出门前四十分钟的四次快门：端到端具身交互智能衣白AI敢说"这件不行"，也接得住换第五套的你

本文记录一次内测中的真实交互过程，涉及的技术方案来自魔珐星云的端到端具身交互能力：让 AI 通过屏幕和机器人进入真实世界，具备感知、理解、表达与行动的能力。先说个场景。约会前四十分钟，床上已经堆了五套被否决的衣服。你对着镜子拍了张照发闺蜜群："哪套好看？"三分钟收到四条回复：“都好看”“第二套吧”“你穿什么都好看”“要看鞋子”——等于没说。最后你还是穿了最常穿的那件黑裙，出门时心情已经蔫了一半。

衣白（Yībái）就是为这个时刻设计的：以穿搭顾问形象常驻在衣橱管理 App 里，你拍全身照，她说真话——这件显肩宽、这条裤长压身高、这个配色显疲；她也说怎么救：挽个袖口、换双鞋、加条腰带。她不吹捧，也不跟你客气，但每次都会给出"改"的方案，不会只丢一句"不行"。
穿搭 App 做了十年，全是"买家秀+搭配模板"的路子：模板好看，但落到自己身上就两回事——因为穿搭的本质是你自己的参数（身型、肤色、场合）和单品之间的适配，而模板不可能预置一亿种身材。

先把认知摆正：电商推荐、博主内容、好友群投票，各自都在自己的岗位上干活——推荐管效率，博主给灵感，好友给情绪。真正的坎在于没有一个声音既懂行又不怕得罪你：推荐算法只管"买了什么再推什么"，不看你穿上什么样；博主内容是"她的身材"，不是你的；好友群投票的善良恰恰是问题——没有人愿意对朋友说"这件不行"。

衣白基于魔珐星云端到端 SDK XingyunAvatarAgent 构建，核心业务代码不到 500 行，前端对接三步：给一个 DOM 容器、注册一组回调、调用 agent.ask() 发消息。她把感知、大脑、表达连成一个循环：持续感知 → 持续理解 → 持续决策 → 持续表达与行动。穿搭建议的价值排序里，"好听"排在"有用"后面——但市面上大多数产品把顺序做反了。下面进入这四十分钟。## 快门一｜40:00：第一张全身照

40:00。你拍了正侧面两张，传进 App。她的第一句话不是评价，是问场合。

第一声快门考验的是多模态感知。你举起手机的那一秒，感知已经开始了：视觉侧做全身照关键点检测，肩宽、腰位、腿长的参数从照片里量出来；语音侧，算法降噪、AEC 抗回声保证你在卧室开着音乐她也能听清你说话；VAD 静默判据照顾你对着镜子自言自语式的犹豫——你嘟囔"这件是不是显壮"，她接得住半句；Barge-in 智能打断让她点评到一半时你随时能插"等等我换个裤子"。摄像头感知你重新站回镜头前，她就知道该看新的一张，而不是重复旧的点评——持续感知，而不是一次输入。```JavaScript
import { XingyunAvatarAgent } from ‘@xingyun/avatar-agent’; const stylist = new XingyunAvatarAgent({ container: document.getElementById(‘fitting-root’), avatarId: ‘yibai-style’, // 控制台配置：时尚顾问形象、利落 persona: YIBAI_PERSONA, voice: { rate: 1.02 }, vision: { bodyLandmarks: true }, // 全身照关键点检测：肩宽/腰位/腿长 });
// 用户换装后上传新照片：先看变化再开口 stylist.on(‘photo’, (img) => { const m = measure(img); // 身型参数 + 单品识别 const verdict = judge(m, wardrobe.active); stylist.ask(verdict.honest ? verdict.praise : verdict.fix); }); // 追问"为什么"：解释必须落到参数上 stylist.on(‘qa’, (q) => { if (/为什么/.test(q)) stylist.ask(explainWithParams(q)); // 例：“因为您是溜肩，落肩款会把肩线再往下压2-3公分，人显没精神—— // 换正肩缝的这件，肩线立起来，整个人的架子就正了。” }); await stylist.init(); stylist.ask(‘拍张全身照，正侧面各一张。今天什么场合？’);

App 试衣间页：全身照 \+ 身型关键点标注 \+ 衣白的点评气泡

数字人形象选择：
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/4861d152d8704023add9b02b4dbd60ba.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/c67d3c80046d45de9baf7b813e76fd38.png)


## 快门二｜32:00：第一句真话，和它背后的智脑

> **32:00。黑裙被否了。她说的不是"不太合适"，是"落肩款把你肩线压低了 3 公分"。**
> 
> 

这一段是四十分钟里分量最重的，因为它背后是**专属智脑**。大模型解决"能不能回答这条裙子好不好看"，专属智脑解决"我是谁的顾问、我掌握的是这位用户的身型参数和衣柜库存、我的点评依据在哪"。分三层交底。

**第一层：她知道什么。** 先把这个用户的真实资料摊开看：身型档案是历次照片量化出的参数表，衣柜库存是她录入的 87 件单品（含版型标签），买手店搭配师的点评范例是一批带标注的图片，面料知识是一份 PDF，她自己的历史穿搭记录是 Excel。传统做法"转成文字"喂给模型，"显壮"和"显胖"会被混成一句伤人的话。专属智脑做三件事：
- **全模态数据解析**：PDF、Word、PPT、图片、音频、表格都进得来，解析时保留层级、图文、表格关系和上下文——搭配师范例里"这条裙子的救法是加腰带，不是换裙子"这种图文对应关系是被留住的；

- **知识图谱 \+ RAG 深度融合**：把"溜肩—落肩袖—肩线压低—正肩缝替代—衣柜里那件白衬衫"串成关系网。"这件不行"永远跟着"衣柜里那件就行"一起出现；向量、关键词、图谱三路召回一起上，"明天参加婚礼能穿什么"这种跨单品、跨场合的问题也接得住；

- **高效知识治理**：用户瘦了五斤，身型参数更新当天，所有"禁穿"规则重新计算——围绕知识块、标签、实体、关系、向量索引和来源信息持续治理。点评的依据过期了，真话就变成了误伤。点评前先测参数再下判断，是衣白和"AI 夸夸"类产品的分水岭——真话必须有依据，"显肩宽"必须能翻译成"落肩款把你肩线压低 3 公分"这种可验证的说法（平台官网：https://xingyun3d\.com/?utm\_campaign=daily\&utm\_source=CSDNwanfen1\&utm\_medium=\&utm\_term=\&utm\_content=）。

大模型用户可以自选惯用的模型接入，没有指定的就用魔珐自研智脑，RAG、FAQ、自研大模型加可视化编排开箱即用。

**第二层：她是谁。** 身份、人设、角色、任务、规则、音频、Agent、Workflow、对话流程、工具调用全部可配置：

```JavaScript
const YIBAI_PERSONA = `你是穿搭顾问衣白。规则： 1. 点评结构永远：一个真问题 + 一个可执行的改法，禁止只批评 2. 真话必须量化到参数："显矮"要说"这条裤长卡在小腿最粗处，视觉重心下移" 3. 每套搭配最多挑两个毛病——全盘否定会让人关掉App 4. 用户连续被否三件，第四件必须找到能夸的点："这个颜色选对了，我们顺着它来" 5. 禁句："都好看""你穿什么都行""主要看气质"`;  // 判断引擎：身型参数 × 单品版型 的适配表（节选） const FIT_RULES = {   slopeShoulder: { ban: ['落肩袖', '一字领'], fix: '正肩缝+小垫肩，肩线立住' },   longWaist:     { ban: ['低腰裤'],            fix: '高腰线，上装塞进裤腰' },   coolUndertone: { ban: ['姜黄', '土棕'],       fix: '冷调：雾霾蓝/黑白灰/正红' },   shortNeck:     { ban: ['高领', 'choker'],     fix: 'V领/长项链，纵向线条' }, };  // "改"的方案必须来自用户自己的衣柜，不推新购买 function fixIt(params, item) {   const alt = wardrobe.findAlternative(item, FIT_RULES[params.hit]);   return alt ? `衣柜里那件${alt.name}就行，换上再拍一张我看看` : null; }

这五条就是她的岗位说明书：第 1 条管住"只说不救"，第 3、4 条"批评的剂量"是买手店店长亲自审人设时坚持加的——它决定用户明天还来不来；第 5 条是尊严红线。而"改的方案只从用户自己衣柜找"是产品价值观：衣白不是带货工具，是真话工具。这就是岗位化：大模型解决"能不能点评"，专属智脑解决"我是谁的顾问、我的依据是什么版本、我说话的剂量怎么控制"。
真话时刻：点评"这条裤子不行"+ 参数解释 + 从用户衣柜找到替代单品的截图

快门三｜21:00：换装重拍，她看的是变化

21:00。第三张照片进来。她先比对参数变化，再开口——不是每张照片都值得点评。

这一段交底第三层：她能不能真正进入业务。衣白对接的是用户和场景两头的一套真实系统，从 CRM、ERP、OA、HIS、BI 到订单系统、客户系统、门店系统、IoT、第三方 Agent 全都挂得上——这个产品实际用到的是：CRM（用户档案：身型历史、场合日历、被否记录——"连续三件被否"就触发第 4 条规则）、订单系统（衣柜录入的商品条码与吊牌参数）、BI（运营看板：高频"为什么"问题排行、身型类型分布）、OA（搭配师团队的人设审核流）、门店系统（合作买手店的到店改衣档期——真救不了时给一个能救的地方）、IoT（智能穿衣镜、体重秤的数据接入，身型参数自动更新）、HIS（不涉及医疗，但孕期、术后等特殊身型阶段的着装建议对接专业指南），以及与天气服务的 第三方 Agent 同步明日温度——“明天降温，这件外加那件风衣正好”。她不只是聊天，她查询、协同、触发流程。

快门四｜08:00：出门前的最后一张

08:00。定妆照。她说"这身行，黑色那件的遗憾补回来了"，顺手把外套搭法发给你。

最后八分钟验的是多模态表达。同一句"这身行"，她说出口时语速轻快、眼神是亮的、手势是打开的；说"这件不行"时身体微微前倾、表情是认真的——批评和肯定在表达上真的不一样，不是同一段配音换字。语音、口型、情绪表情、眼神、头部动作、手势依据当前对话实时生成、统一同步，不是 TTS 加对口型，更不是预制视频轮播。表达和感知并行：你第五次换装时那句"要不还是黑裙吧"带着泄气，她的话和表情一起放缓，先接情绪再回到裙子。

顺带交底 AI 端渲：试衣间的摄像头点评是每秒都在跑的实时活，用户的手机从旗舰到千元机都有——渲染下沉到端侧，不依赖云 GPU 拉视频流，千元机也能实时看到衣白的表情和手势，"不挑手机就能用"是 1.2 万内测规模的前提。

出门之后：一个智能体，可以进入不同的身体。现在衣白住在手机 App 和智能穿衣镜里，她的行动还停留在数字与物理行动的数字行动这一层：把判词说出来、把参数标出来、把改法递到你面前。但她的身份、知识、记忆、任务全长在智脑里——下个版本让她进入卧室大屏和智能穿衣镜，她还是那个记得你溜肩的衣白，还能导航带路把"那件白衬衫在你衣柜第二格"说清楚；再往后装上选购陪伴机器人的形态，行动就延伸到物理世界：转向你、靠近你、跟随移动、用上肢动作比出裙长位置，Robot Skill 直接演示挽袖口的手法。智能体持续存在，身体不断升级。

附注：市面上把几个开源件拼起来的方案不是不能用，而是模块一换脾气就变——"批评的剂量"长在状态管理里，拼装方案换个模型，第 4 条规则就守不住了。她这套是可插拔的：ASR 可以换魔珐自研（Xmov 大/小模型 ASR）或火山引擎、腾讯云，TTS 可以换 Azure、豆包、MiniMax，大脑可以用自研、第三方 LLM、客户自建或 Dify、Coze 这类 LLMOps 平台，将来上实体形态，机器人运控也能在魔珐自研运控和本体厂商运控之间切换。可插拔不是 API 拼接：感知、认知、表达与执行之间时序依赖和状态关联很紧，星云靠标准化的接口契约加统一的状态管理，保证模块替换之后事件流转、会话状态、时间同步、异常处理都一致。翻译成这行的话：换耳朵不换脾气，五条岗位规则一条不动。背后把这一切实时对齐的，是 Real-time Interaction Runtime——整场咨询跑在一个持续交互循环（Continuous Interaction Loop）里。

身型类型分布 + 高频"为什么"问题排行

衣橱体检报告（自问自答）

内测两个月，把高频疑问和后台数据放在一起，自问自答，不写漂亮话：

问：出门纠结真的短了吗？ 答：1.2 万内测用户、日均上传照片 2.7 万张，纠结时长从 19 分钟降到 7 分钟。

问：用户信她吗？ 答："建议有具体依据"的认同率从 23% 涨到 81%，每人每周主动追问"为什么"2.4 次——追问就是信任的开始。

问：说真话，会不会把人说哭？ 答："太扎心"差评 4%，加"温柔模式"后降到 1.8%；周留存 54%，按建议改造后重拍率 68%——被认真对待过的人才会回头。

问：翻过车吗？ 答：翻过。身型参数对拍照角度敏感，斜 15 度的镜子自拍会把"肩宽"误判，现已加拍摄引导线；小个子男生和 plus size 用户数据积累不足，适配规则还在补。

这份工作做久了，越来越确定一件事：这个赛道十年做不起来，是因为所有人都在回避"说不行"——算法怕伤人，好友怕伤感情。可用户真正的痛，恰恰是没有一个既懂行又不怕得罪你的声音。真话不伤人，含糊才伤人：说清"为什么不行、怎么救"，用户会谢谢你。端到端具身交互智能在这个场景的价值，是把拍照、追问、换装、重拍这个反复横跳的纠结过程，缝合成一场有来有回的对话——她不替代闺蜜的鼓励，她补上的是朋友圈里不存在的那个"说真话的懂行人"。

回头看，这套方案的价值不在于把 AI 包装成"懂穿搭的专家"，而在于把拍照、追问、换装、重拍这个反复横跳的纠结过程，缝合成一场有来有回的对话——她不替代闺蜜的鼓励，她补上的是朋友圈里不存在的那个"说真话的懂行人"。
你衣柜里有没有一件"买回家就后悔、但不好意思承认"的衣服？评论区晒出来，衣白帮你看看还有没有救——救人一命胜造七级浮屠，救衣一件也算了。

换你上台：四组对照实验

演示不求全，四组对照最省时间——每一组都是"她 vs 你熟悉的那个答案"，外加一次加演：

实验编号	测试动作	对照组典型回答	衣白的回答	验证的能力点
实验一	穿一件显肩宽的上衣拍照	“你穿很好看”	“肩线压低 3 公分，换正肩缝”	感知：全身照关键点检测量出身型参数，点评落到可验证的数字上
实验二	故意连穿三件都不行	“都好看”“换一件试试”	说到第四件时开始找夸点：“这个颜色选对了，我们顺着它来”	状态管理：连续挫败里托得住人，批评有剂量
实验三	问"这身怎么救"	“可以看看新款”“给你推几件”	“那件白衬衫就行”，替代方案只从用户自己衣柜里找	智脑：知识图谱 + RAG 把"不行"和"衣柜里那件就行"串在一起
实验四	故意问"我穿什么都好看吧"	“主要看气质”	不接禁句，回到参数与改法	规则约束：禁句写在人设与状态里，不在配音里
加演	手机聊一半走到穿衣镜前	重新开始一轮对话	身型档案和话题跟着人走，接着聊	感知 + 状态管理：跨设备持续感知，会话状态不丢

实验一｜真话带不带参数。 穿一件显肩宽的上衣拍照。对照组会说"你穿很好看"；她的答案是"肩线压低 3 公分，换正肩缝"。玄学与参数的差别，一眼见分晓。

实验二｜批评有没有剂量。 故意连穿三件都不行。看她说到第四件时开始找夸点——连续挫败里还托得住人，这是状态管理，不是话术。

实验三｜救法从哪来。 问"这身怎么救"。她的替代方案从你衣柜里来：“那件白衬衫就行”，不往购物车里引你。

实验四｜禁句是不是真禁。 故意问"我穿什么都好看吧"。连"主要看气质"她都不接——规则真的写在状态里，不在配音里。

加演｜换镜接着聊。 手机聊一半走到穿衣镜前，身型档案和话题跟着人走。

实验须知：点评的"利落感"在 1.02 倍语速里，别配音、别加速；实验二务必连演四套——观众对"批评有剂量"的信任，远大于单次点评多准。