成初步试验与报告，9/25 中秋节休假，9/27 评审。

9/16
三

9/17
四

9/18
五

9/19
周末

9/20
调休上班

9/21
一

9/22
二

9/23
三

9/24
四

9/25
中秋休假

9/26
周末

9/27
评审

需求与口径文档

登荣

评测器＋验证集

君君・晓鑫

两版数据

估量级

启荣・叶祥

宏观数据抓取

董静・佳兴

A 组基线复核

必过

B/C/D 并行开跑

挂机

君君・晓鑫・董静・佳兴

E 组 · 框架部署

江涛・选型部署

江涛

汇总对比报告

登荣

三方评审

9/27

每日站会：18:00，15 分钟，只说三件——昨天跑完哪组、今天跑哪组、卡在哪。

八、具体实施计划表

每项只有一个负责人，每项都有能验收的交付物。

#	任务	白话说明	负责	起	迄	交付物
T1	需求与口径文档	讲清楚测哪些地区、用几年数据、数据从哪来、怎么算分	登荣	9/16	9/17	需求文档
T2	冻结验证集	把「考卷」锁起来，5 组考同一张，不得泄露	君君・晓鑫	9/16	9/17	验证集文件＋校验码
T3	写评测器	统一「尺子」：只看七都、不剔异常、误差率口径一致	君君・晓鑫	9/16	9/17	独立评测模块
T4	估原始版数据量级	按物件关联后会膨胀多少，跑不跑得动	启荣・叶祥	9/17	9/17	行数与耗时预估
T5	产出处理版数据	现行特征工程版	启荣・叶祥	9/17	9/18	数据源表＋关联键
T6	产出原始版数据	明细不汇总；行为以统计指标给，不到单个用户	启荣・叶祥	9/17	9/18	数据源表＋关联键
T7	宏观数据抓取	GDP、人口、经济等站外数据，固定格式即可	董静・佳兴	9/17	9/18	抓取结果表
T8	A 组基线复核	用新口径把线上这版重跑一次，确认评测器与格式统一	君君・晓鑫	9/18	9/18	A 组成绩单
T9	认领与工作表单	谁跑哪一组、跑到哪了，一张表看清	登荣	9/18	9/18	在线表单
T10	B/C/D 并行开跑	各人认领一组，9/19 先挂机，9/20 调休上班推进；9/24 完成初步试验并提交结果	君君・晓鑫・董静・佳兴	9/20	9/24	3 份成绩单＋方案说明
T11	E 组：框架选型与部署	先跑通 RD-Agent，接上我们的数据集与评测器；其余框架视时间再试	江涛	9/17	9/24	框架跑通记录＋成绩单
T12	汇总对比报告	9/24 汇总初步试验结果，一行一组，末尾回答那四句话	登荣	9/24	9/24	对比报告
T13	三方评审	定节后要不要继续投入、往哪投	三方	9/27	9/27	结论纪要

九、算力与环境

9/16 会议已明确的资源方案。按需提，提前搞定，别卡在开跑那天。

项	现状与方案
Claude Code	目前 3 人共用 1 个账号。按需申请增开，约 250 美元／账号／月，预算 1,500 以内已获同意。用量到 70–80% 提前报
Codex 席位	公司平台席位可拉满，按需提
训练硬件	首选 Mac mini（中高配）；次选云主机 GPU。注意：云主机配环境、导数据可能花 1–2 天，要算进工期
给 AI 查数	原始数据导入数据库，把只读账号给 AI 自行查询。必须做风控隔离

提醒：训练本身吃的是 CPU／内存，与大模型账号无关。真正要防的是让大模型在循环里反复触发训练——那会同时烧掉算力和时间。

十、开跑前必须定好的五条

会议上定的约束，要写成代码，不能停在口头。没定完不许开跑。

规则	为什么
考卷锁死	验证集统一冻结，不得泄露给训练侧
尺子固定	只看七都、完全不剔异常，误差口径写死在评测器里
过程不管，结果统一	各人处理数据的方式可以不同，只要最后用同一个验证集、同一把尺子
断网跑	防止 AI 上网查到已公布的成交价，等于抄答案
预算封顶	每组设上限，超时按当前最好成绩交卷，防止一组拖垮全部算力

十一、风险与应对

风险	应对
原始版数据膨胀，按物件关联后 N×N 跑不动	9/17 先报量级，必要时缩年限或缩地区
5 组口径不一致，最后没法横比	评测器先落地，9/18 用 A 组复核验证格式
D 组全放手吃满算力	硬性预算封顶，超时交卷
E 组框架部署卡住，跑不通就白占一周	9/17 就开始选型部署；优先 RD-Agent（支持自定义数据与评分程序）；9/19 前跑不通则降级为只交部署结论
AI 偷偷联网抄答案	断网执行＋审方案说明
两周得不出 6%–8%	目标本来就是拿排序，不是达成绝对值；天花板约 6% 已提前对齐

预判：C ≈ A 或略差、B 增量有限、D 翻车、E 受限于部署时间。翻车本身就是可交付的结论——知道哪条路走不通，节后才好定新目标。

十二、对标 Zillow

主线：市场量级决定路线。美国的量级支持 Zillow 一路走到撤掉专家系统；台湾的量级决定了只能靠专家系统＋独有数据。

1 · 市场差异：美国是台湾的几十倍

项	美国	台湾	倍数
住宅存量	约 1.487 亿套	约 957.6 万宅	15×
年成交（可用干净样本）	成屋约 400–410 万笔	中古屋干净成交约 8–10 万笔	40–50×
历史深度	二十年，累计上亿笔	实价登录 2012 年起，约 164 万笔中古屋	—
挂牌与行为	数百家 MLS ＋屋主自报	591 挂牌 2,000 万条售、1,860 万条租	结构同构

整个台湾的成交量，相当于美国一个中型州。

2 · Zillow 的算法演变

时间	这一步做了什么	覆盖	误差	降幅
2006–07	随机森林，全国一套模型	4,000 万	14%	起点
2008–11	改成按县建模	7,500 万	12%	−2.0
2011–15	交易清洗；县级模型＋堆叠	9,800 万	10%	−2.0
2015–17	街区特征、异常检测；高端房专款模型	1.06 亿	9.3%	−0.7
2018–19	清洗管道、历史成交整合	1.12 亿	8.5%	−0.8
2021–今	统一神经网络，撤掉特例规则	1.25 亿	7%	−1.5

两个事实：① 二十年降 7 点，其中 5.5 点在树模型阶段完成，换模型只拿到最后 1.5 点；② 专家系统一路保留到 1.25 亿套之后才撤——不是不想撤，是数据不够撑不住。

图 1 · 数据量 vs 误差率：三家的位置

Zillow 二十年轨迹 591 好时价目标区间 6–8%

台湾整体数据量还不到 Zillow 2006 年起步时的四分之一，却已做到它中期的误差水平——差额由专家系统补上。也正因如此，右侧那条「撤掉专家系统」的门槛线，台湾走不到。

图 2 · 每一步降了多少、靠什么降的

数据模型数据＋专家系统

唯一一次纯换模型（2021 神经网络）只降 1.5 点，其余 5.5 点都伴随数据工作或分区分群的结构调整。

3 · 市场体量决定各自能走到哪

	数据体量	因此选择的做法	现在的位置	上限
Zillow	亿级	数据够了，撤掉专家系统，结构交给统一神经网络	第六阶段，7%	—
好时价	小，数据源单一	用强专家方法补数据不足：GIS 空间分析、人工筛选合理成交案例、十年持续打磨	≈ 第五阶段	受制于数据源，靠模型打磨已接近极限
591	小，但数据品类多	保留专家系统＋扩数据品类：历史挂牌、挂牌变更、真实门牌、C 端与中介数据	≈ 第四阶段	可争第五至第六阶段区间（6–8%），但到不了「撤掉专家系统」那一步

三句话
① 好时价的选择，就是 Zillow 早中期的做法——数据体量不足时用专家方法补：分区、异常剔除、人工筛案例。它证明了小数据下这条路能走到 8% 附近。
② 591 现在站在 Zillow 第四阶段（街区特征＋异常检测＋分群专家）。往前两站靠的是清洗管道、历史成交整合与挂牌信息接入——正好对应我们的四项独有数据，这是台湾唯一有的牌。
③ 全 AI 自主在台湾不是路线选项，是对照组。 Zillow 撤特例规则的前提是 1.25 亿套、年成交 400 万笔；台湾到不了那个密度。本轮 G7 的价值是量出「放手的代价」，不是期待它赢。