StyleSnap

概览

StyleSnap 是一款按完整产品闭环设计的多模态穿搭助手：用户上传衣物图片、建立数字衣橱、输入天气和场景等上下文，再获得 2-3 套基于真实衣橱的可解释穿搭方案。

问题

很多人明明拥有不少衣服，却经常重复穿同几套安全搭配。目标风格在网上很容易被喜欢，但很难用已有衣橱复刻；天气又会影响叠穿、鞋子、舒适度和材质选择，而用户往往不会显式考虑这些因素。

解决方案

我把个人衣橱定义为系统的事实来源，再叠加天气上下文、场景限制、目标风格、色彩协调和用户偏好。这样生成的推荐更像“有边界、可复核的个性化建议”，而不是随意输出。

架构

MVP 前端使用 React、Vite、TypeScript、TailwindCSS 和 React Router，后端使用 FastAPI、SQLAlchemy 2、Pydantic 和 SQLite。后端提供稳定的衣物 CRUD、衣物分析、天气上下文和穿搭推荐 API，同时将视觉识别、天气、评分、推荐和推理能力封装在可替换的服务边界之后。

核心功能

• 支持相机、相册、拖拽和本地上传的衣橱录入流程
• 可编辑的衣物元数据，包括类别、颜色、风格、季节和场景标签
• 衣橱 CRUD、筛选以及基于持久化衣橱的推荐
• 将原始天气转化为穿搭约束的 Weather Skill
• 围绕天气适配、风格匹配、色彩协调、场景适配和用户偏好的确定性评分
• 带评分拆解、推理说明、风险提醒和前后切换的可解释 Look 卡片

技术栈

• TypeScript
• React
• FastAPI
• SQLite
• DeepSeek API

实现细节

• 将推荐评分设计为加权公式，综合天气适配、风格匹配、色彩协调、场景适配和用户偏好。
• 将系统拆分为衣橱数字化、Weather Skill、推荐引擎和可解释穿搭推理，使每个 AI 能力都更容易替换和评估。
• 保留规则推荐作为事实来源，同时使用 DeepSeek stylist layer 增强解释、优化语气，并在必要时对已选出的 Look 进行重排。
• 设计 fallback-safe provider 行为，使 stylist provider 或 vision provider 失败时不会破坏推荐和衣物分析接口。
• 加入隐私边界：API key 只来自环境变量，后端不记录 key，当前阶段 stylist provider 接收结构化衣物元数据而不是原始图片。

挑战

• 平衡确定性推荐和 LLM 生成的穿搭语言，让产品保持可解释，而不是变成随意的审美输出。
• 设计 mock-to-real 架构，使视觉识别、天气、存储和穿搭推理都能在不重写产品流程的情况下替换。
• 在利用衣物图片的同时，避免 MVP 过早变成存在隐私风险的图片存储产品。

收获

• 一个好的 AI 产品 demo 应该展示完整闭环，而不是几个看起来像 AI 的孤立页面。
• 对于多模态推荐产品，结构化中间元数据比直接把原始观察交给语言模型更可靠。
• 在主观推荐场景中，可解释性很重要，因为用户需要比较方案、理解取舍并覆盖系统判断。