愿每个业主在装修路上心中有数，于是，「装闭」来了。
装修行业的水有点儿深
很多人装修完回头看，都发现自己花了不少冤枉钱。设计师画的效果图美轮美奂——复杂吊顶、满墙背景墙、开放格书架……装好以后才发现，这些东西费钱不说，日常打理还特别费劲。吊顶积灰、开放格藏污纳垢、花哨灯带一年到头开不了几次。
更别说合同和报价单里的猫腻。增项漏项、模糊工艺描述、虚报材料数量——这些套路装修公司玩得轻车熟路，但普通业主根本无从分辨。随便一个增项，几千块甚至上万块就多出来了。
于是就有了「装闭」（RenoPit）这个项目。装修闭坑，RenoPit /ˈriːnoʊ pɪt/ 取自 Renovation（装修）+ Pitfall（陷阱）。
「装闭」能做什么？
一句话概括：上传你家的设计图纸和合同报价单，AI 帮你审查出问题、揭露套路。
操作流程非常简单，四步搞定：
- 上传设计图纸——户型图、效果图、吊顶图都能传，一次传多张也没问题，只要你
token足够 - 上传合同和报价单——PDF、TXT 等文本文件也可以上传
- 补充几句文字说明——可以简单描述一下房屋情况和你的疑虑等
- 点击分析，等待结果——AI 分析后，生成详细的可视化报告，分析时长取决于你上传的多少，只要不是太多，五分钟以内都能出结果
报告会逐条列出发现的问题，包括具体说明、风险等级和改进建议。合同和报价单也会被逐条审查，指出哪些费用偏高、哪些表述有坑、哪里可能隐藏增项。
废话少说，直接上截图感受一下我上传了两份真实的PDF后生成的报告：
▲ 总体评价：一眼看清你家装修方案的靠谱程度，高低风险项逐条过
▲ 问题详情：每个坑都有具体的风险等级、问题说明和应对建议，不是泛泛而谈
▲ 合同报价单分析：费用明细逐项审查，偏高偏低一目了然
▲ 跨文档交叉核查：把平面图、报价单、合同串起来对比，发现数据不一致的地方
▲ 增项预测：提前预警哪些地方装修公司可能后期加钱，别等做完才发现超预算
分析完成后还能一键导出 PDF。
「装闭」凭什么能发现这些坑？
关键在于立场——「装闭」不是中立工具，而是完全站在消费者这边的。
系统内置了一份精选的装修坑位知识库，覆盖五大类常见问题：卫生死角、空间压迫感、实用性伪需求、隐性成本、安全健康。这些坑位清单不是凭空编的，而是从大量装修业主的真实踩坑经验中总结出来的。
同时，AI 还会联网搜索最新的装修套路。有些新型材料陷阱、当下流行的伪需求，本地知识库里可能没收录，通过联网搜索就能补上。
简单说，「装闭」相当于一个永不疲倦的监理 + 大量业主经验库的合体。
系统会默认质疑所有"复杂装饰"和"常见增项"。任何增加成本却降低生活品质的设计，都会被标记出来。当然，觉得太激进的话也可以根据自己情况取舍——最终做决定的还是你自己。
开源 & 在线体验
👉 开源地址：github.com/fthux/RenoP…
不想自己部署的话，可以直接用在线 Demo 体验：
👉 在线体验：renopit.fthux.com
本地部署：
- 安装 Docker
- 准备一个
LLM API Key（OpenAI 或兼容接口）
1. 配置环境变量
cp .env.example .env
# 编辑 .env 填入你的 API Key
必须的环境变量：
# LLM API配置（支持 OpenAI SDK 格式的任意 LLM API）
# 如果需要分析图片，请配置支持多模态的 LLM API
LLM_API_KEY=your_api_key
LLM_BASE_URL=llm_base_url
LLM_MODEL_NAME=llm_model_name
2. 一键启动
docker-compose up -d
3. 访问系统
| 服务 | 地址 |
|---|---|
| 前端界面 | http://localhost:3000 |
| 后端 API 文档 (Swagger) | http://localhost:8000/docs |
| 后端 API 文档 (ReDoc) | http://localhost:8000/redoc |
| 健康检查 | http://localhost:8000/health |
这个项目的意义
装修行业的信息不对称是个老问题了，复杂装饰、模糊报价、隐藏增项……这些套路每年让无数业主多花几万甚至十几万的冤枉钱。
「装闭」的初衷就是拉平这种信息差。哪怕它只帮你发现了一个坑、省下一百块钱，这个项目就有了价值。
最后
如果你正准备装修，不妨试试「装闭」，把设计图和报价单丢进去跑一遍。它不能保证一分钱都不多花，但至少能让那些藏在图纸和合同里的坑，无所遁形。
装修路上，能省则省，少踩一个坑是一个坑。
装修路上，还是要自己心中有数。
装修路上，「装闭」就行了。
