Personal Style · Privacy-first · Agent Skill
Face Hairstyle Fit
不是给你打分，而是帮你找到可尝试的风格方向。
快速了解
- 一句话
- 从照片和偏好出发，探索适合自己的发型、妆容和穿搭风格。
- 适合谁
- 希望根据照片和偏好探索发型、妆容与近脸穿搭方向的人。
- 边界
- 不做人脸识别、颜值评分、人口属性推断或医疗诊断，视觉结论需要用户反馈验证。
- 当前状态
- 实验性
从“我适合什么”开始，而不是从颜值打分开始
很多人想换发型、妆容或穿搭，却很难把模糊的感觉说清楚：是脸周轮廓和发型不协调，还是近脸颜色、领口和整体整理感没有形成统一表达？
Face Hairstyle Fit 把这个问题做成一个面向视觉 Agent 的 Skill。它根据用户提供的照片、偏好和生活约束，先观察可见信息，再提出一个主风格和必要的备选方向，最后把方向拆成发型、妆容、穿搭和低成本试验。
它不做颜值评分，也不把用户固定成某个身份标签。目标不是判定“你是什么类型”，而是帮助你找到一套可以解释、可以尝试、可以根据反馈调整的造型方案。
一条从照片到试验的咨询流程
项目把咨询拆成几个有边界的步骤：
- 检查输入：确认是否为单人照片、脸部是否可见、姿态和光线是否足够，并区分用户照片、参考图和预期效果图。
- 先观察再命名：把可见的轮廓转折、脸周发型、妆容和领口分开描述，不把服装、背景或截图文字当成天生特征。
- 给出风格候选：提出一个主方向和可选备选，说明依据、取舍与不确定性，不制造虚假的概率或“最适合”结论。
- 结合现实约束：考虑发长、发质、打理时间、妆容偏好、穿衣场景和预算，优先给出可逆的小改变。
- 协调三个模块：分别给出发型、妆容和穿搭建议，再说明如何组合成一套完整表达。
- 低成本验证：明确先试什么、在什么条件下比较，以及下一轮需要用户反馈什么。
照片与偏好
↓
检查可用性和信息边界
↓
观察可见特征
↓
风格候选与理由
↓
发型 / 妆容 / 穿搭配方
↓
低成本试验与反馈
用三层风格模型避免混为一谈
仓库将风格词拆成三类，而不是把所有标签当成互斥分类：
| 层级 | 作用 | 示例 |
|---|---|---|
| 基础风格 family | 描述主要造型气质 | 甜美、柔和、端庄大气、清冷、轻熟 |
| 表达方向 expression | 描述造型语言 | 韩系、日系、新中式 |
| 组合配方 recipe | 组合多个视觉方向 | 甜酷、柔和法式、典雅新中式 |
项目还用七个维度描述一套造型：线条、结构、明暗对比、色彩深浅、鲜艳度、装饰量和修饰精度。这些维度描述的是当前或计划中的造型，不是永久的脸部测量值，也不是颜值分数。
例如，建议可以落到分缝、刘海、发长、纹理、近脸颜色、领口、材质和配饰，而不是只给一个抽象标签。韩系、日系和新中式在这里是造型表达方向，不是对用户国籍、族裔或身份的判断。
数据结构和工具边界
Skill 的规则数据集中在 references/catalog.json，维度锚点在 references/dimensions.md，输入输出契约由 schemas/ 定义。脚本负责目录校验、报告契约校验和静态 HTML 展示，不执行图像分析、不读取照片，也不联网。
报告有三种状态：
ready：照片和信息足够，可以给出仍然主观的风格建议。provisional：存在光线、滤镜或约束不确定性，需要明确限制并提出下一步问题。needs_input：缺少可用照片、目标人物不明确或脸部不可见，不给出确定的个人风格结论。
推荐结果需要绑定风格 family，可选 expression 和 recipe，并分别说明依据、取舍以及发型、妆容、穿搭三个模块的动作。这样既方便视觉 Agent 使用，也方便通过 JSON Schema 和测试工具检查报告是否完整。
如何运行校验工具
项目要求 Python 3.9+，可以使用 uv 创建环境：
uv venv .venv
uv pip install --python .venv/bin/python -r requirements.txt
.venv/bin/python -m unittest discover -s tests -v
.venv/bin/python scripts/skill_tools.py check-catalog
.venv/bin/python scripts/skill_tools.py check-report examples/provisional-report.json
如果需要将合法报告渲染成不加载远程资源的静态 HTML，可以运行：
.venv/bin/python scripts/skill_tools.py render \
examples/provisional-report.json \
--output artifacts/example.html
真正的视觉理解依赖宿主提供图像能力。这个仓库提供的是咨询流程、风格目录、契约和质量门禁，不是假装拥有一个独立的识图模型。
隐私和诚实边界
项目把隐私边界写进 Skill 和贡献流程：不要把真人照片、面部 embedding、个人报告、API Key 或私钥提交到 Git；不要未经授权调用其他图像 API 或上传材料；本地生成带真人内容的 QA 文件后，验收完成应删除临时派生文件。
它也明确不做人脸识别、跨图片身份匹配、颜值排名、年龄/性别/族裔/健康/性格推断、医美或医疗诊断。只有脸部照片时，穿搭建议限制在领口、近脸颜色、材质和整体方向，不推测体型。
这些边界很重要：风格建议是可以试验的造型配方，不是关于一个人的事实判断。效果图只是目标方案的参考，也不能当作用户原生脸部的证据。
为什么把它作为精选项目？
Face Hairstyle Fit 把一个很容易滑向外貌评判的问题，拆成了可追溯的输入角色、观察证据、风格目录、输出状态和隐私规则。它不承诺给出唯一答案，而是把建议变成低成本、可逆、可以根据反馈继续调整的试验。
它和 Study Anything、Hall of Fame 也有互补关系：Study Anything 负责通过练习确认是否真的学会，Hall of Fame 提供切换思考视角的 Skills，Face Hairstyle Fit 则把视觉风格探索组织成一套有边界的 Agent 工作流。