收益：
- 能够利用人工智能配置买家/租户的需求概况，并将其与产品组合进行智能匹配
- 能够通过遵守匹配中的歧视、偏见和 KVKK 限制来避免非法过滤
- 能够使用人工智能匹配建议作为顾问审查的候选名单，而不是作为最终名单
房地产的核心是匹配：将合适的房产与合适的买家相匹配。一名顾问的投资组合中可能有数十处房产，他的名单上可能有数十名买家。谁处理哪些财产？谁的预算足够做什么？谁会真正购买它，谁只是闲逛？快速准确地回答这些问题可以节省时间并提高销售额。人工智能在这里是一个强大的助手：它将分散的客户注释转化为结构化的需求概况，将其与投资组合进行比较，列出 3-5 个最合适的房产，甚至编写发送给客户的推荐消息草稿。但这个单元有两个关键的警告：匹配不能基于歧视性标准，人工智能的推荐不是最终决定，而是供顾问审查的候选名单。
需求分析：他真正想要什么？
顾客常常不会准确地说出他们想要什么；那些说“带花园的房子”的人实际上想要的是“一个对孩子来说安全、有开放空间、靠近学校的地方”。良好的需求分析揭示了底层的真正需求，而不是表面的需求。这需要结构化标准：预算范围和融资（现金/信贷）、房间数量和平方米、位置偏好（靠近工作/学校/交通）、搬家时间、必备品（电梯、停车场、家具）、什么可以灵活，以及“为什么现在购买”动机。
人工智能可以将您与客户对话的（匿名）笔记放在这些标题下，并提醒您遗漏的问题。这样，您就可以真正了解买家，而不会错过任何关键信息。
提示：在需求概况中将“必须有”与“最好有”分开。大多数买家都想要这一切，但预算无法满足。将这两个列表分别交给AI；因此，入围名单是现实的。
关键限制：歧视和 KVKK
匹配必须仅基于合法且与房产相关的标准：预算、房间数量、位置、平方米、融资可用性、入住时间。根据宗教、语言、种族、婚姻状况、政治观点、残疾等标准排除买家/租户既是非法的，也是歧视性的。人工智能可以放大数据中的偏差：如果历史数据中存在消除某些群体的模式，则模型可以“学习”这一点并重复它。因此，您应该确定匹配标准，并且不要给模型赋予任何歧视性字段。
此外，客户数据属于 KVKK 的范围：接收者的收入信息、家庭状况和联系信息必须受到保护。匹配时，只给人工智能必要的标准，匿名。
注意：诸如“这种类型的家庭适合这个社区”之类的言论属于歧视，是被禁止的，即使它看起来是善意的。买家决定买家更喜欢哪个选项；您根据合法标准展示合适的属性。
逐步：配对流程
- 配置会议记录：将匿名记录交给AI并转入需求档案；列出缺少的问题。
- 区分必备品/必备品：澄清这两个类别。
- 与作品集匹配：提供匿名作品集列表，并根据标准创建最终名单（3-5）。
- 顾问过滤器：根据您自己的知识检查每个建议 - 添加或删除与模型无关的因素（建筑管理、社区、实际情况）。
- 建议消息：打印一份礼貌、低调的建议草稿发送给收件人；不保证价格/法律。
模板 1 — 面试记录中的需求简介：
职位：房地产顾问助理。在以下标题下组织和整理以下匿名访谈记录：预算、财务、房间/平方米、位置偏好、搬家时间、必须具备、很好拥有、动机。单独列出缺失/未提出的关键问题。请勿包含任何歧视性标准。注：【匿名注】
模板 2 — 包含作品集的入围名单：
下面是买家简介和匿名投资组合列表。只需根据合法标准（预算、房间、平方米、位置、融资）列出 5 个最合适的房产即可；为每个写下“为什么它适合/它不满足什么标准”。请勿使用宗教、种族、婚姻状况等标准。简介：[X]。投资组合：[列表]
模板 3 — 给收件人的建议消息：
起草一条热情但低调的信息（80-100 字），向买家推荐这 3 处房产。使用保证/确定性声明；将价格和信用留给“我们来讨论”。属性：[匿名总结]
模板 4 — 歧视/偏见检查：
检查下面我的匹配标准和排除是否存在歧视和 KVKK。如果存在不合法的标准（宗教、出身、婚姻状况、残疾等）或侵犯隐私，请将其标记并更正。标准：[列表]
比较表：合法标准与禁止标准
标准
合法吗？
注释
预算范围
✔
财务状况
房间数/平方米
✔
基于需要
位置/地区偏好
✔
买家自行选择
信贷/融资可用性
✔
偿付能力
宗教/种族
✘
歧视、禁止
婚姻状况/家庭结构
✘
歧视、禁止
残疾状况（用于筛查目的）
✘
禁止；如有需要，可能会询问可访问性
三个迷你箱子
案例1——找到真正的需求。买家想要一套“带花园的独立屋”，但他的预算不够。顾问利用人工智能构建需求分析：主要要求是“为孩子提供开放空间+靠近学校”。 YZ 列出了符合预算且现场拥有充足绿地的 3+1 项目。买家得到其中之一。教训：解决根本需求，而不是表面需求。
案例 2——偏见陷阱。顾问可以使用历史数据中的模式告诉模型“此配置文件想要那个社区”，并且根本不向某些买家展示某些区域。这既是歧视性的，又是盲目匹配；买家在另一间办公室找到了他正在寻找的房子。教训：你设定标准，不要让模型成为偏差生成器。
案例 3 — 检查入围名单。 AI推荐5个符合标准的房产；但其中之一存在顾问知道但数据中没有的问题（建筑管理纠纷、会费债务）。顾问将其从列表中删除。课程：AI推荐候选名单，顾问过滤最终决定。
弱提示/强提示
弱提示：
您选择适合该客户的房子并告诉我哪一栋最好。
“你选择”将决定权留给模型；标准不明确，歧视和错误无法控制。
强力提示：
从我的投资组合中仅列出 5 处符合以下买家概况且符合合法标准（预算、房间、平方米、位置、融资）的房产；写出遵守的理由以及每项的缺点。使用歧视性标准。这是一个建议清单，我将做出最终决定。简介：[X]。投资组合：[列表]
常见错误
- 基于歧视性标准的消除。宗教、出身、婚姻状况——禁止。
- 允许模型复制数据中的偏差。
- 解决表面需求，跳过真正需求。
- 将入围名单发送给买家而不进行检查。可能会出现不知道型号的问题。
- 将客户数据提供给模型而不对其进行去识别化。 KVKK。
提示：将匹配称为“顾问候选名单”，而不是“系统决策”。这样，您就可以将对客户和法律的责任放在正确的位置——您自己。
买家优先考虑：热情，而不是偏见
顾问的时间有限；有合理的需要来确定哪个买家会首先花时间。但这样做时，标准应该是“谁会真正购买/租赁”，而不是谁“有同情心”。人工智能可以帮助将买家行为线索（明确的预算、贷款预先批准、具体搬家日期、出现、快速周转）转化为“准备度/热情”分数。这是合法的，因为它衡量的是购买意愿，而不是该人的身份。边界再次清晰：温度分数；它不应基于宗教、出身、婚姻状况、年龄等个人特征，而应仅基于与购买过程相关的具体步骤。买家今天可能很“冷”，但两周后当贷款获得批准时就会变得“热”；分数不是静态标签，而是更新的状态。将人工智能产生的优先级视为一种建议：有时您会感觉到数据中未反映的信号（接收器的确定）。分数引导你，它不决定你的位置；任何买家都不会因非法标准而被排除在名单之外。
总之
人工智能构建客户注释，帮助提取真正的需求并生成包含产品组合的快速候选名单。但匹配应仅基于合法的、与财产相关的标准；模型不应有任何歧视性的地方；客户数据应去识别化。人工智能的建议不是最终的，它只是一个候选名单，您将检查并最终确定。
应用任务
记下买家电话记录（匿名）。使用模板 1 创建需求概况和缺失问题列表；区分必备/最好有。让模板 2 从作品集中生成 5 个候选名单，并根据您自己的知识检查每项建议。使用模板 4 检查您的歧视/KVKK 标准。
清单
- [ ] 我仅根据合法的、与财产相关的标准进行匹配。
- [ ] 我没有使用宗教/出身/婚姻状况等歧视性标准。
- [ ] 我取消了客户数据的身份识别 (KVKK)。
- [ ] 我解决了真正的需求（必须有/很好有），而不是表面需求。
- [ ] 我已据我所知查看了入围名单；我做出了最后的决定。