企业官网建设流程全解析

• 后端
• 前端
• AI 应用
• 本地部署

wardrowbe 是一款自托管的 AI 衣橱管理应用，它的核心亮点之一是「天气驱动选衣」：基于Open-Meteo免费天气接口获取的实时气温、降水、湿度等数据，结合你的衣橱单品、风格偏好与温度敏感度，自动筛出最适合当下天气的候选衣物，再交给 AI 组合出完整穿搭。本文将从数据获取、温度打分到提示词注入，完整解析这套推荐逻辑是如何运转的。

一、为什么 wardrowbe 要做天气驱动选衣

「今天该穿什么」是衣橱应用最真实的痛点。wardrowbe 的思路不是让用户自己翻衣柜，而是把天气作为第一变量：

• 气温决定穿厚穿薄，降水决定要不要带外套，季节决定整体基调；
• 天气数据来自 Open-Meteo 免费接口，无需任何付费 Key，自托管也能稳定运行；
• 推荐结果会随天气变化而变化——上午晴、傍晚转雨，推荐就会倾向可拆卸的外套。

下面拆解这条数据链路。

二、天气数据从哪来：Open-Meteo 免费接口

天气能力的核心实现在 weather_service.py，对外暴露的两个接口定义在 weather.py。

2.1 实时天气与 WMO 天气代码

GET /weather/current会向 Open-Meteo 请求一组实时字段：气温、体感温度、相对湿度、降水量、天气代码、风速、是否白天、紫外线指数等。

其中condition并不是接口原样返回的文字，而是把 Open-Meteo 的WMO 天气代码（如63→rain、71→light snow、95→thunderstorm）翻译成人能读懂的描述。这套映射表在 weather_service.py 里以WMO_CODES字典维护。

2.2 地理编码：把城市名变成坐标

天气接口只认经纬度。wardrowbe 的坐标解析有三级优先级：

1. 请求参数里直接带latitude/longitude；
2. 用户档案里保存的location_lat/location_lon；
3. 只有城市名location_name时，调用OpenStreetMap Nominatim做地理编码，把 "London, UK" 变成坐标。

如果三级都拿不到坐标，接口会返回400，提示你先在设置里配置位置。

2.3 缓存策略：一小时天气只取一次

为降低对外部接口的压力，wardrowbe 用Redis 做两层缓存：

• 天气数据缓存1 小时（CACHE_TTL = 3600），同一坐标一小时内直接命中缓存；
• 地理编码结果缓存30 天，查不到的城市名只缓存1 小时负结果，避免反复打爆 Nominatim。

三、温度打分：候选衣物如何被筛选

拿到天气后，真正的筛选发生在打分器 item_scorer.py。它的任务是把整个衣橱按「当前天气下的适配度」排序。

3.1 冷热阈值与温度敏感度

每件衣物会先被判进一个温度带。默认阈值来自 scales.json：冷阈值 10°C、热阈值 25°C。你可以在设置里改这两个值，还能调「温度敏感度」：

判进温度带后，打分规则大致如下：

💡 一件厚打底裤（thermal tights）会被识别为保暖单品，在冷天加权重、在热天降权重——wardrowbe 甚至区分了「透明打底」和「保暖打底」。

3.2 着装窗口：为「接下来一整天」做推荐

wardrowbe 有个很有想法的细节：着装窗口（wearing window）。它不只用「此刻」的气温，而是计算「从现在到晚上 9 点」这一段的最高/最低温。

• 如果窗口内温差 ≥ 8°C，说明早晚凉、中午热，推荐会倾向可增减的叠穿单品；
• 如果只剩不到 2 小时的窗口（比如深夜），则退回到只看当前读数。
• 判断「是否全天都比热阈值还高」时，一旦成立，推荐会主动去掉打底裤这类下装，避免大热天硬塞一双厚裤袜。

这套逻辑让 wardrowbe 的推荐更贴近「这一天你实际会经历的温度」，而不是某个瞬间的快照。

3.3 下雨与大风：加分项

• 降水概率 > 50% 时，夹克、大衣、卫衣这类防雨外层额外 +0.1 分；
• 季节还会根据纬度自动判断南北半球（南半球 1 月是夏天），再用天气修正：热天的夏季单品、冷天的冬季单品都会拿满分。

最终的天气分会和「正式度分、季节分、近期穿着分、偏好分」等相乘，得到每件单品的综合得分，再取Top 70进入下一步的 AI 推荐。

四、AI 推荐：把天气写进提示词

筛选出的候选会被编号，连同天气一起注入提示词 recommendation.txt，由 recommendation_service.py 组装。

4.1 天气信息注入 Prompt

提示词的上下文头部会写明：

• 场合（occasion）、一天中的时段；
• 天气：X°C（体感 Y°C）、天气状况、降水概率；
• 若着装窗口温差大，还会追加一句「接下来温度将在 A°C 到 B°C 之间大幅波动，优先选择两端都合适的叠穿单品」。

同时，候选衣物按适配度预排序——越靠前越合适，AI 被明确叮嘱「优先选列表靠前的单品」。这样 AI 不只是一个「搭配师」，而是在一套已经过天气筛选的候选池里做最优选择。

4.2 分层穿搭与换季逻辑

提示词里的造型原则直接把天气考虑进去：

• 面料匹配天气：「温暖天用亚麻/棉，寒冷天用毛呢/针织」；
• 叠穿思路：天冷/有雨时主动加外层，基础层 + 中层 + 外层都要能在脱掉外层后依然成立；
• 时段适配：清晨偏清爽实用，夜晚偏深色精致，全天则选可调整的百搭单品。

AI 最终返回 3 套不同主单的完整搭配。多出来的完整方案会被缓存供「换一套」按钮使用——但只有当温度仍在 ±3°C 以内、且处于同一温度带时，缓存才会被复用；一旦天气变了，wardrowbe 会重新生成，而不是把过时的推荐塞给你。

五、明天穿什么：提前一天的天气推荐

wardrowbe 的定时提醒（notifications.py）支持「提前一天通知」。这时推荐不再用实时天气，而是走 weather_service.py 里的get_tomorrow_weather：

• 拉取 2 天日预报，取第二天的数据；
• 用「当日最高/最低温的平均值」作为代表气温，最高温作为体感（按白天穿搭考虑）；
• 时段标记为full_day，让 AI 按「全天通用」来搭配。

拿不到预报时会优雅降级为当前天气，提醒不会因此失败。

六、在界面上设置地点与手动覆盖天气

6.1 在设置中配置位置

天气功能依赖位置。打开「设置 → Location」（settings/page.tsx），你可以：

• 填入城市名（选填）+ 经纬度，或点「Use My Location」用浏览器定位自动获取；
• 选择时区，点Save Location保存。

配置好之后，仪表盘首页会直接显示「Today's Weather」卡片，并给出Get Outfit Suggestion一键入口（dashboard/page.tsx）。

6.2 手动覆盖天气

如果你不在本地、或者只是想测试效果，可以在「Suggest Outfit」页面打开天气覆盖开关（suggest/page.tsx），手动设定温度与晴天/多云/雨天，再触发推荐。这套weather_override数据会绕过实时天气直接喂给推荐流程，方便调试与演示。

七、常见问题（FAQ）

问：wardrowbe 的天气数据要花钱吗？不用。天气来自 Open-Meteo 免费接口，地理编码来自 OpenStreetMap，均为免费公开服务，自托管零成本。

问：为什么推荐和我看到的实时气温略有出入？wardrowbe 用的是「着装窗口」温度（从现在到晚 9 点的范围），而非单点快照；且天气结果有 1 小时缓存，属于正常现象。

问：没有设置位置能生成推荐吗？不能。系统会提示你先在设置里配置位置，或手动覆盖天气。

问：推荐结果会变吗？会。天气、你的偏好、以及近 7 天穿过的组合都会影响结果，wardrowbe 还会自动排除当天已被你拒绝的单品。

📌延伸阅读

• 天气服务与地理编码：backend/app/services/weather_service.py
• 温度打分逻辑：backend/app/services/item_scorer.py
• 推荐服务与提示词组装：backend/app/services/recommendation_service.py
• 推荐提示词模板：backend/app/prompts/recommendation.txt
• 前端天气 Hook：frontend/lib/hooks/use-weather.ts

• 后端
• 前端
• AI 应用
• 本地部署