Assistant + Stylist + Consultant 专家角色
系统原型 / 方法档案
case 02多Agent穿搭推荐系统
早期系统原型把穿搭推荐任务拆分成层级化知识、树结构推理、可解释路径、阶段化评估、多角色分工、多角色交互等任务模块。继承 StePO-Rec 关键优势，为后续 OUTFITTED 应用打造核心方法。
图结构协作机制
PAFA 知识库 + StePO-Rec 多步推理 + 用户档案管理
角色化智能体系统
Agent系统多角色定义
分工明确能力互补拟人化设计
AssistantAgent
个人助手
Function
需求理解 / 任务拆解 / 协调调度
Dependency
用户画像 + 对话上下文 + 服务策略
Output
结构化任务、补充问题、路由判断
Tone
温和、引导、耐心
负责协调全流程：理解用户输入、提取任务、载入用户档案，并组织后续调用。
StylistAgent
造型设计师
Function
多方向搭配生成 / 风格展开 / 设计说明
Dependency
PAFA + StePO-Rec + 场景约束
Output
方案方向、单品组合、推荐理由
Tone
专业、自信、审美明确
通过阶段化的色彩与廓形推理来生成搭配方向，而不是直接跳到一个最终答案。
ConsultantAgent
个人形象顾问
Function
方案评估 / 优化建议 / 成长记录
Dependency
评估体系 + 历史反馈 + 用户档案
Output
评分、建议、成长洞察
Tone
理性、客观、建设性
从兼容性、个人适配、场合适配与时尚表现力等维度评估方案，并持续更新用户档案。
多角色协作系统
知识驱动的角色协作结构
FashionAgent 将需求理解、搭配生成、专业评估、偏好沉淀与成长记录拆分为可协作角色，并由 PAFA 知识库、StePO-Rec 多步推理与用户档案管理共同支撑，让整条推荐链路同时具备专业分工、结果解释、状态记忆与持续演进能力。
系统图把 Assistant、Stylist、Consultant 三个角色的协作关系，与底层知识、推理、用户档案三项支撑放进同一张图中，使 FashionAgent 的服务结构可以被直接阅读。
系统协作编排
Agent图结构协作编排
可分支可并行可迭代
这不是固定工作流，而是一套面向复杂任务的图结构编排机制。系统根据任务类型、中间结果与用户反馈动态选择执行路径，并通过全局状态管理，把多角色协作变成可扩展、可追踪、可回退的服务结构。
01
节点
Agent 执行节点、决策节点与终止节点共同构成协作图，角色分工和流程控制被放进同一个状态图中。
02
边
顺序边、条件边、循环边与并行边负责定义不同任务下的执行路径，而不是让所有请求经过同一条线性流程。
03
状态
用户画像、对话上下文与任务执行状态由编排层统一管理，使系统既能多轮协作，也能支持回滚、降级与持续记忆。
01
顺序协作
适合标准化任务，按理解需求、生成方案、专业评估、结果整合依次推进。
02
条件分支
根据任务模式决定是否调用 Stylist 或 Consultant，避免无效步骤和不必要计算。
03
并行协作
支持多个风格方案同时生成与并行评估，让系统可以处理更高丰富度的比较任务。
04
循环迭代
基于用户反馈更新全局状态并重新规划执行路径，使推荐多次优化，而非一次结束。
创新与价值
系统创新性与核心价值
知识建模可解释推理角色协作成长记忆
FashionAgent 不是把 prompt 写得更长，而是把穿搭服务拆成一套可组织、可追踪、可持续优化的方法系统。
01
问题定义
核心问题
如何将用户的多模态输入转化为专业的个性化服装搭配方案？
需求理解模糊
用户表达往往同时包含图片、场景、风格偏好与隐性情绪，普通对话系统很难整理成可执行任务。
建议泛化不专业
如果缺少时尚知识与明确角色分工，系统通常给出泛化回答，而不是具有专业判断的穿搭方案。
不可解释不可信
当推荐无法说明依据、路径与逻辑时，用户难以判断结果是否可靠，也难以继续追问和优化。
02
重点挑战
知识接入
如何把时尚专业知识真正接入推荐链，而不是只作为背景描述。
结果可信
如何让系统既能个性化生成，又能给出可解释、可比较的理由。
个性化方案
如何输出贴合用户场景、审美、身形与偏好，而不是缺少针对性的标准答案。
长期记忆
如何记录反馈、偏好与风格变化，让推荐变成长线陪伴而不是一次输出。
03
方法系统
系统把知识、推理、协作与记忆放进同一套服务结构里，使复杂穿搭任务不再依赖黑盒回答，而能被分段处理、分角色执行、分路径回看。
PAFA 知识库
将属性、原则与语义知识结构化，作为专业判断底座。
StePO-Rec 推理
以树结构逐步缩小方案空间，保留路径与解释。
多角色协作
Assistant / Stylist / Consultant 各自承担理解、生成与评估职责。
用户档案管理
沉淀偏好、反馈与风格演变，让系统开始形成长期记忆。
04
核心价值
更专业
推荐依据不只来自语言模型常识，而有明确时尚知识支撑。
更可解释
用户能看到系统为什么这样搭、依据什么判断、如何继续优化。
更个性化
系统不仅理解当下需求，还会参考历史偏好与成长轨迹。
更可演进
它不是一次性 demo，而是可扩展到产品化服务链路的方法原型。
这也是 FashionAgent 对后续 OUTFITTED 最重要的贡献：它先验证了一套能够承载专业知识、角色协作、用户记忆与长期陪伴的时尚 AI 方法框架。
交互化验证
交互原型设计
结果展示路径解释参数控制成长记录
05
原型交互总览
从输入需求、生成搭配、查看顾问评估，到追踪推理路径与进入用户档案，FashionAgent 已经把方法框架转译成一套可交互、可回看、可继续演进的原型闭环。
实验验证
实验设计与结果
01
验证方式
30 个测试任务
覆盖标准推荐、复杂约束、多方案比较与多轮反馈等典型穿搭场景，用来观察完整链路是否稳定成立。
单 Agent 对照
与未拆角色的基准系统进行对比，重点观察成功率、专业度、个性化与解释质量的变化。
20 位用户评测
记录用户对专业性、自然度、角色一致性与需求匹配度的主观偏好，验证拟人化服务结构是否真实有效。
性能与可观测性
通过日志记录、路径可视化、批量评估与 Token 优化观察系统成本与运行状态，原型阶段 Token 消耗较初级版本下降约 75%。
02
核心结果
80.0%
任务成功率
多 Agent 系统在 30 个测试用例中的推荐成功率相较单 Agent 基准系统的 46.7% 有明显提升。
+47.9%
平均质量
专业性、个性化、可解释性、交互自然性与角色一致性五个维度的平均提升幅度。
85.0%
用户偏好比例
20 位测试用户中明确偏好多 Agent 系统的人数比例，原因集中在更专业、更自然、更符合需求。
价值总结
方法核心价值
FashionAgent 最重要的意义，在于它把“AI 时尚想法”第一次落实成一套可被验证、可被拆解、也可继续被产品化的方法框架。
结构协作
多角色拆分与全局状态传递在复杂约束、多轮反馈与方案比较场景中优势最明显，证明穿搭任务确实需要结构化协作。
信任建立
用户偏好并不只是被更强结果打动，更明显的是角色一致性、解释路径与服务感共同提高了信任度。
产品前提
虽然原型阶段仍受响应时长、token消耗以及视觉生成能力限制，但它已经验证了 OUTFITTED 后续产品化最关键的方法底座。