house-hunter

name	house-hunter
version	1.0.0
description	对话式找房 — 房产中介 skill，面向年轻租客，多源数据融合（地图/小红书/链家/新闻）。
argument-hint	house-hunter 坪山区 70平 2房1厅 3km有山姆IMAX 预算4000, house-hunter 南山区适合年轻人租房的小区
allowed-tools	Bash, Read, Write, AskUserQuestion, WebFetch, WebSearch
author	kunhai1994
license	MIT
user-invocable	true
metadata	{"openclaw":{"emoji":"🏠","requires":{"bins":"[Truncated]"},"primaryEnv":""},"gemini":{"extension_type":"skill"}}

house-hunter: 对话式找房 / 房产中介 skill

面向 年轻租客（25-35 岁）的对话式找房工具。 核心维度：配套（吃喝玩乐购）+ 租金 + 居住口碑 + 安全事件 不关注：房价走势、学区、投资分析（年轻租客不需要） 底层：自建编排引擎 + 百度/高德地图 MCP + 复用 xiaohongshu-skills + 链家/贝壳 WebFetch + WebSearch

---

🔒 数据源约束（硬性，全局生效）

这一节优先级高于所有其他设计决策。所有代码改动违反此约束需要在本文件先讨论。

房产数据源优先级（D10 终版）

1. ke.com   (贝壳)    ← 首选，所有 lianjia/ke 双 host 选择必须 ke 第一
2. lianjia.com (链家) ← fallback，同公司同数据但作 ke 失败时的备用入口
3. anjuke.com (安居客) ← 独立数据源，列表区准
4. ziroom.com (自如)
5. 58.com (58同城)
6. fang.com (房天下)

具体落地点（必须遵守）：

• rental.community_basic_info：先试 sz.ke.com/xiaoqu/{id}/，失败再试 sz.lianjia.com/...
• rental.community_rental_summary：先试 sz.ke.com/zufang/c{id}/，失败再试 lianjia
• _resolve_via_keyword_search：先试 ke 关键词搜，失败再试 lianjia
• 报告链接：默认 ke.com，链接显示给用户的链接里也优先 ke 域

理由：用户决策 — 贝壳是首选品牌，链家是历史遗留入口。即使两者同公司同数据库，呈现给用户和优先抓取顺序必须以贝壳为先。

---

🧰 Opus 调研操作手册（核心方法论，必读）

你（接 /house-hunter 调用的 Opus）是真正的智能层。 Python 引擎只做重型批量任务（候选生成、bridge 抓数据）； 本节是你的方法论 SOP，让你能复现高质量调研。

---

🎯 7 类意图识别 SOP（第一步必做）

收到 /house-hunter <input> 后，先识别意图再决定流程：

意图	触发词	处理流程
search	"找房"/"附近"/"X 区 Y 平 Z 房"/"预算"	Python 引擎候选生成 + 7 步 enrich + rank 模板
research	"了解"/"调研"/"top N 小区"	同 search，top_n 加大
compare	"vs"/"对比"/"PK"/"A 和 B 哪个好"（含 2+ 具体小区名）	跳过候选生成 → 直接对每个名字跑 7 步 chain → compare 模板
deepdive	"为什么"/"深挖"/"X 栋"/"X 期"/"X 怎么样"（单候选）	单候选 7 步 + 加栋号/楼层/朝向细化 → deepdive 模板
reweight	"如果短租"/"不考虑价格"/"如果开车"（承接上文）	不重跑数据，按新场景权重重排已有候选 → reweight 模板
add_candidate	"再加 X"/"还有 Y 也对比下"（承接上文 PK）	增量对新候选跑 7 步，merge 进已有 PK
why_question	"为什么 X 噪音"/"X 是什么意思"	针对具体事实深度 WebSearch + 地图实测

关键判断：

• 用户给具体小区名（≥1 个）→ 不是 search/research，是 compare/deepdive
• 用户承接上文换条件 → 不重跑，是 reweight 或 add_candidate
• 判断错就重跑浪费 5+ 分钟，慎重选意图

---

🔗 7 步多源 Chain SOP（每个候选必做）

不论什么意图，对每个 community 调研时按这 7 步 chain（并行可加速）：

Step ① 百度地图 geocode + POI 配套

from sources import baidu_map
geo = baidu_map.geocode(f"{city}{name}", city)
# 对每类 POI（短租租客视角）：
for kw, rad in [('地铁站', 1500), ('购物中心', 2000),
                ('医院', 3000), ('公园', 1500), ('大道', 800)]:
    baidu_map.search_nearby(kw, geo.lat, geo.lng, rad, page_size=5)

→ 拿到坐标 + 精确距离 + 周边主干道（噪音源）

Step ② WebFetch 房产门户详情页（基础数据）

• 优先：{city}.leyoujia.com/xq/detail/{id} (乐有家，字段最全)
• 备用：fang.com / anjuke.com / 房天下 / 安居客
• 抓：建成年份、户数、容积率、绿化率、物业公司、物业费、当前挂牌均价、在售房源数

Step ③ WebSearch 政府/官方投诉

WebSearch("{小区} 物业 投诉 维权 业主")
WebSearch("{城市} {区} 住建局 物业管理通报")

→ 看黑猫投诉、住建局季度通报、广东省违法违规企业名单 → 官方红旗

Step ④ WebSearch 专家分析

WebSearch("{小区} 优缺点 知乎")
WebSearch("{小区} 哪栋好 不建议买")
WebSearch("{小区} 入住 真实 体验 缺点")

→ 深度评测、栋号优劣、朝向噪音

Step ⑤ WebSearch 市场信号

WebSearch("{小区} 二手房 成交价 走势 2025 2026")
WebSearch("{小区} 急售 / 跌价")

→ 价格趋势、业主信心信号、跌幅

Step ⑥ xhs 多关键词搜（真实居住口碑）

from sources import xhs
# 基础
for q in [name, f"{city} {name}", f"{name} 评价"]:
    xhs.search_feeds(q, max_results=15)
# 风险词
for q in [f"{name} 避雷", f"{name} 噪音", f"{name} 漏水", f"{name} 物业 投诉"]:
    xhs.search_feeds(q, max_results=10)
# 租房视角（短租）
for q in [f"{name} 出租", f"{name} 入住"]:
    xhs.search_feeds(q, max_results=10)

严格过滤：笔记标题或正文必须含「城市名」或「区名」才算精确命中（避免同名小区混淆）

Step ⑦ WebSearch 同名区分 / 维基百科

WebSearch("{小区} 百度百科")

→ 必查：同名小区（如"南沙金茂湾" vs "灵山岛金茂湾"），不区分会出灾难性错误

---

🚨 红旗 Checklist（合成报告前必扫）

出现任一信号时，报告里必须打 🚨 警示标记：

红旗	触发条件	严重度
业主急售信号集中	xhs "急售/捡漏/X 折出/砸盘" 笔记 ≥ 3 条	🟠 中
二手房跌价 > 30%	实际成交 vs 开盘 比 < 0.7（or xhs"跌到 X 万"信号）	🔴 高
政府住建局通报	该小区/该物业在通报名单中	🔴 高
黑猫投诉集中	黑猫投诉记录 ≥ 2 条	🟠 中
知乎/xhs 高互动负面	❤️ > 50 且明确负面	🟠 中
装修质量集中吐槽	多条 "装修差/瑕疵/漏水" 笔记 ❤️ > 20	🟠 中
同物业兄弟盘有通报	该物业管的其他盘出现在政府名单	🟡 低-中
产权年限缩水	土地出让 vs 交楼 间隔 > 10 年（剩余年限 < 80%）	🟠 中
紧邻城中村	距离 < 200m（百度地图可查"村""社区"标注）	🟡 低-中
紧邻主干道/高架/铁路	距离 < 200m	🟠 中（24/7 噪音）
环境污染信号	xhs/知乎多次提"臭水""废气""异味"	🟠 中
开发商央/国企但兄弟盘维权	品牌污染（用户可能联想）	🟡 低

报告规则：

• 高严重度（🔴）必须列在报告显眼位置
• 中严重度（🟠）放在「风险点」一节
• 低严重度（🟡）作为信息补充

---

⚖️ 场景化评分权重表

根据用户表述场景，用对应权重重新计算综合分。不是固定 5 项 5 等分。

用户场景关键词	价格	通勤地铁	物业	配套	噪音	安全	户型	学校
默认（长租自住）	0.15	0.15	0.15	0.15	0.10	0.10	0.10	0.10
短租 1 年	0.20	0.20	0.20	0.20	0.15	0.05	0	0
短租 + 开车（无地铁需求）	0.20	0	0.25	0.20	0.20	0.10	0.05	0
短租 + 不考虑价格	0	0.15	0.25	0.25	0.20	0.10	0.05	0
短租 + 不考虑价格 + 开车	0	0	0.30	0.25	0.25	0.15	0.05	0
长租自住 + 通勤	0.15	0.25	0.20	0.15	0.10	0.10	0.05	0
长租 + 有孩子	0.10	0.10	0.20	0.15	0.10	0.10	0.10	0.15
投资 / 买入	0.20（升值潜力）	0.15	0.10	0.15	0.05	0.05	0.10	0.20

自动调整规则（当组合没匹配时）：

• 用户说"不考虑 X" → X 权重置 0，余下按比例归一
• 用户说"X 必备" → X 权重 +0.10，其他比例缩减
• 用户说"X 优先" → X 权重 +0.05
• 用户切换约束时，显式告诉用户用了什么权重（透明化）

---

📋 4 套报告模板库

根据意图选模板：

意图	模板	核心结构
search/research	rank.md	你的需求 / Top N 评分表 / 各小区详情 / 数据来源
compare	compare.md	基础数据对比表 / POI 实测 / 红旗扫描 / 综合 PK 表（按场景权重）/ 看房 checklist
deepdive	deepdive.md	基础 / 配套 / 红旗 / 业主真实声音 / 风险+应对 / 看房 checklist
reweight	reweight.md	权重变化说明 / 旧排序 vs 新排序 / 新排序理由

compare.md 模板（A vs B / 多方 PK）

# 🥊 {城市}{area} {N} 方 PK — {date}

[基础数据] 含建成/户数/容积率/物业/物业费/价格 的对比表
[配套实测] 百度地图距离对比：地铁/商场/医院/公园
[红旗扫描] 🚨 每个候选列红旗
[综合 PK] 显式列出用的场景权重 → 加权综合分表
[综合排序] 🥇/🥈/🥉
[看房 checklist] 必看 + 必问
[Sources] 每个事实附来源链接

deepdive.md 模板（单候选深挖）

# 🔍 {小区} 深度调研

[基础数据] 房产门户直抓
[配套] 百度地图
[🚨 红旗扫描]
[业主真实声音] xhs / 知乎
[风险点 + 应对]
[看房 checklist]
[Sources]

reweight.md 模板（场景变化重新排序）

# 🔄 重新加权 — 场景：{新约束}

[权重变化说明] 旧权重 / 新权重 / 变化原因 表
[排序变化] # | 旧 | 新 | 变化原因
[新 Top 1-3 详细] 每个含新权重下分数 + 主要加分项

rank.md 模板（沿用现有 search.md.j2，由 Python 渲染或 LLM 直接生成）

---

🔑 关键沟通原则

1. 每个事实附来源链接（参考 xiaohongshu-skills 引用规范）
2. 安全/口碑措辞谨慎："未查到" ≠ "没发生"
3. 不夸大单条事件代表性（1 条负面笔记 ≠ 整个小区差）
4. 同名小区必区分（百度百科 + 地址 + 开发商三重验证）
5. 权重透明：合成报告时显式告诉用户用了什么场景权重
6. 承认不知道：xhs 数据稀疏时明确说，不编

---

📦 Python 工具 API 速查（Opus 直接调）

# 候选生成（按区或中心点）
from sources.community_search import find_candidates
candidates, source = find_candidates(city, district, area, limit, search_radius_m)

# 多源详情 enrichment
from house_hunter import _ensure_latlng, _enrich_community_basics
_ensure_latlng(c)            # 补 lat/lng + 元数据
_enrich_community_basics(c)  # 强制刷新元数据

# 百度地图 POI
from sources import baidu_map
baidu_map.geocode(addr, city)
baidu_map.search_nearby(kw, lat, lng, radius, page_size)

# 桥接抓取（链家/贝壳）
from sources import housing_bridge
housing_bridge.fetch_html(url)        # 24h 缓存
housing_bridge.fetch_via_bridge(url)  # 不缓存

# 小红书
from sources import xhs
xhs.search_feeds(keyword, max_results)

---

Step 0: 环境检查（必须先做）⚠️

找到 skill 安装路径：

for dir in \
  "${CLAUDE_PLUGIN_ROOT:-}" \
  "${OPENCLAW_SKILL_ROOT:-}" \
  "${GEMINI_EXTENSION_DIR:-}" \
  "$HOME/.claude/skills/house-hunter" \
  "$HOME/.agents/skills/house-hunter" \
  "$HOME/.codex/skills/house-hunter" \
  "$HOME/.gemini/extensions/house-hunter" \
  "$HOME/workspace/tools/house-hunter"; do
  [ -n "$dir" ] && [ -f "$dir/SKILL.md" ] && [ -d "$dir/scripts" ] && SKILL_ROOT="$dir" && break
done
echo "SKILL_ROOT=$SKILL_ROOT"

运行健康检查：

python3 "${SKILL_ROOT}/scripts/status.py" --json

根据返回的 fixes 数组逐项修复：

fix ID	问题	你（LLM）的修复动作
install_python_deps	pyyaml/jinja2 未安装	直接运行 python3 "${SKILL_ROOT}/scripts/setup.py"
configure_baidu_key	百度地图 Key 未配置（必需，fallback#1，5000/天）	走下面的「Step 0.A：地图 Key 引导」流程