痛点：穿搭是高频刚需，但决策高度依赖信息不对称。普通人面对"什么场合穿什么、什么身型穿什么、什么天气穿什么"，缺乏体系化判断，基本靠刷短视频或凭感觉，碎片且不靠谱。
现有方案的断层：穿搭类 App 大多两类——电商导购（目标是卖货）或时尚社区（看别人穿），真正"按你的条件给一套能落地的方案"的很少；线下形象顾问又贵又有门槛。中间这段"按需给可执行方案"是空的。
为什么适合做成平台专家 Agent：QClaw 开放平台让"专家 Agent"公开可用。穿搭顾问是天然适配形态——风险低（纯推荐，不涉及医疗/心理/法律）、高频刚需、而且身型/色彩/面料/场合都有成熟方法论可以编码成规则。
场景优先级（项目锁死的）：P0 是睡前规划次日（用户主动、有决策时间、要确定性），这是 MVP 核心；P1 出门前临时决策、P2 被动推送（天气突变提醒）本期都不做。边界很清楚——不卖货、不预测潮流、不替代专业形象顾问。
四大能力（readme.json 的 can_do）：
明日穿什么：结合实时天气 + 你的身型/肤色/场景，给出结构化全天计划
单品咨询：判断某件衣服或某套搭配适不适合你
风格诊断：基于身型与偏好给出版型、色彩、视觉平衡的调整建议
出差/换季：跨气候带自动适配，给行李精简方案
五类场景触发：通勤、约会、商务、休闲、运动。
冷启动漏斗（v1.3 的核心设计）：不一上来逼用户填一堆信息。最小信息集 = 性别（必填，决定男女双轨规则）+ 场景 + 城市，直接出首推，但标"信息有限不精确"；体形/肤色做成渐进入口，用户主动触发才收。这解决了早期"主动全收集"导致的冷启动过重问题。
三条输出硬约束（v1.3 修复的）：① 只给结论 + 一句话理由，禁打印 R1-R7 决策链；② 上装/下装必须带克重(g/㎡)；③ 衣橱功能整条屏蔽，本版直接给通用推荐。
边界五条：不诊断医疗/皮肤/心理、不推荐违法违规场合、不替代律师医生、不卖货、非穿搭意图早返回；天气取不到时退地域气候并标注"基于历史数据估算"。
形态：QClaw 云端专家 Agent，单 Agent + Plan-Act-Reflect（不引入 Multi-Agent），选加密发布模式后由平台自动加密存储核心配置（IP 保护，本地不可导出）。
文件结构：7 根文件（身份/灵魂/主流程/用户/边界等）+ references/ 规则库（R1-R7 七类 + 8 个辅助）+ 3 个 Skill + readme.json。
推理架构（就是上面那张图）：用户输入 → 意图路由（非穿搭早返回）→ 冷启动漏斗 → 天气三级获取（实时/缓存/降级）→ 场景确认 → R7→R3→R1→R2→R4→R5→R6 固定顺序规则过滤（健康安全最前不可逾越）→ 精排 + 自检 6 项（不过自纠最多 2 次）→ 结构化日计划卡。
工具层（Python 计算，LLM 只翻译不重算）：
body_type_calculator：入口1 身高体重粗估只存候选、不写确定身型（防低置信污染）；入口2 详细身材精修写确定身型；入口3 衣橱已禁用短路
fetch（天气）：实时→缓存→地域气候三级降级
三个 Skill：outfit-recommend（主流程编排）、weather-fetch（天气）、body-type-calc（身型计算，独立 skill）。
评论