上一篇还在招安卓内测，这次可以正式宣布：Snap Closet 全面上架了！ iOS 版已经在 App Store 上线，安卓版也结束内测和大家见面，四种语言全部本地化完毕。顺便做了一件拖了很久的事：报名了 RevenueCat 主办的 Shipaton。趁这个机会，简单聊聊这个项目。
差点夭折的项目
Snap Closet 最初是两年前做给自己的工具。衣服明明不少，翻来覆去穿的总是那几件，总觉得缺点什么。当时的 AI 模型识别和分类衣服照片已经出乎意料地准，所以我很确定"自动化的衣橱管理"是可行的。然后项目就停在那了：技术上撞墙，工作上没时间。
今年让它复活的不只是更强的模型，而是一个更好的问题。每天和 LLM 打交道，我一直在想：把什么工作交给 AI，对普通人的帮助最大？人脑连几百件私人物品都记不住，日常生活却要求我们同时处理无数琐碎细节。管理衣服这种事对 AI 来说轻而易举，而我们却大多把模型拿来闲聊。这个错位本身就是答案：应该把大脑装不下的东西，原封不动地交给 AI。
方向就这样定了：用最少的精力，建一个真正有用的个人数据库。衣服只是第一步。
它能做什么
它能做的简单来说就两件事。第一件是替我记住自己有哪些衣服。把衣服、包、鞋子和配饰拍下来批量传上去，AI 会认出每一件是什么，自动打好标签，慢慢就攒出一份完整的清单。有了这份清单，很多以前靠记忆和直觉的事情都有了依据。比如逛街时看到心动的单品，先拍一张，让 app 查查家里是不是已经有差不多的，能和哪些已有的衣服搭。再比如隔一段时间让它给整个衣橱做一次体检，看看哪些季节和场合的衣服够了、缺哪一类、哪些东西一直没穿过可以考虑处理掉。
第二件是穿搭。前一天晚上把要穿的几件挂进试衣间，早上就不用对着衣柜发呆；搭好的组合可以存到日历上。用户还能在模特工坊里抽一个虚拟形象，把自己真实的衣服穿到这个迷你版的自己身上看效果；不想用虚拟形象的话，也可以自己穿上拍张照打卡。
是怎么做出来的
第一次动手是两年前，做法很老实：Flutter 写客户端，设计和任务管理照搬公司里用惯的 Figma 和 Atlassian。一个人做了半年，进度停在 40% 左右，然后就是前面说的那段停滞。
今年重新捡起来的时候，我没有接着原来的流程走，而是先把工作方式整个换掉。日常已经离不开 LLM，那就干脆把工作区围绕它重建：凡是会重复做的事，都想办法变成一个可以交给 agent 的工具。设计这一块，我自己写了一个 mobile-design-system Skill，它取代了 Figma，把 app 的整个设计系统重写了一遍；新页面和流程则交给 app-flow-design 从零到一地出方案。后端也没有再手搭，统计、feature flag、强制更新、分开的 dev 和 prod 环境，这些都是让 agent 直接操作 CLI 一步步建起来的。项目的所有背景知识就放在几个 markdown 文件里，换一个 agent 也能马上接着干。
这么做下来，从重新开工到 App Store 上架花了三个月，官网、UI 翻新和基础设施重建都包含在内；后来的虚拟试穿功能，从想法到上线只用了一周。
学到的东西
- 和 AI 一起编程，而不是在 AI 旁边编程。 丢掉大团队的那套流程，用轻量 markdown / html 写成的人机协作协议，比重型工具好用得多。
- Show, don't tell。 有了多模态模型，一张图比一段文字更能传达设计意图。
- 别太早放弃。 两年前勉强可行的端上 ML，被平台的进步悄悄解决了。
- 定价是门学问。 在成本和消费心理之间找平衡，需要认真的调研和市场验证。
- 聊天不是答案。 追求好的 UX 是永恒的课题，怎样让 AI 嵌入到好的 UX 当中才是新问题。
链接
- App Store：Snap Closet
- Google Play：Snap Closet
- 官网：snap-closet.com
如果你也在做自己的 app，或者对 Snap Closet 有任何想法，欢迎来聊〜