個人專案　2026 年 7 月至 9 月

591 租屋推薦 LINE Bot

每天自動找新的租屋物件，用 AI 看照片、打分數，再推到我的 LINE。

為什麼做

找房子最花時間的是看照片。條件一改就得重新篩一遍，照片拍得好不好又會影響判斷。所以我想要一個每天先幫我看過一輪的助手：哪幾間值得點進去，為什麼。

1
爬取新物件
依縣市抓回新刊登的物件，存進資料庫，並記錄每一天物件還在不在。
2
依我的條件篩選、算分
區域、預算、坪數、關鍵字都在資料庫裡用 SQL 篩，再用規則算出分數。條件是在 LINE 裡用 LIFF 表單設定的。
在 LINE 裡設定區域、預算、坪數和關鍵字
3
AI 看照片
先用 CLIP 把照片分成室內、平面圖、外觀等。通過條件的約 20 到 30 間，再交給視覺語言模型逐間評分，寫出理由和需要注意的地方。
4
推到 LINE
推薦的物件會變成 LINE 聊天室裡的卡片，附上照片、租金、坪數和 AI 寫的重點。我在卡片上按「喜歡」「普通」「不喜歡」，這些回饋都會存下來，成為我的偏好資料。
LINE 聊天室裡收到的推薦卡片

我先自己評一批照片，再和模型的結果逐項比對，找到四類落差：「家具」指的東西不一樣；牆上的彩繪被當成污漬；夜間拍的照片該怎麼算採光；還有 0 分到底代表什麼。我把每一項的定義、要排除的情況，以及「看不出來就填 NA」都寫進提示詞，重測之後多項分數完全一致，其餘差距在 1 到 2 分以內。

爬蟲只依縣市抓，條件全在本地篩。條件改了不用重爬，過去的資料也能重新套用。每天記錄物件還在不在，下架的速度就成了不需要人工標註的熱度指標。

591 的欄位常常不全。缺的項目不給分也不扣分，把權重分給有資料的項目，否則資料完整的物件會一直贏過資料殘缺的。分數也會附上明細，才看得出為什麼這間排第一。

有一次待評分的物件一口氣累積到一千多筆，加上模型長時間執行後變慢，單一排程跑了超過 24 小時，隔天早上的爬蟲因此被跳過。後來我把爬蟲和照片評分拆成兩個獨立的排程。