这个产品源于我和身边朋友的真实经历：每次出行前都要反复整理行李——对着天气预报纠结、翻出衣服再放回去、出发后才发现漏带或者带多。要同时考虑目的地天气、行程场景（商务、观光、晚宴……）和自己衣橱里到底有什么，信息分散、很难一次想清楚。
大多数人应对它的方式是"列清单"。市面上也有很多清单工具。但我隐约觉得，清单没有解决真正的问题。于是先去做调研确定了产品方向。
通过问卷调研与用户访谈，我得到了两个必须放在一起看的数据：
装不下，和带多了，在同一群人身上同时发生——这说明用户缺的不是一张更全的清单，而是取舍的依据。这个洞察改变了产品定位：从"清单工具"变成"决策辅助工具"，也成为后面所有设计的基础。
竞品分析进一步确认了切入点：衣橱类 App 只管衣橱，旅行规划类 App 只管行程——没有产品同时理解天气、行程场景和个人衣橱这三类信息，来给出关于行李准备的真正建议。
用户只需要用自然语言描述行程（例如"下周五去伦敦出差 5 天，前两天开会，周四晚上有正式晚宴"），系统按五个阶段完成决策，每个阶段独立调用、结构化传递——既保证输出可控，也方便单独调试每一步的 Prompt：
架构上，这五个阶段由两个分工不同的 Agent 承担：Planner 负责信息理解与检索（阶段 1–3），Executor 负责内容生成与优化（阶段 4–5）。拆开的原因不是炫技——两类任务性质不同，一个需要动态决定"要不要调用工具"，一个需要稳定输出结构化结果，分开之后 Prompt 更聚焦，出错时也更容易定位问题。
打包清单不是穿搭单品的堆叠。我为每件物品引入带权重的评分：
λ 由用户偏好决定，把"轻便还是舒适"的主观偏好变成了一个可调参数：
泛化的穿搭建议没有价值。用户录入衣橱物品后，系统异步将其向量化，生成方案前先做语义检索、优先复用已有单品——本质上是把个人衣橱变成一个轻量级的检索增强知识库。
为了降低录入门槛，衣橱支持拍照识别、预设条目快速添加、手动填写三种方式。
推荐不可能一次就对。用户可以输入新条件（"假设下雨""增加一场户外运动"）让系统重新生成，且原始行程输入不被覆盖——在不丢失上下文的前提下反复尝试，这比"重新填一遍表单"更接近真实的决策过程。
AI 产品不能把体验建立在模型永远正确的假设上。我为核心链路的每个环节设计了降级路径：API 调用失败切换演示模式、识别失败允许手动补全、天气缺失按默认气候继续、向量化失败不阻塞衣橱主流程——任何一步出错，用户都不会被卡住。
产品迭代时做了覆盖完整路径的数据埋点（行程提交、结果返回、单日搭配查看、打包勾选、衣物增删、调整提交等），指标按三个层次回答三个问题：
这个项目没有研发、设计、运营的分工——每个环节都由我独立完成，支撑它的是一套 AI native 的工作方式：
对我来说，"会用 AI 做产品"不只是给产品加上 AI 功能，而是让 AI 进入做产品的每一个环节——这让一个人的想法可以在几周内敏捷地变成面向用户的作品。
当前版本聚焦"行程 → 方案 → 打包"核心链路的可用性验证，有清晰的边界：