AI穿搭咨询配置：从零搭建可用的穿搭建议服务

AI穿搭咨询配置的核心是把用户输入的身材、场合、风格偏好等信息，通过提示词交给大模型生成穿搭建议。
下面以一台 Ubuntu 22.04 服务器、Python 3.10 和常见大模型 API 为例，讲清楚从零开始要做什么、怎么做、怎么验证。

先确认你的使用场景和前置条件

这套配置适合个人博客、小程序后端或内部工具，要求你有一台能访问外网的 Linux 服务器、一个可用的模型 API Key，以及基本的命令行操作能力。
如果只是本地测试，用 Windows 或 macOS 也能完成，但下文命令以 Ubuntu 为准。

需要提前准备：

• 服务器已安装 python3 和 pip3，可用 python3 --version 检查。
• 一个模型服务商的 API Key，并确认其接口地址和请求格式。
• 开放 8000 端口供测试，正式上线建议用 Nginx 反向代理并配置 HTTPS。

安装依赖并初始化项目

登录服务器后，先创建项目目录和虚拟环境，避免污染系统 Python：

mkdir -p /opt/ai-outfit && cd /opt/ai-outfit
python3 -m venv venv
source venv/bin/activate
pip install fastapi uvicorn openai

如果 venv 创建失败，先执行 sudo apt install python3-venv。
安装完成后，新建 app.py 作为服务入口。

编写穿搭咨询接口和提示词

在 app.py 中写入以下代码，注意把 API_KEY 和 BASE_URL 替换成你实际可用的值：

from fastapi import FastAPI
from pydantic import BaseModel
from openai import OpenAI

app = FastAPI()
client = OpenAI(api_key="你的API_KEY", base_url="https://你的服务商接口地址/v1")

class OutfitRequest(BaseModel):
    body_type: str
    occasion: str
    style: str
    season: str = "春秋"

@app.post("/outfit/advice")
def outfit_advice(req: OutfitRequest):
    prompt = f"用户身材：{req.body_type}；场合：{req.occasion}；偏好风格：{req.style}；季节：{req.season}。请给出上衣、下装、鞋履和配饰建议，并说明颜色搭配理由，控制在200字以内。"
    resp = client.chat.completions.create(
        model="模型名称",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7
    )
    return {"advice": resp.choices[0].message.content}

提示词里要明确输出结构，否则模型容易给出一大段泛泛而谈的内容。
温度参数建议设在 0.6 到 0.8 之间，太低会呆板，太高会跑偏。

启动服务并验证接口

用以下命令启动服务：

uvicorn app:app --host 0.0.0.0 --port 8000

另开一个终端，用 curl 发送测试请求：

curl -X POST http://127.0.0.1:8000/outfit/advice \
  -H "Content-Type: application/json" \
  -d '{"body_type":"梨形","occasion":"通勤","style":"简约","season":"秋季"}'

返回 JSON 中包含 advice 字段且内容合理，就说明接口通了。
如果返回 401，检查 API Key；
返回 404，检查 base_url 和模型名称；
返回 500，看服务端日志里的报错堆栈。

避坑与上线前检查

不要把 API Key 写死在代码里提交到公开仓库。 建议用环境变量读取，
例如 os.getenv("OPENAI_API_KEY")，
并在服务启动前 export 好。

注意请求频率和超时。 大模型接口可能较慢，FastAPI 默认没有超时限制，可以在客户端初始化时设置 timeout=30，避免请求堆积。

正式对外服务时不要直接用 uvicorn 裸跑。 用 nohup 或 systemd 托管进程，前面加 Nginx 反向代理，并限制请求体大小，防止被刷接口产生费用。

验证建议： 连续发送 3 到 5 条不同身材和场合的请求，检查返回内容是否稳定、是否包含完整穿搭要素。
如果模型总是忽略季节或场合，优先调整提示词，而不是反复调温度。

常见疑问

穿搭咨询必须用大模型吗？ 不一定。
规则引擎也能做基础搭配，但面对“梨形身材通勤简约风”这类组合，大模型的自然语言理解和生成更灵活。

接口返回内容太长怎么办？ 在提示词里明确字数上限，同时在代码中对返回文本做截断或分段处理，不要只依赖模型自觉。

可以同时支持多个用户吗？ 可以，FastAPI 本身支持并发，但要注意模型服务商的并发限制和费用，必要时加请求队列或缓存常见组合的结果。

按以上步骤完成后，你就拥有了一个可调用的 AI穿搭咨询配置 基础服务。
后续可以根据实际反馈优化提示词和搭配规则，再逐步接入前端页面或小程序。