穿搭 AI 的真相：生成算法已解决，真正的瓶颈是数字化
在个人穿搭领域，无数工具承诺能根据你现有的衣物进行搭配。演示环节确实令人印象深刻：数字衣橱、随机组合、一周穿搭方案，一切都在几秒钟内完成。然而，当用户回到家中面对真实的物理衣柜时，失望往往随之而来——因为你的衣橱尚未数字化。
这是穿搭工具领域的一个“公开秘密”：生成部分早已解决，它从未成为瓶颈。真正的瓶颈在于数字化——即如何将每一件衣物以足够的保真度录入系统，从而计算出可行的组合。
演示与现实的鸿沟
穿搭工具的演示通常基于一个“干净”的虚拟仓库：每件物品都有完美的属性和条形码。而现实中的仓库则是混乱的、未记录的。工具只能处理你已录入的记录，记录中的每一个空白，都意味着它无法建议出那个“完美的第三件单品”。
数学逻辑简单而残酷：你生成的穿搭方案质量上限，由你的库存数据决定，而非算法本身。
数字化衣橱的三个层级
Style3D 指出，一个可用的数字化记录包含三个关键层级，缺一不可：
- 视觉层 (Photo Layer)：每件衣物的清晰照片，用于视觉识别。
- 属性层 (Attribute Layer)：这是组合计算的核心。必须包含类别（含子类别，如衬衫与 T 恤虽同属上衣但搭配逻辑不同）、色系、正式度（Formality）和季节（Season）。
- 状态层 (State Layer)：记录衣物的生命周期，包括是否拥有、是否在常穿列表中、是否正在清洗或已退役。
值得注意的是，品牌、价格、购买日期、面料成分等“归档字段”应被剔除。 这些字段增加了录入成本，却对日常搭配决策帮助有限，往往是导致项目失败的原因。
极简元数据标准
Style3D 提出了一个“最小元数据集合”，旨在平衡完整性与可执行性：
- 类别 (Category)：区分子类别至关重要，因为不同类别的衣物搭配规则截然不同。
- 色系 (Color Family)：决定视觉和谐度。
- 正式度 (Formality)：这是最关键且常被忽视的字段。错误的搭配（如丝绸衬衫配运动裤）往往源于正式度不匹配。
- 季节 (Season)：确保推荐符合实际穿着场景。
完成项目的“穿着即录入”工作流
大多数项目停滞的原因在于对规模的误判：“拍摄整个衣柜”听起来像周末项目，实则耗时数月。
Style3D 建议采用“穿着即录入” (Digitize by wearing) 的策略：
- 优先数字化常穿衣物：本周穿过的每一件衣服，在放回衣柜前拍照并录入。一个月或两个月内，你的“活跃衣橱”即可完全数字化。
- 反向处理闲置衣物：对于整个季节仍未录入的衣物，根据“揭示性偏好”，它们很可能不在你的常穿列表中。此时可选择一次性集中录入，或直接将其移出衣柜。
这种工作流不仅完成了数字化，同时也充当了衣橱整理的过程：记录让常穿衣物可见，可见性让搭配决策变得容易。
“最好的元数据集合，是你愿意为每一件衣服永远填写的最大集合。” —— Style3D 作者
