Nomia

真正准备搬去另一座城市时，难点在于把护照、预算、工作时区、网络、空气、税务和生活偏好放在一起判断。Nomia 围绕一个更个人的问题展开：「以我的情况，下一站该去哪，为什么，还有哪里暂时不适合？」

这是我独立完成的 AI 迁居决策项目，负责产品定义、AI UX、交互设计与全栈实现。你可以进入 在线体验，走完从访谈到迁居计划的完整流程。

早期问题定义来自三种常见卡点：榜单没有考虑护照和签证约束；推荐给出高分，却看不出数据是否可信；预算或停留时间改变后，不知道原结论是否仍然成立。

#先理解一个人，再讨论城市

排行榜从城市出发，再让所有人用同一组筛选器缩小范围。但一个拿中国护照、月预算 3000 美元、远程写代码且对空气敏感的人，和一个拿欧盟护照、预算更高、偏爱海边的设计师，本来就不该得到同一份答案。对中国数字游民来说，签证、支付、网络与税务又会让选择进一步收窄。

产品从一段自然对话开始，不要求用户先选城市。开场只提示工作、预算和不可妥协项，其余信息在交谈中补齐；系统再把这些信号整理成可见、可修改的 Nomad DNA。画像始终属于用户，确认之后系统才继续推理。

#让推荐可以被质疑

Nomia 给出三个推荐，也会主动列出两个反推荐。反推荐会指出城市与当前画像在哪些维度冲突，不替用户宣布一座城市绝对的好或坏。预算、空气、签证、时区等分数都能展开查看，用户可以逐项检查这套判断是否符合自己。

每条数据还保留来源、采集时间、样本量和置信度。官方资料、人工整理、真实 API 与临时占位会明确区分，Demo 尚未接入的数据不会借用一条看似相关的链接伪装成证据。用户也可以修改预算、停留时长或签证自由度，观察城市排序如何变化。推荐会随着条件重新计算，是一组可以推演的假设。

#AI 推进流程，决定权留给用户

背后的流程被拆成访谈、画像、匹配、反事实推演和迁居执行五个阶段。AI 负责整理信息、生成候选与推进下一步；画像确认、选择城市、调整变量和确认方案这四步由用户主动完成。

• 访谈：从自然语言中补齐真正影响排序的信息
• 画像：把隐性的偏好变成用户可检查的 Nomad DNA
• 匹配：给出推荐、反推荐及对应证据
• 推演：改变条件，观察建议如何变化
• 执行：把被选中的城市继续拆成签证、第一周和税务计划

早期版本在画像生成后自动跳转，试图替用户省下一次点击，结果却让人来不及检查系统如何理解自己。后来改成显式确认：草稿留在原地，何时继续由用户决定。这个调整也确定了后续界面的规则。AI 可以建议下一步，不能把建议伪装成用户已经做出的决定。

#确定的问题，不交给模型猜

迁居建议里有些内容适合模型归纳，有些则必须稳定、可复现。中国税务居住天数与六年规则由确定性函数计算，免责声明由代码写入结果，不依赖模型每次记得补充。数据层则用来源、采集时间、样本量和置信度留下追踪路径。

• 统一 Provider 隔离模型厂商：更换模型时，用户不需要重新理解一套流程；
• Prompt 独立版本化并用固定样本回归：修改提问方式后，可以检查画像和推荐是否意外漂移；
• 自托管 trace 记录阶段输入、输出与异常：错误能够定位到访谈、画像、匹配或计划中的具体一步；
• 未接真实来源的维度标记为占位：界面不会把 Demo 数据伪装成可用于真实迁居的证据。

Nomia 的实现把“先理解人、再推荐城市”这件事拆进了代码：Next.js 和 React 负责对话式前端，Vercel AI SDK 处理流式交互；LangGraph.js 把访谈、画像、匹配、反事实和迁居计划串成可暂停的状态图，用户确认后才推进。Supabase 管数据和会话，Langfuse 记录每一阶段的 trace，税务规则则用纯函数计算。LLM 通过 Provider 抽象切换，换模型不会把产品流程一起改掉。

#做错之后，边界才变清楚

几次问题比功能清单更能说明这个产品的判断标准。自动跳转抢走了用户控制权；泰国税务一度误用了中国规则，暴露出高风险资料必须多源核验；线性的 coworking 数量评分让大小城市的差异失真，改用对数压缩才恢复区分度；默认答案提前出现在「你说过」里，则让系统声称了用户从未表达的观点。

这几次错误后来都变成了产品规则：画像生成后必须显式确认，高风险资料要多源核验，数量差异过大时改用对数压缩，用户没说过的话不能出现在「你说过」里。

#当前验证到哪里

当前验证主要覆盖系统稳定性，用户是否能据此做出更好的迁居决定仍需继续观察。固定样本检查画像提取、推荐排序和 Prompt 变化；确定性函数核对税务居住天数；trace 定位阶段错误；修改预算、停留时长和签证自由度，则用来确认推荐会随条件变化。

下一轮可用性测试会集中观察几件事：用户能否及时发现画像误解，能否说清推荐和反推荐的原因，是否能区分真实来源与占位数据。还要看调整条件之后，他们会不会更有把握做决定。

#从城市推荐到一份可执行决定

目前已经跑通一条完整决策链：先把模糊偏好变成可确认的画像，再用证据解释推荐，通过反事实比较不同选择，最后落到签证、税务与第一周清单。产品从最初的五步工具页迭代成单页顾问对话流，信息仍然分阶段出现，但用户感受到的是一次连续思考。

现在的版本会在画像确认、选城、调整变量和确认方案时停下来等用户决定。模型负责提供候选和解释，产品负责把来源、不可靠的部分和下一步操作摆在用户面前。