把衣柜拍一遍，让 AI 排好一周通勤穿搭

每到换季，衣柜塞得满满的，早上还是穿回那三件。这期讲一个周末花二十分钟就能做完的做法：把常穿的衣服分批平铺拍成照片，连同这周的天气和每天的场合一起交给能读图的 AI，换回周一到周五五套通勤搭配，和一张「还缺什么」的清单。

挑一块干净的白床单当底，白天靠着窗户拍。一次平铺八九件，一件挨一件，别叠在一起——叠起来只能看见最上面那件。

白床单不是讲究，是这一期的关键道具：它是画面里唯一"你确定它是白的"东西。后面第一节翻车点会讲为什么。

五件事缺一不可：只用拍到的、一天一套、每套四件写全、把天气和场合说清楚、缺的单独列。最后一句兜底的「看不出就写看不出」，见第四节第二条。

一张五行的表，从周一到周五，每天四件；底下另起一条写「还缺的」。

（表里每一身只是格式示意，具体看你拍到了什么、你那几天冷到什么程度。）

一，别在晚上卧室的黄光下拍。 白平衡的作用就是去掉不真实的偏色，让肉眼看上去是白的物体在照片里也呈白色；而数码相机的自动白平衡本来就经常判断不准，会造出偏蓝、偏橙甚至偏绿的色偏1。同一页给出的色温表里，家用钨丝灯泡在 2500–3500 K，正午晴空是 5000–6500 K，并明确说「5000 K 大致中性，3000 K 偏橙」1。米白针织在那种光下会被拍成米黄，模型读到的颜色就已经错了——它照着错的颜色去搭，配出来当然土。白天靠窗、铺白底，成本为零。

二，它看不出厚薄和材质。 服装之间的关键差别恰恰在材质、质地这类细粒度属性上，而现有的图文模型并不擅长从图像里用好这一类信息2。这件事的难度也能从数据上看出来：服装属性数据集要做到一百万张图、8 组共 228 个细粒度属性、每张由专家多标签标注，而这类数据集公开可用的极少3。所以照片给的是颜色和形状，给不了「羊毛还是雪纺、薄还是厚」——厚薄要靠你在提问里写清楚，或者干脆按厚薄分两批拍。

三，它会用你没拍到的单品。 看图说话的模型会幻觉出场景里根本不存在的物体4；大型视觉语言模型同样如此，而且提示词里出现过的、或跟图中物体常一起出现的那些东西，最容易被"补"出来5。你一问「配一双短靴」，它就容易写进一双你其实没有的短靴——所以提问里必须写死「只用照片里出现的」，缺的让它单列。

顺带一句：这种搭配只是省掉早上纠结的二十分钟，不是审美课。哪件该扔、哪套最好看，它说的不算，你看着穿。

这个周末挑二十分钟，把衣柜拍一遍。接下来这一周，早上不用再站在那儿发呆。