【标签】 生活娱乐
【标题】 【生活娱乐赛道】+ Style Mirror — 你的AI个人造型师
【正文】 至少包含以下 4 个部分，可以增加额外的部分（比如自我介绍、经验总结、踩坑复盘等）
0. 先和大家打个招呼吧 
-
你是谁： 一名普通的大三学生。
-
你是怎么用 TRAE 把 Demo 做出来的： 整个项目从0到上线大约花了4天（6月27日-6月30日），全程使用TRAE对话式编程完成。我的方式是把脑子里的想法一句句说给TRAE听——比如"我想做一个上传照片AI换装的网站"“AI生成的衣服颜色不对”“图片人物被裁掉了”“按钮太大了不好看”。遇到报错就直接截图或粘贴错误信息，它几乎都能诊断出原因。
最让我觉得"原来这么简单"的瞬间是AI虚拟试穿功能跑通的那一刻。一开始AI生成的衣服颜色和款式总是不对——我传了穿搭样板图，但AI完全靠自己想象生成了一套完全不相关的衣服。我告诉TRAE"不要文生图，需要图生图功能：在原图基础上把穿搭图上的服饰穿在原图上"，它分析了根因，发现是API无法访问本地图片地址，于是新增了base64转换函数，并设计了双图img2img方案：第一张图保留用户的人物和背景，第二张图提取穿搭的颜色和款式。改完之后重新生成，看到AI精准地把样板图里的灰色背心和米白阔腿裤"穿"到了我的照片上，背景和姿势都完美保留——那一刻真的觉得，原来把一个AI功能从想法到可用，可以这么直接。
1. Demo 简介
-
是什么：Style Mirror 是一个Web端AI虚拟试穿网站，同时提供移动端和PC端Web两个版本。用户上传一张全身照，AI自动分析体型、肤色与面部状态，智能推荐穿搭方案，生成虚拟试穿效果图，并输出完整的改造报告和购物清单。
-
面向谁：
-
想提升穿搭水平但不知道从何下手的穿搭新手
网购衣服担心"买家秀vs卖家秀"、想提前看到上身效果的人
对自己适合什么风格、什么颜色没有概念的普通用户 -
主要功能：
-
智能体型分析：基于身高、体重、肤色、面部状态自动计算BMI并生成用户画像，推荐算法综合体型匹配、肤色匹配、场景匹配、面部状态四个维度打分
-
个性化穿搭推荐：18套男女穿搭数据库（后续正在不断增加），支持性别过滤和场景匹配，覆盖日常通勤、商务休闲、约会、度假等场景
-
AI虚拟试穿：调用 AI图像生成API（img2img双图模式），将穿搭"穿"到用户照片上，支持原图/AI效果左右对比滑块
-
改造报告+购物清单：输出包含发型、护肤、服装、配饰、鞋履的完整改造建议，每件单品附带淘宝搜索直达链接
2. Demo 创作思路
-
**灵感来源：**每次在淘宝买衣服都很纠结——刷了几个小时不知道买什么，买回来试穿发现不适合自己，退货麻烦又浪费钱。身边朋友也有同样的困扰：身材普通、不会搭配、去店里试衣服社恐。我在想，能不能有个工具直接让我看到自己穿上某套衣服的样子，而不是靠想象？
-
想解决的问题：
-
网购看不到上身效果：买回来不合适，退换货成本高
-
普通人缺乏穿搭认知：不知道自己适合什么版型、什么颜色
-
建议和购买脱节：看完穿搭推荐不知道去哪买同款
-
线下试衣效率低：实体店试穿耗时耗力，选择有限为什么做这个方向：你的判断和取舍。
-
为什么做这个方向：
-
AI虚拟试穿正处于"技术可用但产品稀缺"的窗口期。市面上大部分穿搭App还停留在"推荐内容"层面，真正做到"上传你的照片→看到你穿新衣服"的产品很少。我想做的不是一个穿搭社区（那需要大量运营），而是一个工具型闭环产品：上传照片→AI分析→推荐穿搭→虚拟试穿→改造报告→一键购买，让用户5分钟内完成整个体验。
3. Demo 体验地址（三选一）
-
Web端（PC桌面体验，推荐）：http://8.134.64.164:3000/web
-
移动端Demo：http://8.134.64.164:3000/
-
使用提示：建议使用Chrome/Edge浏览器，上传一张光线充足、背景干净、正面站立的全身照效果最佳。AI生成约需15-30秒。
4. TRAE 实践过程
-
项目从6月27日到6月30日，历时4天，经历了以下4个关键阶段，每个阶段都通过TRAE对话完成：
-
阶段一：项目搭建 + AI试穿核心功能调试（6月27日）
-
**Session ID：**1171393502517780:9b36d8fc4016a01acbe457c708d3cc86_6a3ebdcdcd414e374ccde356.6a3ec595cd414e374ccde490.6a3ec595cd414e374ccde48e:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/6/27 02:31:49)
-
阶段二：穿搭数据库完善 + 对比滑块 + 女性穿搭扩充（6月28日-6月29日凌晨）
-
**Session ID：**1171393502517780:0abce6972803a55d071fc60f6fc15848_6a3ebdcdcd414e374ccde356.6a4132f874d182117ec29d84.6a4132f874d182117ec29d82:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/6/28 22:43:04)
-
阶段三：AI生成效果深度调优 + 全面UI改版（6月29日）
-
**Session ID：**1171393502517780:18c596291aa48ccfdbe9635e628f63b4_6a3ebdcdcd414e374ccde356.6a41564974d182117ec2a09e.6a41564974d182117ec2a09c:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/6/29 01:13:45)
-
阶段四：Web端开发 + UI迭代 + 服务器部署上线（6月30日）
-
**Session ID：**1171393502517780:acca66082f74a6bffbfe309f83b541a1_6a3ebdcdcd414e374ccde356.6a43cb92827d510f6e9d659a.6a43cb92827d510f6e9d6598:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/6/30 21:58:42)
-
踩坑复盘与心得：
-
截图比文字描述有效10倍：调UI时直接截图+红框标注问题位置，TRAE理解准确率大幅提升
-
AI API调试要抓根因：一开始AI生成的衣服不对，以为是prompt问题，实际是数据库描述和样板图不匹配；人物变矮以为是prompt太弱，实际是裁剪函数阈值太宽松
-
strength参数是关键：0.82裤子效果差，0.88背景会变，0.85是平衡点——这种参数只能靠反复试
-
版本控制很重要：每次大改之前让TRAE帮你git commit，改坏了可以回退（项目有v0.1-mvp、v0.2-image-first、v0.3-compare-slider等标签）
-
部署没有想象中可怕：跟着TRAE一步步来，从0到上线其实比想象中简单
-
5. 对应的报名审核通过的帖子链接
