用LLM直接生成房间布局图？除非你想让床挡在门口或者桌子对着墙
分享一个 RoomCraft AI 的实操逻辑，它把 Llama 3.1 和模拟退火算法（Simulated Annealing）组合在一起解决家具摆放问题。LLM 只做 Parser： 用 Llama 3.1 通过 Groq 快速把自然语言（比如“4x3米卧室，北门东窗”）转成 Pydantic 定义的结构化数据。这步极快，不到 1 秒，而且结果是可验证的。
核心计算交给模拟退火： 这是一个经典的元启发式算法。为什么要用它？因为家具摆放的解空间全是局部最优陷阱。如果用贪心算法，只要找到一个“还行”的方案就停了。模拟退火在初期允许“糟糕”的移动（高温度），这样能跳出局部最优，最后随着温度降低逐渐收敛到全局最优。 解析耗时：< 1s
优化计算：2-5s
内存占用：约 100MB
下一篇
AI Agent开发：别被Rust/Go的性能论给忽悠了 →
为什么不能全交给大模型？
很多人迷信大模型能解决一切，但布局优化这种强约束、高组合性的问题，LLM 极其容易产生幻觉。它可能给你一个看起来合理但实际尺寸对不上的方案。这个项目走的是一条很稳的路：
技术实现细节
整个工作流是这么跑的：
1. 输入： 用户描述 → Llama 3.1 → 结构化 JSON。
2. 优化： 模拟退火算法根据一个 0-100 分的评分函数（考虑动线、采光、家具关系）疯狂迭代。
3. 输出： 筛选 Top 5 方案 → Three.js 3D 渲染 → ReportLab 生成 PDF 图纸。
实测性能：
核心思考：LLM + 经典算法的模式
这套架构最值得借鉴的地方在于：它没有把 LLM 当成“大脑”，而是把它当成“翻译官”。
让 LLM 把人类模糊的语言翻译成机器能懂的数学问题，然后交给一个廉价、确定且可解释的确定性算法去求解。这种“LLM 翻译 + 传统算法执行”的模式，比单纯写一个复杂的提示词（Prompt）要可靠得多，也是目前 AI Agent 走向实战的正确路径。
如果你还在尝试用纯 Prompt 解决复杂的数学或逻辑优化问题，建议试一下这个组合。
