用 AI 搭建 3D 家具目錄：由配方到資產
大部分「AI 生成家具」講緊嘅係一個模型直接產出一個網格——同時繼承咗不透明、
唔可編輯幾何體所帶嚟嘅一切局限。Flur 嘅 /catalog/create 行嘅係一條唔同嘅路：
模型負責描述呢件家具，由一套確定性引擎負責構建佢。
由相片到 AssetRecipe
流程由一張家具相片開始。一個視覺語言模型讀取呢張相片， 寫出一份結構化嘅 AssetRecipe——一份涵蓋尺寸、比例、物料選擇同形態嘅描述， 而唔係像素，亦唔係網格。呢個模型嘅全部工作就係描述： 將一張相片轉化做一份夠精確嘅規格說明，等另一個環節可以據此正確構建出嚟。
呢份工作比聽落去要窄，而呢種「窄」係刻意嘅。模型並唔係俾人要求 憑一段提示詞去想像一件講得通嘅家具係點樣——佢係俾人要求 夠精確咁描述一件具體、真實存在嘅物品，等一個獨立嘅確定性步驟 可以將佢重現出嚟。將模型嘅角色限制喺「描述」上， 正正就係令輸出結果始終同真實事物綁定、而唔係一個生成式估估吓嘅關鍵。
由配方到資產
一套確定性嘅 Three.js 流程接收呢份配方，據此構建出實際嘅網格—— 按照配方嘅尺寸同比例構建幾何結構，按照配方嘅物料選擇應用物料。 呢一步冇任何嘢係生成式或者概率性嘅；同一份配方每次都會構建出同一件資產， 呢個正正就係令輸出結果可預測、可檢查，而唔係一個你要麼接受、要麼重新生成 然後寄望結果唔同嘅一次性結果嘅原因。
呢種確定性亦令除錯成為可能，呢個係生成式方式做唔到嘅。 如果一件資產出嚟唔啱，配方就擺喺度可供檢查——一個錯誤嘅尺寸 或者一個標錯嘅物料係可見、可以直接修正嘅，而唔係一個黑箱輸出裡面 一個不透明嘅屬性，連一個可以指出問題所在嘅中間步驟都冇。
點解呢個可以令資產保持可編輯、比例精確、可訂購
一個直接生成嘅網格係一整嚿不透明嘅嘢——入面冇「腳」「座面」「坐墊」 呢類嘢可供操作，亦冇任何可靠嘅尺寸可以查詢。一件基於配方構建嘅資產， 由構建方式上就啱啱相反：構建佢所用嘅尺寸事後依然依附喺佢身上， 所以問一句「呢個有幾闊」可以得到一個真實答案，而唔係一個估估吓； 修改一種物料或者一個比例，意味住編輯配方並重新構建， 而唔係人手重做一個已經完工嘅表面。
正正係同樣呢種結構，令一件資產做到比例精確、可訂購， 而唔淨係「大致似家具」。因為配方指定嘅係真實尺寸， 而唔係一個生成模型對「家具通常係點樣」嘅最佳估估吓， 出現喺場景入面嘅嘢喺尺寸上係可信嘅——而呢一點， 喺一次可視化結果成為真正採購呢件家具依據嘅嗰一刻，直接變得重要。
朝向/旋轉分類體系
正確嘅尺寸同正確嘅位置本身依然唔夠——一件資產仲必須朝向正確， 先可以喺房間裡面讀落去係啱嘅。床頭板應該靠住一幅實牆，而唔係浮喺房間中央； 書枱應該面向可用嘅地面空間，而唔係面向角落；衣櫃門前需要留出淨空， 呢個意味住佢嘅朝向必須考慮到究竟係邊一側真正會打開。呢啲都唔係 一條可以普遍適用嘅單一規則——而係一套按類別劃分嘅分類體系， 每種家具類型都帶有自己嘅朝向邏輯，同佢喺嗰個位置嘅實際使用方式綁定。
呢個亦係基於配方嘅構建方式第二次發揮價值嘅地方。因為配方描述緊嘅係 呢個物體係咩——一張床、一張書枱、一個衣櫃——而唔係一個 唔分類別嘅網格，呢個類別就可以自動驅動一條朝向規則。 一個冇附帶類別資訊嘅生成網格，根本冇任何嘢可以俾朝向規則掛靠—— 呢套分類體系唔係額外加喺配方方式之上嘅一個步驟， 而係配方喺幾何結構存在之前，就已經知道自己構建緊咩類型物體嘅直接結果。
呢個同其他 AI 3D 生成方式有咩唔同
文字轉 3D 同圖像轉 3D 嘅網格生成模型，一次生成過程就直接輸出幾何結構， 中間冇任何結構化描述——速度快，但結果事後係不透明嘅。 輻射場重建捕捉嘅係一個已存在嘅真實場景嘅觀感， 解決緊嘅係一個完全唔同嘅問題：觀睇已經存在嘅嘢，而唔係創造 一個必須可編輯、可擺放嘅新嘢。呢度用到嘅基於配方嘅方式， 同呢兩者都唔同：單件產出比一次性網格生成慢，因為構建配方同 執行構建係兩個分開嘅步驟，但每件資產喺構建完成之後好長一段時間度， 依然保持可檢查、可編輯，朝向亦保持正確——而呢個正正就係一件家具 真正要落入一間真實房間、經受住一次編輯、並俾人真正訂購出嚟嗰陣， 而唔淨係喺單張渲染圖入面睇落令人信服嗰陣，真正重要嘅嗰個特性。
立即開始
想了解呢種基於配方嘅方式同而家其他 AI 3D 生成技術相比點樣，可以參考 AI 3D 生成模型：究竟係咩喺生成 3D 房間。 想了解朝向分類體系喺一件資產進入場景之後，點樣同更廣泛嘅擺放邏輯銜接，可以參考 AI 點樣喺 3D 房間裡面擺放家具。 而想了解目錄家具喺一次完整房間搭建入面處於咩位置，可以參考 3D 模型搭建流程完整解析。