AI 辅助开发实战：基于天气推荐穿搭毕设的端到端技术实现-编程实验室

背景：毕设里“看天穿衣”到底卡在哪

去年做毕设，选题是“根据天气给用户搭衣服”，听起来简单，真动手才发现坑比衣柜还深。

天气字段多、单位杂，光一个“feels_like”就能返回摄氏度、华氏度、开尔文三种格式，手动 if-else 写到眼花。
推荐逻辑全硬编码：温度<10℃就推羽绒服，结果广州 9℃+90%湿度，用户穿成“移动桑拿”。
把整套规则写进后端，后续想换模型、加缓存、做 AB 实验，都得重新发版，耦合到哭。

于是我把目光转向“AI 辅助开发”——让 LLM 当“策略编译器”，我只管定义边界和兜底，结果两周就调通 MVP，老师看完只改了两个标点。

技术选型：直接 LLM 黑盒 vs LangChain 白盒

方案	优点	缺点	结论
裸调 GPT-4	上手快，一句 prompt 就能出推荐	字段不稳定、幻觉多、难做单元测试	放弃
传统规则引擎	输出可控，零 token 成本	代码膨胀，新城市新风速都要改	放弃
LangChain + Pydantic	结构化输出、可缓存、可插拔	多引一个库，学习曲线略陡	采用

核心思路：把“天气 JSON”→“衣物对象”的映射交给 LLM，但用 Pydantic 把输出锁死成结构体，既保留自然语言灵活性，又保住工程严谨性。

核心实现三步走

1. 天气数据获取：OpenWeather One Call 3.0

官方 1000 次/天免费额度，毕设够用。返回字段里我们只用：

current.temp
current.weather[0].main (Rain/Snow/Clear...)
current.humidity
current.wind_speed

用 aiohttp 异步拉取，500ms 内返回，超时重试 2 次即可。

2. 衣物知识库：轻量级“向量+规则”混合

规则层：先查城市维度表，把“最冷月平均”写死，防止 LLM 把哈尔滨 0℃ 当“南方湿冷”。
向量层：用 88 条 Markdown 语料（羽绒服、风衣、短袖…）跑 SentenceTransformer，缓存到本地 Chroma，LLM 可动态检索 Top3 相似描述，补充推荐理由。

3. LLM 提示模板：三锁机制

锁格式：Pydantic 类，字段 enum 化（top_layer, bottom_layer, shoes, accessories, reason）。
锁上下文：把“城市、性别、活动场景”用 System Message 注入，减少歧义。
锁温度：temperature=0，保证幂等，同一请求 100 次结果字节级一致。

模板片段（已脱敏）：

You are a context-aware stylist. Given the weather below, output valid JSON that satisfies the schema. Do not hallucinate items outside the enum. Weather: {weather_json} UserProfile: {profile}

代码：端到端可运行

以下单文件可直接python main.py 广州 male campus，返回推荐 JSON。

#!/usr/bin/env python3 """ Weather-based outfit recommender Run: python main.py <city> <gender> <scene> """ import asyncio, os, json, time from typing import Literal from aiohttp import ClientSession from pydantic import BaseModel, Field from enum import Enum from langchain.chat_models import ChatOpenAI from langchain.output_parsers import PydanticOutputParser from langchain.schema import HumanMessage, SystemMessage # ------------------ 配置 ------------------ OPENWEATHER_KEY = os.getenv("OWM_KEY") OPENAI_API_KEY = os.getenv("OPENAI_KEY") UNITS = "metric" LANG = "zh_cn" CACHE_TTL = 600 # 秒 # ------------------ 模型 ------------------ class TopLayerEnum(str, Enum): down_jacket = "down_jacket" wool_coat = "wool_cooat" hoodie = "hoodie" shirt = "shirt" tshirt = "tshirt" class BottomLayerEnum(str, Enum): jeans = "jeans" shorts = "shorts" sweatpants = "sweatpants" class ShoesEnum(str, Enum): sneakers = "sneakers" boots = "boots" sandals = "sandals" class Outfit(BaseModel): top_layer : TopLayerEnum bottom_layer: BottomLayerEnum shoes : ShoesEnum accessories : list[str] = Field(default_factory=list, description="e.g. scarf") reason : str = Field(..., description="一句话推荐理由，不超过30字") parser = PydanticOutputParser(pydantic_object=Outfit) # ------------------ 天气客户端 ------------------ class WeatherClient: def __init__(self, key: str): self.key = key self._cache = {} async def get_current(self, city: str) -> dict: if city in self._cache and time.time() - self._cache[city]["ts"] < CACHE_TTL: return self._cache[city]["data"] url = ( f"https://api.openweathermap.org/data/2.5/weather" f"?q={city}&appid={self.key}&units={UNITS}&lang={LANG}" ) async with ClientSession() as session: async with session.get(url) as resp: resp.raise_for_status() data = await resp.json() slim = { "temp": data["main"]["temp"], "weather_main": data["weather"][0]["main"], "humidity": data["main"]["humidity"], "wind_speed": data["wind"]["speed"], } self._cache[city] = {"ts": time.time(), "data": slim} return slim # ------------------ 推荐服务 ------------------ class OutfitService: def __init__(self): self.llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, openai_api_key=OPENAI_API_KEY, max_tokens=200, ) self.weather = WeatherClient(OPENWEATHER_KEY) async def recommend(self, city: str, gender: Literal["male", "female"], scene: str) -> Outfit: w = await self.weather.get_current(city) system = SystemMessage(content=( "你是穿衣助手。根据天气与用户档案返回 JSON，严格遵守字段枚举值，禁止超范围。" f"用户档案：性别={gender}，场景={scene}。" )) human = HumanMessage(content=( f"天气情况：{json.dumps(w, ensure_ascii=False)}" )) chain = parser | self.llm result = await chain.ainvoke([system, human]) return result # ------------------ CLI ------------------ if __name__ == "__main__": import sys, argparse parser = argparse.ArgumentParser() parser.add_argument("city") parser.add_argument("gender", choices=["male", "female"]) parser.add_argument("scene") args = parser.parse_args() svc = OutfitService() outfit = asyncio.run(svc.recommend(args.city, args.gender, args.scene)) print(outfit.json(ensure_ascii=False, indent=2))

Clean Code 要点：

每个类单一职责，方便单元测试。
所有 I/O 异步，阻塞耗时 < 200ms。
Pydantic 自动校验，非法字段直接抛 ValidationError，避免脏数据落到前端。

性能与安全：别让免费额度一夜归零

限流：OpenWeather 60 次/分钟，用 asyncio.BoundedSemaphore(60) 兜底。
缓存：Redis 存 <city, ts, json>，TTL 10 分钟，命中率 85%，节省 5000 次/天。
输出幂等：temperature=0 + 固定 seed，同一输入缓存可直接返回，LLM 层零额外成本。
异常熔断：连续 3 次超时自动降级到规则引擎，保证用户始终有衣可穿。

生产环境踩坑实录

冷启动延迟：LLM 首包 800ms，把“系统消息”预生成模板放内存，减少 30% 延迟。
幻觉案例：模型把“Clear”理解成“需要防晒衣”，但枚举里没有 sunscreen_coat，结果抛 ValidationError，前端白屏。解决：在 prompt 末尾加“若匹配不到请选最接近的 top_layer=shirt”，兜底成功。
多语言混用：中文 prompt + 英文 enum，模型偶尔返回“卫衣”不在枚举，被 pydantic 拒绝。统一全英文枚举，前端再做 i18n 映射。
隐私合规：城市字段做 md5 加盐哈希落日志，避免用户轨迹被反推。