我让 Agent 跑完西二旗租房：网易大楼周边 147 个小区公寓口碑表
最近在看西二旗网易大楼附近的租房选择，最麻烦的不是“有没有房”，而是信息太碎：地图上是一批 POI，租房平台上是一批价格，论坛和问答里又散落着隔音、物业、通勤、周边配套这些真正影响居住体验的细节。
于是我让 Agent 做了一次批量调研：围绕网易大楼周边，把住宅区和公寓式酒店都抓出来，再结合公开网页信息做口碑归纳。这版把搜索服务切到火山引擎重新跑了一遍，最后得到了一张 147 条记录的表，其中住宅区 111 个、公寓式酒店 36 个；总共整理出 1107 个有效来源，平均证据强度 7.86，平均 AI 综合评分 7.12。
下面这张表可以直接搜索、筛选、按列排序。默认按 AI 评分降序排列，点击任意一行可以展开看地址、长线索和来源链接。
这张表适合怎么看
我没有把 gemini评分 当成唯一结论。租房这种事情很个人：有人更看重通勤，有人更看重隔音，有人宁愿贵一点也要省心。因此我更建议把它当成一个“候选池排序工具”。
几个字段可以组合起来看：
gemini评分：Agent 根据通勤、租金线索、房屋质量、生活便利和风险信息给出的综合判断。证据强度(0-10)：公开资料是否足够丰富，不等于推荐度。证据强但评分低，往往意味着缺点也被搜得很清楚。有效来源数：被用于归纳的网页来源数量，方便判断结论是不是只来自单一页面。租房价格线索：从公开网页中抽取的月租、均价、户型价格等信息。风险/差评线索：噪音、老旧、停车、物业、疑似误命中等风险提醒。
我的使用方式通常是：先按评分和证据强度排序，排除明显不合适的；再搜索关键词，比如“隔音”“地铁”“老旧”“公寓”；最后点开来源做人肉复核。Agent 负责把信息压缩成第一轮筛选，人还是要为最终选择负责。
这个 Agent 做了什么
这次流程被我整理成了一个可复用的租房信息归纳 skill：renting_research_skill.md。
它的核心思路是三段式：
- 先用地图 API 找到公司和周边候选地点，解决“有哪些地方、离公司多远”的问题。
- 再用公开网页搜索收集租金、户型、物业、隔音、配套、差评等线索，解决“住起来怎么样”的问题。
- 最后让大模型把零散证据压缩成结构化字段，导出可以排序、筛选、追溯来源的 Excel。
这个 skill 的输入很少：公司名称、百度地图 AK、检索半径、目标 POI 类型、通勤方式、搜索服务和模型服务。输出则是一张适合直接决策的 Excel 表，字段包括名字、类型、地址、距离、通勤时间、证据强度、有效来源数、租房价格线索、房子质量线索、生活便利线索、风险线索、来源、AI 评分和 AI 总结。
为什么要做成 skill
租房调研有一个很强的复用性：换一家公司、换一个城市、换一个半径，本质工作流几乎不变。真正耗时间的是把这套流程稳定下来，比如：
- 同名小区要消歧，不能把别的城市或别的区域混进来。
- 地图 POI 要保留 uid、地址和坐标，否则后续路线和搜索都容易漂。
- 搜索结果要保留来源，AI 总结不能变成不可追溯的“玄学推荐”。
- 证据强度和推荐评分要分开，资料多不代表一定好住。
把这些规则写进 skill 后，Agent 下一次就不需要重新理解任务边界，可以直接按流程跑。它不是替我做决定，而是把原本几天的资料搜集压缩成一个可复核的数据底座。
一点反思
这张表并不等同于实时房源，也不能替代实地看房。网页信息会滞后，平台内容也会有噪声，部分价格线索可能来自二手房均价而不是租金。它更像一个“方向盘”：帮我快速知道哪些地方值得继续看，哪些地方要谨慎，哪些地方只是地图上离得近但公开口碑很弱。
我越来越觉得，Agent 最适合做这种“低创造性、高耐心、高交叉验证”的工作。它不需要一锤定音，只要能把混乱的信息变成一个能排序、能筛选、能追溯的表，人就已经轻松很多了。
