大家好，我做了一个叫「重塑」的 iPhone App。它是一个从真实衣橱出发的 AI 穿搭助手：你把自己已经拥有的衣服拍进去，它会根据衣橱、天气、个人特征和具体场景，给出今天可以怎么穿的建议；在看到一件想买的新衣服时，也可以先问问它：这件衣服适不适合你，是否符合你的身材、肤色、风格和常用场景，以及能不能融入已有衣橱。
我一开始并不是因为看到「AI 穿搭」这个概念才想做它。更真实的起点是：我自己先被 AI 改变了一次穿搭。
最早是在和 Gemini Pro 聊天时，我聊到了提升穿搭这件事。我把自己当时的一些衣服、照片、日常场景和困惑告诉它，让它帮我分析应该怎么调整。它给我的不是那种很空的「多尝试不同风格」，而是相对具体的建议：哪些颜色更适合放在一起，裤子和鞋的关系应该怎么处理，哪些单品可以先补，哪些看起来不错但其实不适合我当时的衣橱。
我后来真的按这些建议去买了一些衣服，也调整了自己原来的搭配方式。比较意外的是，穿出去以后，身边朋友和亲人给到的反馈确实变好了。那种反馈不是「你用了什么 AI」这种新鲜感，而是很朴素的：「这样穿挺不错」「比以前顺眼很多」。
这件事对我触动很大。因为我第一次认真意识到，AI 在穿搭这件事上可能不是噱头。它真正有价值的地方，不是凭空生成一套好看的造型，而是把一个人原本很模糊的审美判断，拆成更具体、更可执行的建议。
第一次让我认真看待这件事
穿搭这件事很微妙。它看起来是审美问题，但落到日常生活里，更多时候是一个决策问题。
很多人不是完全不在意形象，也不是没有衣服，而是缺少一个稳定的判断系统。衣橱里有衬衫、裤子、外套、鞋，也有适合通勤、约会、见客户或周末出门的单品。但这些衣服以单件形式存在时都还不错，一旦要组合起来，就会变成另一件事：颜色会不会怪，比例是不是合适，今天的天气能不能穿，场景会不会太正式或太随意。
于是我们会在早上出门前反复试，或者干脆穿回最熟悉的一套。买衣服时也是类似的逻辑：单品图很好看，模特图也很好看，但买回来之后才发现，它和自己真正拥有的衣服并不太能接上。久而久之，衣橱越来越满，能稳定穿出去的组合却没有增加多少。
AI 第一次帮到我的地方，正在这里。它没有替我变成另一个人，也没有让我照搬某个博主的风格，而是基于我已经有的东西，告诉我可以怎样做一点点调整。这种「从已有条件出发」的建议，比泛泛的穿搭灵感更有用。
通用大模型帮到了我，也暴露了问题
现在并不缺穿搭灵感。社交平台上每天都有大量好看的穿搭图，品牌也会给出完整搭配。它们的问题不是不好看，而是离自己的真实衣橱太远。
对我来说，穿搭工具真正有用的地方，不是再给我看一套理想状态下的造型，而是回到一个更具体的问题：
- 我今天实际拥有哪些衣服？
- 今天的天气和场景是什么？
- 哪几件放在一起不会别扭？
- 如果我准备买一件新衣服，它适不适合我，能不能和已有衣服形成更多组合？
这些问题看起来不大，但它们比泛泛的「推荐穿搭」更接近日常决策。重塑想做的，就是把穿衣从一个凭感觉反复试错的过程，变成一个可以被逐步理解和辅助的过程。
但通用大模型也有很明显的问题。
一次聊天可以很惊艳，但穿搭不是一次性问题。它需要长期记住你的衣橱，知道你后来买了什么、闲置了什么、哪些衣服经常一起出现、哪些组合你并不喜欢。通用聊天很难稳定管理这些信息。上下文会变长，照片和衣物记录会分散，每次重新描述都很累，建议也很难沉淀成一个可持续更新的个人系统。
这就是我开始想做「重塑」的原因：如果 AI 的确能帮人把穿搭变好，那它不应该只停留在一次聊天里。它需要一个专门的产品形态，帮用户把真实衣橱、个人特征、场景需求和每一次推荐都组织起来。
AI 在这里具体承担什么
重塑确实用了大模型，但我不想把 AI 只当成一个营销词。对这个产品来说，AI 更像是几层能力组合在一起：先理解衣服，再理解人和场景，最后再给出相对可解释的穿搭判断。
第一层是多模态识别。用户拍照或上传一件衣服后，模型需要从图片里识别出它大致是什么品类、颜色、季节、材质感、版型和风格倾向。这个过程不是为了生成一段好看的描述，而是把一张照片转成后续可以被检索、组合和约束的衣橱数据。
第二层是衣橱和个人信息的约束。真正的穿搭建议不能只知道「今天通勤」，还要知道用户实际有哪些衣服，哪些单品已经闲置很久，哪些组合经常出现；也要尽量结合身高、体型、肤色、风格偏好、天气和具体场景。否则 AI 很容易给出一套看起来正确、但用户根本穿不出来的答案。
第三层是搭配生成和判断。这里我更倾向把它看成一套面向穿搭决策的产品模型：通用多模态模型负责感知和推理，产品侧用规则、提示词和结构化数据去限制它的发挥范围。比如先生成候选组合，再检查颜色、比例、正式程度、温度和场景是否冲突，最后把「为什么这样搭」解释给用户，而不是只扔出一个结论。
买前判断也是同一套思路。用户看到一件新衣服时，问题不应该只是「它能不能和衣橱搭上」，而应该先判断它是否适合自己：肤色、体型、常用场景、已有风格能不能支撑它；然后再看它能不能补足衣橱里的缺口，是否能和已有衣服形成更多稳定组合。这个顺序很重要，因为买衣服首先是为了穿得更适合自己，而不是为了把数据库补齐。
严格说，我现在并不是在训练一个从零开始的审美大模型，而是在通用模型能力之上，做一套更垂直的穿搭判断系统。它由多模态识别、衣橱结构化、规则约束、提示词工程、搭配解释和用户反馈几部分组成。后续流行趋势、季节变化、用户真实反馈和失败案例，也都可以反过来更新规则和提示词，让推荐慢慢变得更稳定。
这也是我现在比较克制的地方：我不想把产品包装成「自动变好看」或「一键解决穿搭」这样的东西。穿得更好看当然是目标，但它应该来自一连串更具体的改进：衣橱更清楚，组合更稳定，买衣服前多想一步，出门前少犹豫一点。
我想做的不是一个聊天窗口
在开发过程中，其实有很多方向都很诱人：做穿搭社区，做虚拟试衣，做完整的风格测试，做复杂的衣物标签体系，甚至做一整套个人形象管理系统。
但对一个个人项目来说，这些方向都太大了。它们会让产品看起来更完整，也会让用户更难理解第一步到底该做什么。
所以我最后把 1.x 版本的主线压得很小：
- 拍照或上传衣服，建立自己的衣橱。
- 让系统识别衣物的大致品类、颜色、季节和风格。
- 在需要出门时，描述一个场景，让它基于已有衣服给出搭配。
- 在准备买衣服前，把新单品发给它，看看这件衣服是否适合自己，并且能不能融入当前衣橱。
这条主线很朴素，但我觉得它是成立的。因为用户真正要的不是管理一个漂亮的数据库，而是希望这个数据库在某个早晨、某次约会、某次购物前，真的帮自己做一次更好的决定。
从技术和产品机制上，我现在更关心的是几层约束能不能配合起来：
- 衣橱约束：推荐必须尽量基于用户真实拥有的衣物，而不是凭空给一套理想搭配。
- 个人约束：结合用户主动提供的身高、体型、肤色、风格偏好和常用场景，让建议更贴近本人。
- 场景约束：把天气、温度、通勤、约会、旅行、见客户等具体情境放进判断里。
- 搭配解释：不只告诉用户「穿这一套」，还要解释颜色、比例、正式程度和适用场景为什么成立。
- 买前判断：在用户准备买新衣服时，先看它是否适合自己的身材、肤色、风格与场景，再看它能否和已有衣橱形成更多组合，避免只被单品图吸引。
我不想把这些说成很神秘的算法。更准确地说，它们是一组产品约束：让 AI 每次给建议时，都尽量回到用户真实拥有的衣服和真实生活场景里。
「重塑」这个名字背后的想法
我一直很喜欢蔡健雅那首歌里「进化成更好的人」这个表达。
放在这个产品里，它不是说要变成另一个人，也不是说外貌焦虑应该被放大。相反，我更喜欢它比较温和的那一面：人可以慢慢变得更清楚、更稳定、更像自己。
穿衣只是很小的入口。它不应该变成一种新的压力，也不应该让人觉得必须买更多衣服才配变好。对我来说，更理想的状态是：你逐渐知道自己适合什么，知道哪些衣服真的常穿，知道下次买衣服时应该避开什么，也知道在某个具体场景下，自己可以用已有衣服穿得更舒服、更得体、更好看一点。
这就是我给它取名「重塑」的原因。它不是一次彻底的改造，而是一种很缓慢的整理。
它现在还远远不完美
因为产品大量使用 AI，它也天然有不稳定的一面。模型有时会误判衣物颜色，有时会给出不够贴合个人审美的解释，有时也会因为用户衣橱数据太少而给出比较保守的建议。
我目前能做的，不是把这些问题藏起来，而是尽量让产品设计围绕「可信」往前走。例如，添加衣物时尽量先生成草稿，而不是要求用户填一堆字段；推荐搭配时给出理由，而不是只给结论；在买前判断里尽量说明适合或不适合的原因，而不是简单地说「值得买」。
接下来我更想优化的是第一体验：一个刚下载的用户，需要上传几件衣服，才能第一次感到「这个东西真的帮到我了」？AI 的建议在哪些情况下会显得可信，在哪些情况下会让人觉得虚？什么样的解释刚好够用，什么样的解释又会变成负担？
这些问题比继续堆功能更重要。
如果你愿意试试
重塑目前已经上架 App Store，只支持 iPhone。它现在还不是一个成熟到可以夸口的产品，更像是一个已经能跑起来、但仍在认真打磨的个人项目。
如果你也有类似的问题：衣服不少，但总穿固定几套；买衣服时容易被单品吸引，买回来却发现不适合自己、也很难搭；或者只是想知道一个 AI 穿搭助手放进真实衣橱之后到底有没有用，欢迎试试看。
我更希望收到的是具体反馈：第一次打开哪里看不懂，上传衣物哪里麻烦，哪一次建议让你觉得可信，哪一次又让你觉得「它根本不懂我」。这些反馈会比一句泛泛的好评更有帮助。
App Store：https://apps.apple.com/cn/app/id6776701589
