01
起点不是商品召回，而是先理解收礼人。
10 类女性风格画像
GIFT PROJECT · DECISION DOSSIER
包治百病
针对“奢侈品包袋送礼”场景，先理解收礼人，再推进品牌与单品选择。将风格、人格与关系线索，转译为可比较的品牌与单品匹配，而不是让用户自己在品牌和款式里盲找。输出可解释的评分推荐清单，交付的是一个更容易推进的礼物决策，而不是又一次逛店。
产品定义
Gift Decision Product不是商品目录，而是一套送礼决策
一个先理解收礼人，再推进送礼选择的决策产品。
传统电商更适合“已经知道自己要买什么”的用户，但送礼恰恰相反。很多人不知道品牌、不懂风格，也无法快速判断什么才真正适合对方。
主张依据
02
推荐逻辑不是普通筛选，而是风格人格化映射。
14 个奢侈品牌映射
03
整个产品节奏是先测试、再匹配、再浏览、再收藏比较，而不是信息堆砌。
159 个包款条目推荐结构
核心决策链路
Decision Chain把模糊的选礼物，拆成可推进的步骤
这个小程序把原本模糊、主观的送礼选择，拆成几个更容易推进的判断阶段。
01
进入送礼语境
封面页先把任务定义为“帮某个人挑礼物”，而不是漫无目的地刷包款。
02
完成风格测试
通过 5 轮二选一判断目标对象的风格倾向，尽早缩小判断范围。
03
匹配合适品牌
将风格结果映射到品牌调性，避免用户被无关品牌干扰。
04
浏览代表单品
以卡片形式展示包款、价格、描述与推荐指数，让信息足够轻量但可比较。
推荐指数05
收藏并形成 shortlist
通过本地收藏把“看看而已”真正推进到“我可能买哪几个”。
系统与数据结构
Evidence Board原型背后，是一套真正的推荐依据
这个项目的价值不只在视觉趣味，它背后已经搭起了一套明确的推荐结构与产品逻辑。
10
类女性风格画像
14
个奢侈品牌映射
159
个包款条目推荐结构
01
风格到品牌的映射机制
将 10 类女性风格画像对应到品牌调性与代表包型，让推荐路径更可解释。
02
结构化商品库
当前原型已建立 14 个品牌、159 个商品条目的框架，并逐步补齐价格、描述与推荐信息。
03
AI 推荐指数实验
通过 Express 接口探索以风格关键词和商品描述生成推荐指数，让系统不止停留在写死规则。
推荐指数视觉语言
Authored InterfacePixel luxury direction
打造有主见的像素风游戏界面
这个项目最有辨识度的地方，是它完全没有朝“标准奢侈品商城”去靠，而是主动把像素风、复古游戏感和女性时尚消费语境混在一起。
- 像素头像把抽象风格标签变成更容易记住的人格角色。
- 高饱和紫色底让产品一眼就带有自我风格，而不是模板化小程序界面。
- 滑动卡片让浏览更像探索与闯关，而不是单调翻列表。
核心工作支撑
End to End背后是完整的消费决策原型
核心工作是作为一个完整产品原型进行推进，串联了产品定义、视觉语言、推荐逻辑和交互实现。
01
问题定义
将选礼物任务聚焦在 “帮助不懂奢侈品的人为他人选包” 场景，而不是再做一个包袋商品列表。
02
产品设计
设计从 “人物风格定位”、“品牌匹配”、“单品浏览” 到 “推荐指数生成” 以及 “收藏比较” 的完整链路。
03
视觉方向
建立 “像素 + 时尚” 的混搭语言，让产品在审美上具备鲜明特征。
04
原型实现
用微信小程序原生方案完成开发，并组织结构化数据与 LLM 推荐指数探索。
未来优化计划
Roadmap更真实、可用的优化方向
当前原型已经证明了方向成立。下一阶段更重要的是把推荐结构做得更成熟，把体验推进到更接近真实可用的程度。
01
继续扩充商品库并提升元数据完整度
02
把云端资源与后端能力补齐，减少原型期的本地逻辑依赖
03
围绕送礼信心、决策效率与 shortlist 转化做真实用户测试
04
把 AI 推荐指数从实验升级为更稳定、可解释的推荐信号
结语
Point of View这是一个立场非常明确的产品想法
包治百病最能说明我如何抓住一个具体消费问题，为它建立鲜明的视觉语言，并把推荐链路设计得比“普通浏览商品”更有方向感。