夜雨聆风
女生们，经常的问题就是，面对一柜子衣服，但依然觉得少一件：今天可以穿的衣服。
不是没有衣服，而是衣服太多、需求多变、场景太碎：今天暴晒还是下雨？要不要见人？会不会长时间坐空调房？这件上周是不是刚穿过？那条裙子是不是已经很久没出现了？
所以我这次没有让 AI 简单回答“今天穿什么好看”。
我做的是另一件事：把夏季衣橱变成一个可以持续更新、持续推荐、持续纠偏的小系统。
AI 夏季衣橱单品库示意图，衣物图片已替换为虚拟图
第一步，不是推荐，而是先建库
很多 AI 穿搭建议不准，是因为它根本不知道你的衣橱里有什么。
它会给你一套“白衬衫 + 牛仔裤 + 乐福鞋”的标准答案，但你的真实衣柜可能是：
• 有三条牛仔短裤，但长度和正式程度完全不同
• 有几件吊带，但有些只能居家，有些可以叠外搭
• 有几条长裙很好看，但暴热天不适合
• 有些衣服买得早，却还很好穿
• 有些衣服看着好看，但勒、热、显小肚子
所以第一步是把衣服逐件入库。
我先用视频和照片把夏季衣服整理成单品清单。现在这套库里一共有 96 件，包括连衣裙、上衣、长裤长裙、短裤短裙、外搭和睡衣家居服。
每件衣服都有一个编号，比如：
• `T42`：一件黄绿色翻领短袖
• `B18`：一条黑色长半裙
• `D13`：一条波点连衣裙
编号不是为了显得复杂，而是为了让 AI 后面能稳定指代同一件衣服。
否则它今天说“那条黑色裙子”，明天又说“深色半裙”，我根本不知道它说的是哪一条。
第二步，把衣服拆成“可判断”的属性
建库之后，真正有价值的不是“这件衣服叫什么”，而是它在什么条件下适合穿。
我给每件衣服分了两类属性。
一类是相对固定的：
• 颜色
• 材质
• 版型
• 长短
• 图案
• 购买时间
• 价格区间
另一类是会变动的：
• 最近什么时候穿过
• 累计穿了几次
• 适合什么天气
• 适合什么场景
• 当前是否还在用
• 是否需要我确认
AI 衣橱属性管理示意图，购买时间和价格已脱敏
第三步，让 AI 每天推荐，但不是凭感觉推荐
我原本的需求很简单：夏天衣服要“雨露均沾”。
不要总穿最顺手的两三套，也不要让某些衣服在衣柜里沉睡一整个夏天。
但实际推荐时，AI 不能只按“没穿过”排序。
它每天要看四件事：
1. 天气：温度、湿度、下雨、是否长时间空调
2. 安排：居家、通勤、约会、商务、运动或走路多
3. 最近穿过什么：避免连续穿同一件或同一类
4. 低频单品：优先把适合当天条件、但很久没穿的衣服放进候选
所以推荐结果不是一句“你今天穿裙子吧”，而是一个小决策：
项目 | 内容 |
今日主推 | 一套最适合今天的穿搭 |
备选 1 | 更凉快或更休闲 |
备选 2 | 更商务或更见人 |
为什么 | 天气、安排、轮巡原因 |
需要确认 | 很久没穿、疑似新增、疑似已淘汰的衣服 |
这就从“审美建议”变成了“生活运营”。
还有一类场景也很适合：出差前收拾行李。
只要告诉 AI 目的地、天数、天气、行程目的和正式程度，它就可以从已有衣橱里反推：
• 哪几套适合会议、拜访或培训
• 哪些衣服可以一衣多穿，减少行李
• 哪些外搭能兼顾空调房和路上温差
• 哪些鞋包配饰能覆盖多数场景
这比临出门前一件件翻衣柜要稳定得多。
第四步，OOTD 照片会反过来更新系统
每天推荐之后，我会把实际穿了什么拍照给 AI。
这一步非常关键。
因为现实里经常发生这些情况：
• AI 推荐了 A，但我实际穿了 B
• 照片里出现了一件之前没入库的新衣服
• 某件衣服被识别错了
• 一件衣服我以为会热，实际穿着还可以
• 一件衣服看起来适合商务，但上身不够正式
所以 OOTD 不是“发张照片留念”，而是系统的反馈入口。
现在记录里已经有多天 OOTD：2026 年 6 月 15 日、16 日、17 日、18 日、19 日、23 日、24 日。照片里出现的新衣服，不会被 AI 直接加入主库，而是先问我确认。
比如：
“这件是新衣服，还是之前漏识别了？”
“它适合日常、通勤、约会，还是商务？”
“夏天穿会不会热、透、勒、不舒服？”
“要不要加入轮巡？”
确认之后，再入库。
这一步避免了一个常见问题：AI 很容易“看见什么就当真”。但衣橱这种私人系统，必须允许人来做最后判断。
第五步，不只管理新增，也管理淘汰
衣橱管理还有一个容易被忽略的问题：有些衣服很久没穿，不一定是忘了。
可能是：
• 还在，只是没轮到
• 不舒服，不想穿
• 尺码不合适
• 坏了，待修
• 已经扔了或送人
• 季节不合适
所以我的规则是：AI 发现长期未穿，只能提醒，不能自动删除。
我设了几个确认阈值：
• 30 天未穿：轻提醒，可以作为低频单品尝试推荐
• 60 天未穿：确认是否仍保留
• 90 天未穿：确认是坏了、扔了、送人，还是只是暂时不想穿
这样，衣橱会慢慢变干净。
不是靠某一天大扫除，而是靠日常穿搭里的小反馈持续修正。
第六步，购买记录只做“候选匹配”
我还尝试把购物记录和衣橱单品做匹配。
这件事很有用，但也很容易误伤。
因为购买记录里有店铺、商品名、价格、订单状态；而衣橱里的实物可能已经改名、淘汰、送人，甚至 OCR 识别还会有错字。
所以我没有让 AI 直接根据订单改主库，而是分成几种状态：
• 高置信：挂到对应衣服下，等我确认
• 低置信：留在待确认区
• 已退款/交易关闭：保留记录，但默认不入库
• 已扔/已送：不再参与推荐
这个设计让我意识到：AI 管理生活资料时，最重要的不是“自动化到底”，而是把不确定性放在正确的位置。
能确定的，自动记录。
不确定的，挂起确认。
涉及隐私和决策的，交还给人。
这套方法真正解决的不是穿搭，而是选择成本
衣橱只是一个例子。
它背后其实是一种 AI 用法：
把生活里反复发生、需要判断、又能被记录的事情，做成一个小循环。
这个循环长这样：
输入资料 -> 建立结构化清单 -> 每天根据条件推荐 -> 用实际结果反馈 -> 修正单品状态 -> 下次推荐更准
在衣橱场景里，输入是衣服照片、视频、购买记录和 OOTD。
判断条件是天气、场景、舒适度、穿着频率和搭配规则。
反馈是每天实际穿了什么、穿后感受如何、有没有新增或淘汰。
最后得到的不是一份静态表格，而是一个会越来越懂我的衣橱助手。
我现在对 AI 的期待变了
以前我会问：
“今天穿什么好看？”
现在我更想问：
“在今天的天气和安排下，哪套衣服最合适？哪些衣服很久没穿但可以轮到？哪些需要我确认还在不在？”
这两个问题看起来很像，但底层完全不同。
前者是在要一个灵感。
后者是在运行一个系统。
AI 最适合帮我们做的，不是替我们一次性做决定，而是把那些每天都要重复的小判断，变成一个可以被记录、被复盘、被改进的流程。
夏季衣橱只是开始。
同样的方法，也可以用在选题库、运动计划、家里囤货、阅读书单、项目资料整理上。
关键不是“让 AI 更聪明”，而是先把问题变成 AI 能持续接住的样子。
当一个系统开始积累你的真实反馈，它才会从“泛泛建议”变成“真的帮你省心”。
