“猜你喜欢”背后的真相：揭秘 AI 推荐的双刃剑

随便逛了不到五分钟，我的购物车里已经躺了三件物品——全靠“AI 推荐”。我本来只是想买件衬衫，但在“猜你喜欢”的引导下，又顺手下单了针织衫和围巾。当你意识到 35% 的亚马逊收入都来自推荐算法（麦肯锡数据）时，这一切是不是就瞬间说得通了？

算法是如何“读心”的？

为什么 AI 推荐精准得让人有点背后发凉？它真的能读懂你的心思吗？

事实上，它读的不是你的心，而是你的行为。

AI 主要收集三类信号。首先是行为信号：你点击了什么、在哪个页面停留了多久、搜索了什么，以及最后下单了什么。仅在一次访问中，它就能收集几十个数据点。其次是产品属性：颜色、材质、版型、品牌和价格区间。最后是情境信息：下单时间、天气、地点以及你使用的设备。

通过综合这三个因素，AI 可以计算出你喜欢某个特定物品的概率。它还会识别出与你行为模式相似的人群喜欢什么——这一过程被称为“协同过滤”。

近几年，随着对话式 AI 的兴起，这项技术又进化了。AI 现在能理解类似“周末休闲早午餐穿什么好？”这种自然语言问题，并提供结合语境的建议。研究表明，这种方式带来的用户满意度甚至高于传统推荐方法。

虽然技术本身令人赞叹，但真正的问题隐藏在其他地方。

购物平台的 AI 推荐越精准，我们就买得越多。这并非巧合，而是精心设计的结果。

想想推荐算法的核心成功指标：转化率——即导致最终购买的推荐比例。算法的目标就是不断推高这个数字。换句话说，它是为了让你“买”而优化的，而不一定是为了告诉你真正需要什么。

这套系统中植入了多种心理策略：

信息茧房（Filter Bubble）。 AI 会不断向你展示你已经喜欢的风格。虽然这让人感觉舒适，但也可能导致风格固化，让你失去尝试新鲜事物的机会。

营造紧迫感。 “24小时限时特惠”、“3人正在浏览”或“库存告急”等信息会迫使你快速做出决定。如果你有时间冷静思考，可能就不会买那些物品，但因为紧迫感，它们最终还是进了购物车。

被动数据收集。 从你盯着某个物品看了几秒，到你滑屏的速度，所有数据都会被收集。这些数据被回传给算法，从而打造出一个让你越来越“欲罢不能”的动态（Feed）。

这本身并不是坏事。好的推荐能帮你发现新品牌或找到真正需要的物品。然而，了解这套系统的运行机制和盲目跟随它，有着本质的区别。

当你掌握了其中的逻辑，就能建立起自己的“过滤器”。

购物平台的 AI 知道你“买了什么”，但它不知道你“拥有什么”。它不知道你某件衣服穿过多少次，不知道你是否已经有了类似的款式，也不知道这件新物品是否能和你现有的衣服搭得起来。

这正是你的数字衣柜（Closet）数据发挥过滤作用的地方。

当你看到推荐时，打开你的数字衣柜问问自己：“我的衣柜里已经有类似的针织衫了吗？”“如果我买了这个，能和现有的衣服搭出至少 3 套不同的穿搭吗？”“我这个类别的衣服是不是已经够多了？”

要回答这些问题，你需要真实的衣柜数据。如果只靠记忆，很容易掉进“我好像没有这种衣服”的陷阱。

虽然平台 AI 旨在让你“购买”，但你的衣柜数据旨在帮你“判断是否真的需要”。当两者结合使用时，你才能真正实现有意识的、独立的消费。

但每次都手动操作太麻烦了，你需要一个更系统的方法。

你不需要对每一个推荐都进行深度分析。试试这个简单的“5秒检查”：

“48小时后，我还会惦记这件东西吗？”

冲动消费的特点是“当下”的紧迫感。通过给自己 48 小时的冷静期，你真正需要的东西会留在脑海里，而那些一时的冲动则会自然消退。

再增加一步会更有效：“这件物品能和我衣柜里现有的物品搭出至少 3 套穿搭吗？” 只有通过这项测试的物品才能进入购买清单。如果你连 3 套穿搭都想不出来，那么这件单品很可能会被闲置在角落里。

只需这两步——48 小时冷静期和 3 套穿搭测试——就能过滤掉绝大多数不必要的支出。

AI 推荐是一个很棒的工具，但工具只对懂得使用它的人有用。当你了解算法的运作方式，并利用自己的衣柜数据作为过滤器时，AI 就不再是让你“买得更多”的诱惑，而会成为帮你“买得更好”的帮手。

Q: 我应该完全忽略 AI 推荐吗？
A: 没必要。AI 推荐在探索新事物方面很有用。不过，养成将这些推荐与你的衣柜数据进行交叉比对的习惯很重要，以此来判断你是否“真的需要”。

Q: 我该如何打破信息茧房？
A: 有意识地偶尔搜索一些超出你平日常规偏好的风格，或者参考朋友的穿搭寻找灵感。使用 Acloset 的 AI 造型功能来获取新组合建议，也是拓宽风格的好方法。

Q: 我可以在 Acloset 中过滤 AI 推荐吗？
A: 由于 Acloset 是基于你已拥有的衣柜推荐穿搭，它的建议侧重于单品与现有衣物的搭配契合度。这与大多数购物平台以销售为导向的推荐有着本质区别。

参考资料：

由 Acloset Magazine 团队发布。