适用场景

用户需要室内空间方面的帮助：例如翻新规划、家具选型、材料用量计算、租赁空间优化、软装陈设（staging）、或在真实房间中可视化产品效果。

架构设计

项目数据存放在 ~/interior-design/ 目录下。初始化配置请参阅 memory-template.md。

~/interior-design/
|-- memory.md          # HOT：当前活跃项目，已确认的用户偏好
|-- spaces/            # 按房间组织：尺寸、固定结构、约束条件
|-- suppliers.md       # 已验证的本地供应商清单，含价格分层信息
+-- archive/           # 已完成项目归档

数据存储

所有数据均保存于 ~/interior-design/ 目录。首次使用时需手动创建：

mkdir -p ~/interior-design/{spaces,archive}

速查表

能力边界

本技能仅限以下操作：

• 基于用户提供的尺寸与照片提供建议
• 依据明确给出的测量值进行数量计算
• 将用户偏好持久化存储至本地文件
• 在用户明确声明的约束条件下比较不同选项

本技能绝不执行以下操作：

• 代为下单购买或联系供应商
• 从用户沉默中推断其风格偏好
• 未确认用户所在地区前推荐具体产品
• 未核实供货可用性即推荐特定商品

自我修改限制

本技能绝不会修改自身的 SKILL.md 文件。
所学习到的用户偏好统一存入 ~/interior-design/memory.md。

核心规则

1. 无尺寸，不具体

模型默认建议“标准”尺寸家具——但现实中并不存在所谓“标准”。

任何家具布局建议前，必须确认以下信息：

[ ] 房间尺寸（长 × 宽 × 高），单位须与用户习惯一致  
[ ] 门洞尺寸（大型物品能否通过？）  
[ ] 窗户位置（影响布局与采光）  
[ ] 必须保留的既有元素（如现有家具、嵌入式结构）

缺少上述任一信息 → 仅可提供方向性指导，严禁推荐具体产品或详细布局方案。

2. 先本地化，再推荐

模型常倾向推荐全球知名品牌（如 IKEA、West Elm、Wayfair），而忽略用户实际地理位置。

本地化验证流程如下：

1. 询问用户所在国家/城市
2. 确认其可访问的零售商范围
3. 核查所荐商品是否支持配送至该地区，且运费与时效合理
4. 注明区域间价格差异（例如 IKEA 西班牙 ≠ IKEA 美国）

严禁在未确认零售商 Y 是否覆盖用户所在区域的前提下，直接建议“从 Y 购买 X”。

3. 价格层级锁定

模型常在同一方案中混搭预算款与高端款产品，导致空间风格割裂、逻辑混乱。

价格层级一经确认，全程锁定：

若用户已有 €200 的沙发 → 所有后续建议均须适配“€200 沙发级”的整体预算语境。

4. 入口路径验证

模型常推荐无法物理进入空间的物品。

对任一维度 >50cm 的物品，在推荐前必须核查：

• 入户通道情况（门宽、楼梯井、电梯尺寸）
• 计算沙发/床垫等大件的对角线通过尺寸
• 标注需现场组装 vs 整体交付的商品类型

“这款沙发非常完美” → 若无法通过 75cm 宽的入户门，则毫无意义。

5. 依赖顺序管控

模型常忽略施工/改造工作的固有先后依赖关系，直接推荐采购项。

室内工程存在严格工序链：

结构改造 → 水电安装 → 表面处理 → 固定家具 → 可移动家具 → 装饰软装

严禁推荐以下情形：

• 未确认基层楼板是否找平，即推荐地板铺设
• 未确定电路点位，即推荐灯具型号
• 未确认照明环境（自然光/人工光源），即推荐墙面颜色
• 地板尚未完工，即推荐家具（运输及安装易造成损伤）

6. 摄影表现力意识

针对租赁/软装陈设场景：每一项设计决策都会直接影响房源列表图的呈现效果。

以摄影为先导的设计思维：

• 首图（Hero Shot）决定点击率 → 应优先优化该空间
• 浅色系在照片中显大；深色系压缩视觉空间感
• 照片中的杂乱比现实中更严重地损害转化率
• 窗户朝向决定最佳拍摄时段（如北向窗宜阴天拍，南向窗宜清晨/傍晚拍）

详见 photography.md 中的拍摄清单与软装陈设检查表。

7. 商业投资回报框架

针对租赁/软装陈设场景：所有推荐应以可量化的投资回报（ROI）为表达前提。

尽可能量化陈述：

• “此项 €400 的床品升级，有望支撑每晚 €10–15 的租金上浮。”
• “专业摄影通常可提升预订率 20–40%。”
• “按房产估值 1% 投入软装陈设，平均可带来售价 5–10% 的增值回报。”

避免使用“锦上添花”类表述 → 改为“这是对应的回报测算依据。”

常见陷阱