「有没有洗衣机」「能不能提前入住」「车停哪儿」——这三句话，一个房东一天可能要打十几遍，每次说的还是同样的内容。短租运营的时间就是这样被磨掉的：不是没有大事，是小事太多，多到没空处理真正影响评分的那几件。AI 在这里的位置很实际：把重复回答变成一套固定口径，把房源描述写成住客真正想看的细节，把评价回复从情绪反应变成流程。
先把一天里重复最多的那几句话找出来
做法很笨但有效：拿一张纸记三天，凡是同一句话说了两遍以上的就写下来。多数房东记完会发现，问题集中在四类——怎么进门、有什么设施、有什么规矩、周边怎么走。这四类占了咨询量的绝大部分，而它们的答案几乎不随时间变化，正好适合做成标准口径。
做成口径的好处不只是省时间。同一个问题，今天答「可以提前入住」，明天答「不行」，客人就会在评价里写「房东说法不一致」。统一口径的价值在于一致，文采排在后面。
从问题清单到入住指引，要走四步
这四步的顺序不能乱，跳过第三步，前两步的成果就用不上：
| 步骤 | 产出物 | 常见坑 |
|---|---|---|
| 收集高频问题 | 按四类归好的问题清单，每类十到二十条 | 只凭印象列，漏掉最常问的那几条 |
| 写成标准答案 | 每条一到三句话，含具体时间、位置、操作步骤 | 写成「详询房东」，等于没写 |
| 排成入住指引 | 按时间顺序组织的文档，从订房到退房 | 信息堆成一坨，客人到门口还在翻聊天记录 |
| 上线与迭代 | 放在客人一定看得到的位置，每月按新问题补一次 | 发一次就不管，半年后全是过时信息 |
第三步最容易被做空。指引不是把答案堆在一起，是按客人的动作顺序排：订完房先要知道怎么联系、到之前要知道门锁怎么开、进门后要知道 WiFi 和热水、走的时候要知道垃圾怎么处理。按这个顺序写，客人的提问量会明显下降。
问题攒够之后，还可以再往前一步：把这份问答做成能自助查询的入口，客人问「能不能带宠物」直接拿到带出处的答案。检索增强生成做的就是这件事，前提是答案本身已经写清楚、维护得动。
房源描述要写距离和时间，少写形容词
「精装修、交通便利、环境优雅」这三句，平台上几万条房源都在写，写了等于没写。住客真正在判断的是：走到地铁要几分钟、楼下有没有便利店、厨房能不能做饭、晚上吵不吵、带孩子来方不方便。这些都能写成可核对的事实。
让 AI 改写时，把这些参数一起给它，并且明确要求每句话都要有具体数字或可核对的信息。一版好的描述大概长这样：步行五分钟到地铁二号线，楼下有二十四小时便利店，厨房可做饭并提供基础调料，卧室朝内不临街。这类把模糊要求换成可核对项的写法，提示词的组织方式里有更细的拆解。
还要注意别把优势写过头。离地铁五分钟和「地铁口就在楼下」是两回事，后者会招来「虚假描述」的投诉。写之前自己走一遍，把时间掐准，比形容词管用。
评价回复：好评和差评用两套写法
好评要具体。一句「谢谢您的认可」谁都会写，回复里提一句客人说过的细节——「您提到的那把遮阳伞，我们后来又添了一把」——效果完全不同。这类回复可以批量生成，但要带上当次订单的具体信息，否则会张冠李戴，把 A 客人的事回到 B 客人下面。
差评的关键在态度，不在解释。后来的客人翻评价，看的是房东遇到问题怎么处理。有效的结构是三步：承认具体问题、说明已经做了什么、给出下次的解决方案。最忌讳逐条反驳——「您说的这个情况其实是因为……」写三百字，读起来像在吵架。
还有一条底线：不要编。让 AI 写「已更换全新床垫」，如果实际没换，下一位客人会发现。模型顺着语气补细节的倾向，在模型幻觉里有更完整的解释，落到运营上就是一句提醒——所有承诺必须是真做过的。
平台规则与当地规定，它答不准
短租经营涉及三件它答不准的事。一是房屋用途与登记备案，各地要求不同，同一城市不同区也可能有差别；二是身份登记，客人入住要按规定登记信息，哪些信息能留、留多久、怎么存，都有具体要求；三是消防与安全，烟感、逃生通道、燃气这些，出问题不是扣分而是事故。
它能做的是帮你把这些整理成一张待核实清单，提醒你去问谁、查哪个口径。它做不了的是替你确认——模型的训练数据有截止时间，地方规定又改得频繁，它给出的说法可能停留在上一版，而且语气照样笃定。规则类问题，永远以当地主管部门和平台的最新公告为准。
另一个容易忽略的点是照片。平台对「图片与实物不符」的判定越来越严，用效果图、生成图冒充实拍，短期能提高点击，长期换来的是投诉和降权。修图调亮度可以，改变房屋结构和面积不行。
速查：短租运营的四件基础活
- 记三天重复提问，按进门、设施、规矩、周边四类归拢
- 入住指引按客人动作顺序排，不按信息类别排
- 房源描述写分钟数和可核对项，少写形容词
- 差评回复只承认、只说明改进，不逐条辩解
- 登记备案与消防要求，查官方口径不查模型
