StyleLab：拍一张照片，让 AI 读懂你的色彩与形象

一个 App 走完测色 → 穿搭 → 形象试穿；背后是色彩理论、保脸换装与评测纠偏

上传一次照片，AI 帮你测色（12 季型）、配穿搭、试花纹/发色/发型/妆容/首饰——而且所有效果图都直接生成在你本人脸上。

线上体验：sg.yaoyuheng2001.me/colorstyle/app.html · 源码：github.com/piglet12138/ai-color-test

StyleLab 被设计成一个手机 App 的样子（phone frame + 底部 5 个 Tab + 引导流），但它其实是一个纯网页，打开链接就能用。整个产品的核心理念只有一句话：

建档：只上传一次

第一次进来是引导流：欢迎页 → 上传页 → 分析中 → 色彩报告。上传页不是简单丢个文件框，而是带了一整套拍照引导，因为测色对照片质量非常敏感：面朝自然光、素颜/淡妆、关美颜、用原图、正脸露额头；有条件的话在下巴旁举一张 A4 白纸——App 会自动用它做白平衡校色。

选完图立刻显示预览，并跑一遍客户端质量门（QC）：分辨率、曝光、清晰度、过曝削波——不合格会给出具体的重拍建议（"太暗了，找更亮的自然光""拿稳手机等对焦"），而不是拍完传上去才发现测不准。

色彩报告：你的"形象档案"

点「AI 测色，生成档案」，几秒到十几秒后出报告——季型判定（如"柔秋 Soft Autumn"，带一个真实的置信度，照片差会自动降）、个人色板（推荐 / 中性 / 避免色，都有中文名 + 精确色号）、妆容色，以及一段故意不带技术黑话的通俗解释。登录后这份档案存进服务器，下次免重传。

首页：四个入口，共用一张照片

建档完成进入首页，四张功能卡——🎨 色彩测试、👗 穿搭试穿、💇 形象测试、🗂️ 我的历史。关键在于：这四个入口全都复用建档时那一张照片，你不需要每次重传。

色彩测试海报

用你档案里的照片生成一张色彩分析大图。做法很巧妙——不是让 AI 一次画出整张海报（那样文字会糊、脸会不一致、颜色也不准），而是：GPT-5 看照片出完整的色彩 JSON（准）→ 并行生成"色带"：同一个你、并排穿多种颜色（脸一致、颜色按序、无文字）→ 前端拼版导出。下面这张就是真实生成的一条推荐色色带——六件不同颜色的针织衫，同一张脸、同一个人：

穿搭试穿：把衣服"穿"到你身上

这是最出效果的部分。AI 根据你的季型和色板给 2-3 套成套造型（配色 + 单品 + 小红书式点评），然后把这套穿搭直接生成在你本人的照片上。下面三张是真实的 AI 试穿输出——严格保留脸型/发型/体态，只换身上的衣服：

除了纯换装，还有一个默认开启的氛围感模式——不只是换衣服，而是把你放进一张贴合季型的氛围大片里。柔秋会给你咖啡馆的黄金暖光、慵懒碎发、松弛表情、暖棕调，身份保持得很好，效果远胜纯灰底证件照：

形象测试实验室 · 我的

一次上传，五种测试：花纹 / 发色 / 发型 / 妆容 / 首饰。点任意一项，AI 先推荐适合你的若干选项（带理由），再生成一张"同一个你、并排展示各选项"的对比图。妆容和首饰会按性别给不同方案。「我的」里所有结果按类型汇总、可筛选、可点开看详情，历史图片长期保存；勾选过匿名数据贡献的还能一键撤回删除。

整个后端是一个零依赖的 Node 文件（server.mjs，纯 node:http + JSON 存盘，不跑 npm install），前端是原生 JS。所有 AI 能力都走同一个 OpenAI 兼容反代：GPT-5（多模态，看图 + 推理）负责所有"判断/文字"，gpt-image 负责所有"生图/换装"。

色彩理论基础：四季十二型

产品的理论内核是季节性色彩分析（Seasonal Color Analysis）里的 12 季型体系。它把人按三个正交维度分类：

• 冷暖（Undertone）：cool / warm / neutral——看肤色、唇色、血管泛粉泛蓝（冷）还是泛黄泛金（暖）；
• 明度（Value）：浅 / 中 / 深；
• 纯度（Chroma）：清透鲜艳 / 柔和浑浊。

三轴组合落到春/夏/秋/冬四大族、每族三型共 12 个季型（浅春、暖春、亮春、浅夏、冷夏、柔夏、柔秋、暖秋、深秋、亮冬、冷冬、深冬）。每个季型对应一套"显气色"的色板和一套"显疲惫"的避免色。

我把这套体系固化成一份参考数据库（presets.mjs）：12 季型每个都带三轴标注 + 6 个代表色（中文名 + 精确 hex）+ 避免色。这份 KB 会被压缩成紧凑字符串注入到 prompt 里，让 GPT-5 的分类必须从 12 季型里选、推荐色优先采用标准代表色——保证输出落在专业体系内、色号一致、不乱飘。

客户端 CV 预处理：先量再问

在把照片发给大模型之前，浏览器端先做一遍轻量 CV（public/color.js，纯 Canvas 无依赖）：用 YCbCr 经验阈值抠皮肤掩膜取中位肤色、取上部最暗一撮当发色、转成 CIELAB 拿到 L*（明度）/a*/b*（冷暖代理）与发肤明度对比 ΔL，再用极简 k-means 抽 6 个主色。

调用的 API：一个反代打通所有能力

所有 AI 调用都指向一个 OpenAI 兼容的 Base URL，三个模型角色：

CHAT_MODEL  = gpt-5.4-mini   // 看图 + 推理（多模态），所有"判断/文字"
IMAGE_MODEL = gpt-image-2    // 文生图（无照片时兜底）
EDIT_MODEL  = gpt-image-2    // 真人换装（在用户照片上改穿搭）

看图 + 推理走标准 chat completions，content 里塞文本 + image_url（base64 data URL），并用 response_format: json_object 强制结构化输出。GPT-5 系列都是多模态的；故意不传 temperature / max_tokens，避免撞上推理模型的参数限制。模型偶尔会在 JSON 外包一层围栏、写注释或留尾逗号，所以有一个宽松解析器：先剥围栏，失败就正则抠出最外层大括号，再去注释、去尾逗号才解析——这是让 LLM 结构化输出稳定落地的必要保险。

换装/生图走 images edits（multipart）和 generations，返回 base64。gpt-image 很慢（约 100 秒/张）且偶发 5xx，所以做了指数退避重试（edits 4 次、超时 200s）。

"保脸"换装：产品成败的关键

把衣服/妆容/发色画到用户本人脸上，最大的风险是身份漂移——生成出来不像本人了。这套"保脸"设计做了几层：

1Prompt 层的硬约束

换装 prompt 里硬性列举「不要改」的清单并重复强调关键约束，保留皮肤纹理/毛孔这条尤其重要——它防止模型"顺手美颜"导致身份漂移：

【严格保留】人物的脸型、五官比例、表情、发型、发色、肤色、体型体态、
姿势与背景、以及性别；保留真实皮肤纹理、毛孔与细纹，不要磨皮、不要瘦脸、
不要换脸、不要改变人脸/身材/性别。
就是这个人本人！就是这个人本人！只换衣服，其它一切不变。

2用户知识库注入（subjectLine）

把档案里的性别/体型/肤色/发型拼成一段"画面人物固定特征"约束串，每次生图前置注入。这直接修掉了早期一个严重 bug：coloranalysis 原来不返回性别 → App 默认按"女"处理 → 男用户生成出女图。现在性别由 AI 判定并锁进 subjectLine，色带 prompt 也显式"务必男性/女性、保持性别不变"。

3只用 img2img，不做换脸

我评估过 InstantID / PuLID / ComfyUI 自建管线（本机有 RTX 4060），最终只用 prompt + gpt-image 的 edits，没上任何 face-swap 模型。上面那张氛围感大片也是在用户本人照片上 img2img注入季节氛围（一份把四季映射成场景/光线/表情/发型/调色的知识库），而不是把脸换到一张模板大片上——这样保脸更稳、也不需要付费的换脸服务。

4拆任务，别让生图干它不擅长的事

一个反复验证的洞察：别让 gpt-image 一次生成带文字的整张海报（文字糊、脸不一致、颜色不准）。正确拆法是——GPT-5 出文字和颜色（准）+ gpt-image 只出色带人像（准）+ 程序排版（准）。前面那条六色色带就是这么来的：每条都是"同一人并排穿 N 色针织衫"，脸一致、颜色按序、无文字，最后前端用 html2canvas 拼版导出。

配套的工程优化

• 图片缓存：生成图按"模型+尺寸+prompt+图片哈希"存盘，重复请求秒回（24h TTL）；返回相对 url 兼容子路径部署。
• 减卡顿：换装底图 PNG→JPEG 0.9（小很多、编码快、省 sessionStorage）；处理 canvas 上限 1400px 省内存。
• 并行：色带 / 穿搭预览 / 变体图都是一键三张并行出，把等待压到单张耗时。
• 零依赖 + 相对路径：干净挂在 nginx 子路径下，push→Actions→git reset --hard→restart 自动部署（部署密钥用 forced-command 绑死，泄漏也只能触发这一条部署）。

评测实验：拿公开人脸集测偏差

季型判定有个根本问题——它没有客观 ground-truth。业内跨平台判定约 30% 不一致，专家判冷暖甚至会给出相反结论。所以我不追求"准确率"，而是用一个可复现的实验去测分布、一致性和方向合理性。

第一版结果暴露了严重偏态：四季分布 85% 判"秋"，undertone 88% 判"偏暖"，12 型只用到 7 类且集中在深秋/柔秋；存在"深肤→判暖/判秋"的潜在族裔偏向（东亚是唯一被合理分出冷调的群体）。不过冷暖方向本身是对的——判"偏冷"的样本实测 b* 均值 3.4、判"偏暖"的 18.0，Pearson r≈0.50；明度维度更是高度吻合。而 12 型 test-retest 一致率只有 50%（四季大类稳在 83%）。

针对性纠偏：我据此重写了色彩 prompt——强制先分冷暖/明度/纯度三轴独立判断、再合成季型，明确要求"警惕室内暖光/滤镜把脸染黄""深肤色同样可能是冷调（→深冬/冷冬），绝不能一律判暖""刻意纠偏无差别判秋的倾向"，并要求输出数值化三轴字段和一个别都给同一个值的真实置信度。

第二版回归（同 34 张）验证纠偏生效：

偏态明显缓解、冷季和春季有了出口、深肤开始能被判冷调——虽然仍略偏秋，但方向对了。整套评测脚本可复用，可以作为上线前的离线分布回归。顺带一个算法层的发现：离线实测 Lab 的 hue 角 atan2(b*, a*) 比单看 b* 更能分冷暖（cool/neutral/warm 三组 hue 均值 5.3/34.4/45.2 单调分离）——这既是更好的评测指标，也指向一个更好的算法方向。

评测需要更多真实样本，所以还做了一个明确同意制的数据管线：建档屏有一个默认关闭的 opt-in 勾选 + 隐私说明页；只有勾选才会把照片和结果匿名入库，用户能在「我的」里看到贡献数并一键撤回删除。

小结

StyleLab 想证明的事情很简单：用一个通用视觉大模型 + 一个图像编辑模型，加上一层扎实的领域知识（色彩理论）和工程约束（保脸、拆任务、评测纠偏），就能把一个"看起来需要专业顾问 + 专业修图师"的体验做成一个零依赖的小网页。

难点从来不在调 API，而在：把主观的色彩体系翻译成可注入的 prompt 约束、把生图任务拆成模型各自擅长的小块、用硬约束死死锁住用户身份、以及用一个可复现的实验诚实地量出模型的偏差再去纠偏。

⚠️ 个人探索项目，非商用；测色仅供娱乐/参考——季型判定没有客观标准答案，请把它当有趣的起点，而不是权威结论。文中的色带、试穿、氛围大片均为该系统真实生成的 AI 图片。