Airbnb 面临自然语言搜索的冷启动问题，需要在真实用户查询可用之前进行训练数据准备。现有方法分别处理查询生成和相关性标注，引入了潜在误差。本文提出的 CASTLE 框架从脱敏预订数据中联合生成合成查询和相关性标签。该方法利用对比列表对，将已预订的房源与仅查看但未预订的替代方案进行对比。这种隐式用户偏好直接决定了相关性标签，从而满足查询条件。查询生成通过基于模板、少样本和属性引导的提示，以及多样性机制得到增强。该方法与真实用户查询分布高度吻合，优于以往方法。对于无预订历史的情况，采用虚拟裁判（Virtual Judge）。CASTLE 显著提升了查询分布对齐度，并实现了高准确率的相关性标签。该框架还通过过采样长尾意图提供了持续价值。CASTLE 的成功在于将预订行为与 LLM 生成能力相结合。