一、技术底座：大模型+垂直知识的融合路径

家政SaaS场景不同于通用对话，其术语、流程和决策逻辑高度垂直。通用大模型直接应用会出现领域知识缺失。当前主流方案是"通用大模型+垂直向量知识库+RAG（检索增强生成）"架构：将家政行业的术语、流程、法规向量化存储，大模型处理任务时先从知识库检索上下文，再生成结果。这既利用了大模型的生成能力，又保证了行业准确性。

二、五大落地场景

场景一：AI简历识别

家政企业管理数百上千名服务人员，身份证、健康证、证书、简历全靠人工录入。技术路线是OCR+NLP联合方案：手机拍摄的证件图片经过倾斜校正和去模糊处理后，OCR识别身份证号、姓名等结构化字段及自由文本，再通过NLP进行语义理解，将"2019-2021年在朝阳区带过双胞胎"准确提取为时间段、地点、服务类型，自动填入系统表单。关键难点在于简历格式高度非标准化，需要领域特定的NER模型。单份简历录入时间可从10-15分钟降至1分钟以内。

场景二：AI外呼分析

家政客户转化链路长，销售外呼后需手动填写跟进记录。技术方案是ASR+LLM联合：通过双呼线路全程录音，ASR实时转写（需支持方言），大模型通过精心设计的Prompt从转写文本中提取结构化信息——客户意向等级、服务类型、预算、顾虑、跟进建议，自动写入CRM。Prompt设计是效果关键，需要覆盖家政行业特有的话术和场景。销售每天可节省30-60分钟记录时间，管理者也能通过摘要快速复盘跟进质量。

场景三：智能客户问答

家政咨询涉及价格、资质、保险、合同等大量标准化问题。传统关键词匹配机器人体验差。RAG方案将企业文档向量化存储，用户提问后进行意图理解和语义检索，大模型根据检索结果生成自然回答。"你们家阿姨靠不靠谱"和"怎么保证阿姨素质"语义相同，大模型能识别并返回一致的信息。当检索置信度不足时，不强行回答而是引导转人工。可自动化处理70%以上的标准咨询。

场景四：AI培训与技能评估

家政员培训"千人一面"，不同经验的学员上同样课程效率低。大模型驱动自适应学习：先根据从业经历、证书、评价生成技能画像，再自动推荐个性化课程序列；通过语音对话进行情景模拟训练（投诉处理、突发应对）；自动生成测验题目并分析错题，识别薄弱点推荐补充学习。培训周期可缩短30-50%，效果可量化评估。

场景五：AI辅助经营决策

多数家政企业依赖经验决策。技术方案是数据汇聚+异常检测+NL2SQL+LLM解读：将订单、人员、财务数据汇聚后，异常检测算法自动发现某门店转化率骤降等问题，管理者可用自然语言提问（“上月哪个门店匹配率最低”），系统转换为SQL查询，大模型将结果转化为可读分析文本并附带建议。数据驱动决策从大企业专属下沉到中小企业。

三、挑战与展望

当前挑战包括：家政行业高质量标注数据不足、多模态融合尚在早期、API调用成本需平衡、隐私合规要求高。未来方向是AI Agent化（自主执行匹配→派单→投保→通知全流程）、端侧部署降低延迟、多模态深度应用（视频面试分析、服务现场照片智能审核）。

大模型对家政SaaS的改造是渗透式的场景增强。核心壁垒不在于用了哪个大模型，而在于行业数据积累深度和场景化Prompt的打磨精度。