- 设计先行：了解需求之后，在产品输出PRD之前，通过vibecoding输出简单demo，相关的视频物料还被销售拿去维护客户关系及功能宣传。
- 交互创新：基于用户场景探索交互行为，首创区域动线的绘制方式。
2025.11.01 - 至今
01
BACKGROUND AND DESIGN OBJECTIVES
项目背景
及设计策略说明
从工具的角度：Coohom KC 在北美仍缺少能明显超越 2020 的爆点功能，现有能力不足以打破用户对竞品产品库和操作习惯的依赖。
从用户场景的角度：用户并非全流程都需要精细搭建，更需要在前期获客和方案沟通阶段，快速生成一套符合基础规则的完整厨房布局。
从技术的角度：我们已积累 20w+ 海外方案训练数据，且国内算法团队已验证 AI 生成方案流程，可为布局生成功能提供可行的技术基础。
工具介绍：
Coohom Kitchen&Closet工具，是一个3D家装工具，设计师可以在工具中绘制户型、放置自己企业的橱柜产品。完成设计之后可以进行渲染输出，橱柜清单输出。相较于传统平面CAD软件，Coohom可以在3D画布中直观的进行设计，所见即所得。但是设计师还是需要耗费数小时进行橱柜设计，并且在谈单过程，消费者也无法看到自己家中放置全新橱柜的设计，谈单效率较低。
我做了什么？
最初：这个项目成立，是因为业务、用户和技术在同一时间出现了交集
- 探索最短交互路径：探索后端与算法层最短交互路径。
- 探索AI与业务的结合：在公司前沿院布局算法不靠谱的时候，独立深入研究LLM与业务结合的可能性，思考AI技术解决方案架构，独立探索复杂链路的COT-PE工程。
- 设计提示词算法自主迭代工具：通过VibeCoding独立完成提示词算法自主迭代工具，使其可以自主迭代PE，大幅提高人效。
02
DESIGN ANALYSIS
设计分析
03
DESIGN SCHEME
设计方案
a.区域绘制行为
前端采用的是iframe的架构，后期将该功能移植到移动端也会更加方便。
1
预绘制阶段
为了前置的让用户感知到绘制区域，以及展示吸附行为，在绘制阶段，鼠标显示矩形区域半透明轮廓，矩形尺寸为橱柜的深度尺寸，后端需要支持读取配置。
2
绘制阶段
用户可以通过鼠标拖拽事件进行绘制，或者通过点击起点/终点事件进行绘制。拖拽鼠标左键进行区域绘制，绘制的区域只支持正交方向。
3
完成绘制
当绘制区域出现重叠，区域的透明度并不会叠加。
d.强化功能的“AI感”
对于用户来说，AI功能就应该展示出应有的AI体验，AI功能/算法就是会不断的迭代完善，不然他们不会对这个功能有期待值。就算结果比较符合他们预期，可能也难以持续长久的使用这个功能。不然他们可能感觉就是一个橱柜自动布局的功能，并不能感受到底层输出的算法结果，甚至以为是基于某些规则生成的布局。
1
在“绘制阶段”AI主动出击，展示AI的“思考理由”
在用户进入方案之后，AI先进行“快速户型诊断”，展示布局推荐，让用户感受到AI在“读懂空间”，而非机械执行。
2
在“生成过程阶段”引入AI思考过程的反馈
让用户感知 “AI 正在主动分析、计算”，而非单纯等待，loading的进度条也可以让用户感知到当前进展。
3
在“布局呈现阶段”提供多方案，体验AI“创造力”
在生成布局的时候，展示布局调整推荐，算法可以给用户提供多套布局结果应用。每套布局有各种的偏好权重，给用户更多的选择性，也能降低用户选择到ai幻觉结果的可能性。
e.实时渲染+画面增强
在右上角小视窗新增实时渲染的窗口，用户可以直接预览渲染效果。hover在窗口上，出现功能按钮，避免遮挡用户视线。
用户可以进入实时渲染的大图模式，查看渲染的细节，设计师也可以和消费者进行详细谈单。
点击右下角渲染增加，会调用生图模型对画面进行增强，维持原有布局的基础上，在画面中放置饰品，让渲染视觉更丰富。
AI enhancement
What else can a UX designer do?
传统的UX设计工作到这里基本就结束了，已经完成用户场景的全链路触达。但是这样真的就够了吗，AI时代下设计师还能做更多吗？
遇到的问题：公司前沿院模型的限制
上述区域绘制的方案非常符合海外用户的习惯，在事前也与前沿院交流过，是可以在算法层增加动线限制后进行布局输出。但是最终的训练结果大失所望，增加限制之后算法输出的结果惨不忍睹，再加上已经12月份了，距离展会只有2个月的时间了，从头开始训练肯定来不及了。
产品层已经人力严重不足，同时在AI层面他们的日常积累也不足。恰巧我之前也探索过由LLM输出结构化信息的产品经验，理论上可以完全移植到这个项目。
01 将AI引入业务场景，独立探索全新的技术路线
当用户绘制完引导线区域之后，将户型、引导线区域、点位作为参考布局给到llm进行解析。
将原先前沿院的空间模型替换成外部的llm，由于是通过llm来对引导线区域进行cv视觉解读，而非空间模型，所以在最终的空间输出上不可避免会有一些小问题，需要通过不同的后处理逻辑进行优化。
02 复杂COT链式思维PE工程
与之前LLM输出结构化信息不同，AI橱柜布局非常复杂，有非常多限制的参数输入（房间坐标信息、区域布局限制、关键电器点位限制），同时还有海外用户对于布局的偏好，同时要求输出的布局是非常精准。
大家都知道LLM一定程度上有幻觉，同时精确计算也不是他们所擅长的。所以在PE解决方案上，我独立探索了非常多非常多的版本，最终输出了一份基于COT链式思维的PE。
动态提示词部分，后端根据用户输入情况动态填充
03 AI布局提示词算法自主迭代工具
现状：
KC 橱柜自动布局一期已具备基础可用性，但单次生成约 3 分钟，体验较差。根因在于提示词中对复杂运算逻辑约束过多，导致模型推理链过长，推理耗时占比约 70%。这也说明，当前效率瓶颈不在生成能力本身，而在提示词设计。
预期：
希望构建“自主调整 - 结果检验 - 迭代优化”的提示词优化工具，自动完成规则调优与效果验证，降低人工测试成本，提升优化效率。
04 将能力封装成Skill，作为Coohom Ai native项目的子通路进行复用
将AI橱柜自动布局的能力封装成独立的skill，便于之后其他业务线的快速复用。同时将能力融入到agent体系中的时候，也不会出现上下文膨胀。当布局算法更新的时候，只需要更新skill，不必进行双发或者全模块更新。
