AI Wardrobe｜购买前 AI 衣橱决策助手

背景与问题

一般穿搭应用会在用户拥有衣物之后推荐搭配，却没有处理更早的购买决策：新商品是否与现有资产重复、会不会闲置、是否补齐某个场景缺口，以及价格是否值得。购买完成后才发现“不需要”，产品已经错过最有价值的干预时点。

我的角色

我把产品价值前移到购买前，完成候选商品、衣橱资产、用户偏好和场景信息的产品建模，并明确识别建议、人工修正和最终购买决定之间的边界。当前产物是个人产品方案，不把建议指标写成已经验证的业务结果。

关键判断

• 候选与资产必须分开：未确认购买的商品只能作为 PurchaseCandidate，不能污染正式衣橱数据。
• 建议必须可解释：重复风险、闲置风险、搭配潜力和价格因素分别呈现，用户可以修正或拒绝。
• 人工标签是校正机制：多模态识别负责效率，用户修正负责个人语义与偏好准确性。

产品方案

用户先录入已有服饰并修正类别、颜色、风格和使用状态；想购买的商品作为候选保存。系统结合衣橱、场景、预算和偏好分析重复、闲置和搭配风险，给出购买、收藏或放弃建议及理由。只有用户确认购买后，候选才转为正式 Garment，后续使用与收藏反馈再进入下一轮建议。

结果与证据

• 完成“候选分析—购买决策—衣橱沉淀—反馈”的产品闭环。
• 明确 PurchaseCandidate 与正式 Garment 的状态转换和确认时点。
• 形成重复风险、闲置风险、搭配潜力与用户修正的解释框架。

公开证据来自个人 GitHub 仓库和既有案例页；识别接受率、建议采纳率等只作为后续评估口径。

局限与下一步

当前未验证真实用户采纳与闲置改善。下一步应先用小样本任务验证识别修正成本和建议可理解性，再考虑季节、场景缺口、价格区间和长期使用记录。