LookX：AI驱动的建筑设计生成平台

可视化演示

动态演示LookX的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

平台定位：AI 时代的建筑大厨

周末你走进一家餐厅，不看菜单先告诉服务员：“想要清爽一点的、带点酸甜、最好摆盘像一幅画。”后厨的大厨听到这些，就能做出符合口味的菜。这就是“点菜”的奇妙之处：你不需要会颠锅，只需要把需求说清楚。LookX 就是建筑设计圈里的这位大厨——你不需要先会建模渲染，只需把设计想法说清楚。

LookX 是一个面向建筑师的 AI 设计生成平台。建筑师把设计需求写成文字 Prompt，平台结合场地条件，在几十秒内生成一版建筑效果图。它把“画图”这个动作从人转移到了模型，让设计师从“画得出来”转变为“想得清楚就能看到”。它尤其擅长概念设计阶段——当一切还在头脑中模糊成形时，AI 先把它们变成可见的画面。

这个平台的本质是一套“文字到图像”的生成模型，但它不是随便生成一张图，而是被训练成“懂建筑”的模型：它理解什么叫容积率、什么是南向采光、玻璃幕墙和石墙立面在视觉上有什么差异。建筑师输入的关键词，会像菜谱里的“少油”“多葱”一样，被编码成高维特征，再被解码成画面。用公式表示，就是：

你看，整个过程和点菜没什么两样：你负责描述“想吃的东西”，大厨负责把它变成“看得见的菜”。你不需要学会颠勺，只需要学会把需求讲明白——这正是 LookX 给建筑师的第一课。

输入方式：点菜与出示参考照片

只点菜还不够。你光说“清爽一点”，大厨可能不知道你想要日式清爽还是江南清爽。这时候你翻出手机里的一张照片：“就像这个摆盘。”大厨看一眼，立刻心领神会。LookX 的输入方式也配套了两条通道：文字描述加参考图。

在 LookX 里，文字 Prompt 负责描述“要什么”，比如要什么功能、什么风格、几层楼；参考图负责描述“什么感觉”，比如构图、色调、氛围。两者互补：文字精确但抽象，参考图像具体但难说清边界。叠加场地条件之后，模型就拥有了完整的输入，可以开始发挥。

Prompt 写作不是越长越好，关键要素包括：建筑类型、风格倾向、材质关键词、特殊要求。参考图则像一条“风格锚链”，帮模型固定住那层难以言说的气质。场地条件通常以地块边界和容积率数据传入，限制建筑体量。三者共同进入生成模型 G，产出效果图：

回想点菜的场景：服务员记下“少油、微辣”，又拍下你手机里那张漂亮的摆盘图，转身进了后厨。LookX 干的就是这位服务员兼大厨的活——把口头的话和照片里的感觉，合并成一盘端得出来的菜。

风格控制：调味旋钮在哪里

同一道宫保鸡丁，每家餐厅的辣度、甜度、麻味都不一样。厨师靠的是灶台上的调料，食客只能口头说“重辣”“微辣”。LookX 把“调料”直接摆在了建筑师面前——这就是风格控制参数。

风格、材质、光感，这些听起来很虚的词，在 LookX 里变成了可调参数。参数不改变设计的功能逻辑，但会大幅改变画面的“味道”。它让建筑师不需要等到渲染阶段，就能在方案初期决定建筑的整体气质。

平台内置多组风格参数：风格流派（现代简约、新中式、参数化）、材质倾向（玻璃、木材、混凝土）、光感氛围（晴日、黄昏、晨雾）。建筑师推高某个参数，生成结果就会向相应的特征空间方向移动。建筑类型预设则像“套餐”，一键定位到办公、住宅或文化类项目。可以把生成结果看成三股力量的加权：

吃辣这件事，川菜馆的“微辣”和湘菜馆的“微辣”并不一样；LookX 的“现代简约”拉满到 100，也不会是一个绝对的开关。它更像音响上的高音旋钮——你拧动它，曲子确实倾向明亮，但整首歌的旋律还在那里。

方案迭代：试菜回锅的快循环

一道菜端上桌，你尝了一口：“嗯，不错，但蒜味不够。”大厨端回后厨，补两勺蒜蓉，重新上桌。建筑设计也是如此——方案要反复推敲。只不过传统流程里，改一版效果图可能要以天计算，而 LookX 把“回锅”压到了分钟级。

方案迭代，是建筑师在多个备选之间来回比较、筛选、细化的过程。LookX 支持快速生成多版方案，每版都基于同一段 Prompt，但随机种子或细调参数不同。建筑师像试菜一样，把不满意的菜端回去改口味，把满意的记录下来继续深化。

生成的每版方案都是一个视觉假设。多方案并置时，建筑师能对比不同立面、不同体量组合的差异，快速建立对项目的判断。反馈的方式包括修改 Prompt、换参考图、动风格参数。这样的循环反复进行，直到收敛到值得深化的方案。探索量与时间的关系是：

试菜次数多了，舌头会记住那一口最好的味道；方案迭代快了，眼睛会真正看见那个值得继续投入的方向。回锅不是重复劳动，而是靠近正确答案的最短路径。

效果图对比：手写菜单与高清照片

餐厅菜单有两种风格：一种是在黑板手写的小画——线条随意，看着就亲切；另一种是精修的高清美食照——油光、烟雾、香气似乎都要溢出屏幕。手绘草图与 AI 效果图，恰好就像这两者。

手绘草图用最少的线条表达概念，信息模糊但充满留白，看图的人会不自觉地把自己的想象“补全”进去。AI 效果图则信息量爆满：材质、光影、绿化、细节一应俱全，画面非常“确定”。确定是优点，也是代价——它压缩了观者想象的空间。

在方案前期的推敲中，模糊常常是一种生产力。手绘的几根线可以同时代表“这里可能有个庭院”，而 AI 效果图已经替你决定了庭院的样子。反过来，给甲方或业主看方案时，AI 效果图的逼真度又远超草图，能快速建立“这个设计有戏”的信心。信息量差异可以写成：

真正老练的食客不会只抱着菜单照片点菜，他会翻到手写那页看看厨师今天推荐什么。聪明的建筑师也一样：先用 AI 效果图铺开可能性，再用手绘草图圈住讨论方向，两种“菜单”各司其职。

工作流衔接：打包带走，二次摆盘

在餐厅吃到的菜，也可以打包回家。但你不会像在餐厅那样直接连锅端上桌，而是会换到自家的盘子里，重新搭配一下。AI 生成的效果图，也面临着同样的“打包与二次摆盘”。

效果图好看，但它本质上是一张像素图，既没有施工图需要的精确尺寸，也没有 BIM 需要的构件信息。要把 AI 方案接入建筑设计生产流程，必须经过一次“转换”。LookX 提供线稿、深度图、模型导出，让建筑师能继续深化。

在 CAD 工作流中，AI 导出的线稿可以作为底图，建筑师在此基础上绘制墙体、柱网、标注尺寸。在 BIM 工作流中，AI 生成的三维体量作为参考模型，指导 Revit 等软件建立信息模型。AI 负责给概念“塑形”，工程师负责给形态注入真实参数。这个转换过程可表示为：

打包回家的菜，虽然还是那道菜，但真正好吃的是重新加热、复刻、点缀后的那顿晚餐。AI 效果图是概念阶段的半成品，CAD/BIM 才是建筑真正落地的厨房。

设计价值：备菜的小工，掌勺的主厨

一家餐厅里，备菜小工负责洗菜、切菜、备好一切材料，但决定今晚推出哪道招牌菜的，永远是主厨。LookX 在建筑设计里的角色，就是那个手脚极快的备菜小工。

很多建筑师听到“AI 生成效果图”会担心自己被替代。但看看实际分工：AI 虽然能快速产出大量方案画面，却不知道哪个方案满足日照规范、哪个立面的幕墙成本可控、哪个功能布局更适合业主的需求。判断和决策，仍然是建筑师的核心工作。

LookX 的真正价值，是让建筑师把时间从“画图”转移到“思考”。传统流程里，做一个体量模型、渲一张效果图需要大半天；用 LookX 生成多版对比，可能只需要几分钟。节省下来的时间被投入到更有价值的方案权衡中。效率提升可以量化：

备菜小工再快，也决定不了餐馆的招牌菜；AI 再能渲染，也替代不了建筑师对空间、对人群、对场地的那份判断。最好的厨房，是小工和主厨各司其职——AI 负责快速备料，你负责让方案真正有灵魂。

AI 应用场景

Python 演示

"""LookXSimulator: 用规则模拟 AI 建筑设计生成的小巧原型"""  class LookXSimulator:    def __init__(self):        self.style_lib = {            "现代简约": {"roof": "平屋顶", "material": "玻璃幕墙", "color": "海蓝灰"},            "新中式": {"roof": "坡屋顶", "material": "木质格栅", "color": "墨灰"},            "生态绿色": {"roof": "屋顶花园", "material": "竹木复合", "color": "草绿"},        }        self.type_lib = {            "住宅": {"shape": "板式", "floors": 6},            "办公": {"shape": "塔式", "floors": 18},            "文化": {"shape": "异形", "floors": 2},        }        self.generate_count = 0        self.scheme_list = []     def parse_prompt(self, prompt):        style = "现代简约"        btype = "住宅"        for key in self.style_lib:            if key in prompt:                style = key                break        for key in self.type_lib:            if key in prompt:                btype = key                break        return style, btype     def generate(self, prompt, site, style=None):        self.generate_count += 1        cur_style, cur_type = self.parse_prompt(prompt)        if style is not None and style in self.style_lib:            cur_style = style        base = self.style_lib[cur_style]        spec = self.type_lib[cur_type]        scheme = {            "id": self.generate_count,            "style": cur_style,            "btype": cur_type,            "site": site,            "roof": base["roof"],            "material": base["material"],            "color": base["color"],            "shape": spec["shape"],            "floors": spec["floors"],        }        self.scheme_list.append(scheme)        return scheme     def render_ascii(self, scheme):        lines = []        roof = scheme["roof"]        floor_lines = scheme["floors"] // 3        if roof == "坡屋顶":            lines.append(" " * 15 + "/\\")        elif roof == "屋顶花园":            lines.append(" " * 13 + "(((((")        else:            lines.append(" " * 13 + "=" * 8)        for i in range(floor_lines):            lines.append("|" + " " * 5 + "#" * 7 + " " * 5 + "#" * 7 + " " * 5 + "|")        lines.append(" " * 1 + "-" * 32)        return "\n".join(lines)     def iterate(self, prompt, site, rounds=3):        print("=== 开始方案迭代 ===")        results = []        for i in range(rounds):            s = self.generate(prompt, site)            print("第 %d 版方案: %s %s %s层" % (s["id"], s["style"], s["btype"], s["floors"]))            results.append(s)        return results  def main():    tool = LookXSimulator()    prompt = "新中式风格 六层住宅 临水而建"    site = {"area": 1200, "facing": "南向", "red_line": "40x30m"}    print("Prompt:", prompt)    print("场地条件:", site)    print()    schemes = tool.iterate(prompt, site, rounds=3)    print()    print("最优方案 ASCII 效果图:")    best = schemes[-1]    print(tool.render_ascii(best))    print("风格:", best["style"], "| 屋顶:", best["roof"], "| 层数:", best["floors"])  if __name__ == "__main__":    main()

1. self.style_lib = {...}风格库相当于大厨的调料架，每种风格对应一套屋顶、材料和色彩。
2. def parse_prompt(self, prompt)在文字里扫描风格与类型关键词，模仿模型从 Prompt 提取设计概念。
3. self.generate_count += 1每生成一版方案就留档编号，方便后面追溯“试菜”记录。
4. scheme = {...}把风格库与类型库合并成一份方案信息，相当于把菜谱组装成成品菜。
5. def render_ascii(self, scheme)用字符画模拟效果图输出，让方案“看得见”。
6. def iterate(self, prompt, site, rounds=3)迭代循环：连续生成三版方案并打印，模拟方案推敲过程。
7. if __name__ == "__main__": main()可执行入口，直接运行就能看到一次完整的“方案生成”。

常见误区

面试题