CounterDeal：本地优先的神经符号AI房产终端

房产经纪行业长期面临两难：高净值客户的财务记录和房产交易数据高度敏感，直接交给云端AI工具意味着数据泄露风险；而让大语言模型独立处理合规计算，又几乎必然遭遇幻觉——在MahaRERA这类严格法规面前，一个编造出来的数字就可能引发法律纠纷。开发者smtherer针对印度浦那（Pune）房产经纪的实际痛点，构建了CounterDeal，一个完全本地运行、将语言模型与确定性代码分离的神经符号（neuro-symbolic）工作台。

CounterDeal项目概览

核心架构：让语言模型做语言的事，让代码做数学的事

CounterDeal的设计思路并不复杂，但切中要害：把任务按性质拆开，自然语言理解交给小模型，法规计算和概率推演交给确定性代码或专用表格模型。这种「分工」直接规避了两个最常见的事故源——数据外泄和数值幻觉。

本地AI运行时：gemma2:2b + Ollama

工作台的导航和「买家管家」（Buyer Concierge）功能由gemma2:2b驱动，通过Ollama在本地运行。模型规模不大，但足够完成意图识别和对话式检索。关键在于，所有客户需求和财务查询都停留在本机，不经过任何第三方服务器。对于经手高净值客户资料的经纪公司，这一点的价值远超模型能力本身。

Ollama 是一个开源的本地大模型运行框架，它把模型权重下载、推理服务封装成简单的命令行和 API 接口，支持 macOS、Linux 和 Windows。开发者只需执行 ollama run gemma2:2b 即可在消费级硬件上启动模型，并通过本地 HTTP 接口（默认 11434 端口）调用。与云端 API 不同，Ollama 的所有推理都在本机完成，请求不会离开设备，这使其成为隐私敏感场景的常见选择。

Gemma 2 是 Google 于 2024 年发布的开源模型系列，2B 参数版本面向资源受限环境，可在普通笔记本或小型工作站上运行。它继承了 Gemma 系列的双层注意力机制和知识蒸馏训练方法，在意图识别、文本分类和简短对话等任务上表现稳定，但复杂数学推理和长链逻辑并非其强项。CounterDeal 选择它正是看中其轻量、可离线部署且足够完成导航与检索任务的特点。

确定性RERA审计器

合规检查完全绕开LLM，用TypeScript实现严格的数学计算，对照MahaRERA的楼面加载限制和法定费用进行校验。这是整个系统里最重要的安全阀：法规数字不经过语言模型，就不存在被「编造」的可能。

MahaRERA 是印度马哈拉施特拉邦根据 2016 年《房地产（监管与发展）法》设立的房地产监管机构，负责浦那、孟买等地的房地产开发项目登记、经纪商注册和消费者投诉处理。其法规对楼面加载（FSI，即建筑面积与地块面积之比）、法定费用、预售条件等有详细规定，违规可能导致项目停工或高额罚款。

在房产交易中，楼面加载限制直接决定可售面积和定价，法定费用则影响交易总成本。这些数字具有法律约束力，必须精确引用。CounterDeal 将 MahaRERA 的规则硬编码为 TypeScript 计算逻辑，使每次合规检查都可复现、可审计——这与依赖语言模型“回忆”法规条款有本质区别。对于经纪商而言，可向客户或监管方展示的计算路径，比模型生成的自然语言解释更具法律可信度。

TabPFN交易挽救引擎

反事实交易概率和让步建议由一个本地FastAPI/Uvicorn微服务计算，底层是Prior Labs的TabPFN-3.5表格基础模型。表格模型在结构化数据上的表现通常优于通用LLM，而且同样完全离线。

TabPFN（Tabular Prior-Data Fitted Network）是 Prior Labs 提出的表格基础模型，其核心思想是在大量合成表格数据上预训练一个 Transformer，使其学会“在上下文中学习”——给定一小批训练样本和待预测样本，模型无需梯度更新即可直接输出预测。TabPFN-3.5 是该系列的最新版本，针对中小规模表格数据（通常数百到数千行）优化，在分类和回归任务上常能与经过调参的梯度提升树相媲美，且推理速度极快。

与通用大语言模型不同，TabPFN 专为结构化数值数据设计，不生成自由文本，因此不会“编造”不在训练分布中的数值。在 CounterDeal 中，它被封装为本地 FastAPI 微服务，接收交易特征（如预算、区位、户型、市场热度）并输出反事实交易概率和让步建议。这种“专用模型做专用预测”的思路，正是神经符号架构中“表格模型处理结构化预测”环节的具体实现。

前端

Next.js（App Router）+ React + Tailwind CSS，配合一套为经纪工作流优化的哑光深色设计系统。技术选型偏保守，但对本地部署场景来说，这是合理的选择。

为什么开源与本地AI在此类场景中不可替代

作者列出了两条核心理由，值得展开看：

零数据泄露。 客户的购买需求和财务询问从不出机器，彻底消除第三方服务器暴露面。这不是「隐私政策更好」的问题，而是架构上就没有泄露路径。

绝对法律精度。 合规检查走确定性代码而非语言模型，逐项核验法定数字。在MahaRERA这类监管框架下，可审计的代码路径比「模型说它算对了」要可靠得多。

实战验证：浦那The Real Estate Club的30天试点

为了验证系统能否在真实业务中存活，作者与浦那本地公司The Real Estate Club的经营者Gaurav Khatri合作，进行了为期30天的试点。

痛点：线索流失与合规焦虑

Gaurav的日常被WhatsApp消息淹没。房产客户的消息是预算、区位和模糊意向的混乱混合体，散落在数百条聊天记录里。热门线索因为被冷线索掩埋而直接流失。同时，客户每提出一个具体房源问题，他都得手动核对MahaRERA法规和楼面加载限制，这个过程极其耗时，而他对通用AI的恐惧很具体——万一模型编错一个法定数字，麻烦就大了。

方案：多智能体各司其职

试点采用了一套低成本、快速的多智能体结构，每个机器人职责单一：

管家（Concierge）：快速解析器读取进来的聊天，提取预算、区位、户型等实际需求。
资格判定（Qualifier）：根据语气紧迫度将线索标记为热、温、冷，让Gaurav知道先打给谁。
RERA审计器：不接入AI猜测，而是连接硬编码的本地数据库，以零幻觉方式核验浦那的实际房产法规。

结果：三个可量化的收益

转化率提升40%：热门线索从「几天后才发现」变成「几分钟内被捞出」，Gaurav在买家转向竞争对手之前就锁定了交易。
合规检查从45分钟降到3秒以内：原本需要手动翻查的法规核对，现在几乎瞬时完成。
额外收入超过18万卢比：系统挽救了本会永远沉在聊天记录里的高价值交易。

这些数字来自单一试点、单一经纪公司，样本有限，但方向性意义明确：在合规密集型行业，把LLM从它不擅长的领域移开，收益是立竿见影的。

值得关注的模式：神经符号架构的落地价值

CounterDeal的意义超出房产经纪本身。它示范了一种可复用的架构模式：用小型本地模型处理语言，用确定性代码处理规则，用专用表格模型处理结构化预测，三者通过清晰的接口协作。

对于金融、法律、医疗等「说错一句话代价很高」的领域，这种分离式设计比追求单一强大模型更务实。开源也让这套方案可以被审计、被修改、被移植到其他受监管行业。

项目已在GitHub开源（smtherer/counter-deal），包含本地部署说明和演示视频。作者邀请开发者克隆仓库测试，并欢迎对表格微服务的改进建议。

神经符号（neuro-symbolic）AI 指将神经网络（擅长感知、语言理解、模式识别）与符号系统（擅长逻辑推理、规则执行、可解释计算）结合的方法论。其动机在于：纯神经网络虽灵活但缺乏可验证性，纯符号系统虽精确但难以处理自然语言和模糊输入。神经符号系统让两者各司其职，通过明确接口协作。

在 CounterDeal 中，gemma2:2b 负责解析用户意图和对话导航（神经部分），TypeScript RERA 审计器执行法定计算（符号部分），TabPFN 处理结构化概率预测（可视为学习型符号模型）。这种分离带来三重好处：语言模型不接触法规数字，消除幻觉风险；计算路径可审计、可复现；各组件可独立替换或升级。对于金融、法律、医疗等受监管领域，神经符号架构提供了一条比“追求更大模型”更务实、更可控的落地路径。

常见问题

CounterDeal需要联网吗？ 不需要。AI推理、合规计算和交易概率引擎全部在本地运行。

为什么不用GPT-4这类大模型处理合规？ 因为法规数字不允许幻觉。确定性代码可以审计、可以复现，语言模型不能。

gemma2:2b够用吗？ 在意图识别和对话导航这类任务上够用，复杂推理被有意排除在模型职责之外。

这套方案能移植到其他城市或行业吗？ 架构本身是通用的，替换法规数据库和业务规则即可，适用于其他受监管的本地服务行业。