为什么“求穿搭推荐”总让人失望？—

为什么“求穿搭推荐”总让人失望？——教你如何向 AI 提问穿搭

“给我推荐套穿搭。”如果你这么问，AI 通常只会给出一个中规中矩的答案。所谓中规中矩，意味着它适合所有人，但也意味着它并不真正适合你。问题不在于模型，而在于你的提问方式。

空泛的提问，只能换来平庸的答案

如果你问真人造型师“我今天穿什么？”，会发生什么？对方通常不会直接回答，而是反问你：“你要去哪里？”

在对话式推荐系统的相关研究中，反复指出的痛点正是在于这里。用户的初始输入往往处于信息不足（underspecified）的状态，而系统的核心能力之一本应是通过追问来补全缺失信息。换句话说，引导用户在接下来的对话中进一步明确需求，本就是系统职责的一部分。

然而问题在于，许多服务并不追问，而是直接给出答案。在缺乏信息的情况下，它只能输出一个平均水平的答案。而我们看到结果后，便会草率下结论：“这 AI 不太行啊。”

那么，我们究竟应该在提问中补充哪些信息呢？

优质提示词（Prompt）结构拆解

时尚推荐领域的研究表明，材质、版型等具体属性，传达形态与氛围的视觉信息，以及核心色彩信息都大有裨益。虽然这不能当作所有服务的硬性公式，但它完全可以成为你细化提问的实用清单。

将学术语言转化为日常表达，其实就是四点：

第一，场合（TPO）。 什么时候、去哪里、和谁在一起。“明天上午”和“周六晚上”需要的完全是两套不同的衣服。

第二，版型与核心单品。 以什么为主来进行搭配。一句“以藏青色西装裤为主”，就能瞬间帮你筛选掉一半不相干的备选。

第三，色彩范围。 不需要把所有颜色都规定死，往往只需说出一个要排除的颜色就足够了，比如“排除黑白色”。

第四，风格氛围。 你想展现出怎样的感觉。“沉稳内敛”，或是“随性但有精心搭配感”。如果少了这一项，搭配结果往往会显得平淡无奇。

只要包含这四点，哪怕只有两句话，你的提问也会变得清晰明确。反之，一旦缺失必要的上下文，得到平庸答案的概率就会大大增加。

不过，有时即便提示词写得再好，也依然可能无济于事。

在写好提示词之前，数据才是关键

AI 能看到的，仅仅是你已经录入衣柜的衣服。

如果你的衣柜只录入了一半，那么无论提示词写得多完美，也只能得到一半水平的答案。哪怕最完美的单品就在剩下那一半里，AI 也根本不知道它的存在。

更让人头疼的是标签打错的情况。如果把一件针织衫打成了“夹克”标签，再好的提示词也会生成一个精确但完全错误的答案。这种情况甚至比毫无信息、胡乱摸索还要糟糕。

因此，正确的步骤应该是：先提高衣柜物品的录入率，检查并修正一次标签，最后再去打磨提示词。如果颠倒了这个顺序，提出再好的问题也无法得到理想的结果。

准备工作完成后，现在就让我们来尝试组织提示词吧。

4 种可直接复制的实用提示词模板

我们按不同场景整理好了可以直接套用的模板，只需替换其中的物品名称即可。

通勤上班

明天上午有团队例会，下午有外部客户会议。风格要求商务休闲（Business Casual）。
以藏青色西装裤为核心，必须搭配外套。整体色调偏沉稳。

旅行度假

3月去罗马，白天18度，晚上9度。计划参观两座教堂，需要遮住肩膀和膝盖。
单个行李箱容量，准备5天的穿搭。

参加婚礼

周六晚上的室内婚礼。排除白色和黑色。
长度在膝盖以下，以现有的米色高跟鞋为基准进行搭配。

约会

周五晚上的休闲小酒馆，不需要走太多路。
想要随性但有精心搭配过的感觉，以目前拥有的皮夹克为核心单品。

这四个模板虽然都只有两三句话，但都完整涵盖了场合、版型、色彩和风格氛围。

多加一句话，效果大不同

在此基础上，你还可以更进一步。

当搭配方案生成后，不妨问一句：“为什么选这套搭配？” 听听它的理由，你就会发现自己遗漏了什么。如果它回答“为了契合秋季色调”，那就说明你之前没有指明季节，而是 AI 自己推测的。在下一次提问中明确这一点，答案就会更精准。

此外，如果对结果不满意，不妨试着增加排除条件。比如“排除上周穿过的搭配组合”、“上衣不要针织衫”。比起做加法，做减法往往更能碰撞出意想不到的全新搭配灵感。

在 Acloset 的 AI 造型功能中，也可以直接复制上面的模板，换成你自己的物品名称试试看。遇到满意的方案就保存为穿搭，在下次提问时再加入想要排除的条件或个人偏好即可。

AI 不是听不懂，只是我们之前还没学会怎么表达。

❓ 常见问题

Q: 提示词写得越长越好吗？
A: 上下文比长度更重要。场合、版型、色彩、氛围是一份非常实用的清单，从中挑出你最需要的条件，写上两句话就完全足够了。

Q: AI 总是推荐千篇一律的相似搭配怎么办？
A: 试着加一个排除条件。比如“排除上周的搭配”、“去掉这个颜色”，做减法往往能为你打开更多全新的穿搭思路。

Q: 如何在 Acloset 的 AI 造型中提问效果最好？
A: 直接套用本文中的模板，替换成你自己的物品名称即可。将满意的结果保存为穿搭，并在下一次提问中补充你的偏好或排除条件。

参考资料与来源：

ACM Computing Surveys, "A Survey on Conversational Recommender Systems"
ACM Transactions on Intelligent Systems and Technology, "Analysing Utterances in LLM-Based User Simulation for Conversational Search"
Fashion and Textiles (Springer), "LLM-generated content-based explanations for user experience in fashion recommender systems"

本文由 Acloset 杂志编辑团队出品。

为什么“求穿搭推荐”总让人失望？——教你如何向 AI 提问穿搭