01 / DENSITY
知识密度高
标准、图集、材料体系、工艺做法、验收条件和造价指标层层叠加，外行很难在短时间内判断。
01 / WHO WE ARE
我们相信，
行业 AI 的壁垒
在知识。
模型会越来越强，也会越来越便宜。真正稀缺的，是那些没有被写进公开语料、只存在于标准条文、项目复盘和老师傅脑子里的行业知识。
- 从问题出发：先看行业里哪些决策最容易出错、最依赖经验，再决定 AI 该做什么。
- 从知识入手：把资料拆成可检索、可推理、可评测的结构，而不是做一个文档搜索框。
- 从样板复制：在地坪行业跑通方法，再把方法迁移到建筑建材的其他细分行业。
- 保持克制：证据不足时明确说“不知道”，不把模型输出包装成工程结论。
02 / WHY FLOORING
为什么从
地坪开始？
地坪是建筑建材里一个非常典型的行业：知识密度高、场景差异大、决策链长，而且错误代价高。它足够难，也足够有代表性。
02 / VARIANCE
场景差异大
地下车库、食品厂、旧改、工业厂房，同一个问题在不同场景下的答案可能完全相反。
03 / COST
错误代价高
选错材料、漏掉基层处理、低估旧改造价，都会在施工和验收阶段变成真金白银的损失。
所以，先啃最难的那块骨头，方法才有复制价值。
03 / BELIEFS
我们的四个判断。
这些判断不一定讨喜，但决定了我们会做什么、不做什么。
行业 AI 不是通用 AI 的皮肤
换一个行业，知识、术语、规则和边界都要重做。真正的行业 AI，必须有自己的知识层和评测集。
知识工程是脏活累活
采集、清洗、结构化、关联、校对，每一项都不性感，但决定了答案能不能用。
专家不能被替代，只能被放大
AI 把专家经验变成可检索的结构，让更多人用得上；但高风险判断仍然需要人。
可复制，才有价值
只服务一个行业的地坪 AI 有价值，但只有把方法做成可复制的底座，才值得长期投入。
“我们做的不是更会聊天的 AI，
而是更敢被追问的 AI。”
04 / TIMELINE
从知识库，
到行业大脑。
这条路没有捷径，只有一层一层把知识做实。
地坪知识库与知识 Wiki
把标准、工艺和常见问题组织成可检索的结构，建立地坪行业的知识底座。
地坪 AI 工作台上线
对话、选型、成本测算、商机雷达进入同一个入口，知识开始进入真实业务动作。
ZGSI 平台化
把地坪的方法抽象成四层架构与知识工程流程，开始向建筑建材及其他行业复制。