一、开篇：为什么你需要这个工具？
每天早上打开衣柜，你是不是都觉得「没衣服穿」？明明塞了一柜子，最后还是穿那几件。问题不在衣服少，而在你没把它们「数字化」。传统衣橱 App 让你手动拍、自动裁、逐张分类，耗时耗力，最后变成另一个「吃灰」的 App。
更糟的是，市面上的虚拟试穿工具大多要上传你的全身照到云端，隐私风险让人望而却步。当下 AI 出图能力已经卷到飞起，能不能让 GPT 直接「看懂」你相册里的穿搭照，把衣服一件件抠出来，顺带生成模特试穿图？Wardrobe 给出了答案。
二、项目简介：一句话说明它是什么
Wardrobe（GitHub：tandpfun/wardrobe，⭐ 1.8k，JavaScript，MIT）是一个本地优先的 AI 衣橱管理工具，核心特性四个关键词：GPT 视觉识别、自动抠图、模特试穿、本地存储。它用 OpenAI Responses API 自动识别照片里的衣物，用 Images API 抠出干净的产品图，再用模型参考图生成虚拟穿搭 lookbook。整个流程不依赖云端衣橱服务，原始图、任务记录、生成图、JSON 数据库全留在本地 data/ 目录。
三、核心功能深度解析
1. 智能衣物识别与抠图
传统做法是手动框选衣物边界，Wardrobe 直接调用 OpenAI Responses API，让 GPT 一次性识别图中所有服装品类（T恤、外套、裤子、配饰），再调用 Images API 生成白底产品图。对比 Figma 的手动抠图或 Remove.bg 单图处理，Wardrobe 支持批量导入，单次任务可处理数十件衣物。
2. 模特试穿生成
这是最亮眼的功能。用户提前准备一张 data/model-reference.png 作为模特参考，Wardrobe 会用 gpt-image-2 模型（默认 high 质量）把抠出的衣物「穿」到模特身上，生成编辑级预览图。比起手动 PS 或 Midjourney 单图合成，Wardrobe 把模特形象固定下来，保证整套 lookbook 风格统一。
3. Codex 技能工作流
项目内置两条 Codex 技能：import-clothes 和 generate-outfits。前者负责导入、抠图、试穿、审核、写入 data/library.json；后者负责根据已有衣橱生成整套搭配 idea。Agent 模式下，用户只需告诉 Codex「从 ~/Pictures/outfits 导入衣物并生成模特图」，全程自动化。
4. 本地优先的数据架构
原图、生成图、任务日志、JSON 数据库全在 data/ 下，拖拽、粘贴、编辑、审核、重新生成、审批全在 Web UI 完成。无外部数据库依赖，迁移只需拷贝文件夹。
四、技术亮点与性能数据
- 模型配置：视觉模型
gpt-5.4-mini，图像模型gpt-image-2，质量档位high，可根据成本需求切换到low/medium。 - 运行要求：Node 22+，启动只需
npm install && npm run dev，默认端口 5173。 - 架构亮点：前后端一体化，前端负责交互，后端通过 OpenAI API 串联识别-抠图-试穿三阶段；任务结果本地落盘，断点续传友好。
- 生态兼容性：支持 Codex CLI、Codex Desktop、Web UI 三种入口；
.agents/skills/目录遵循 Agent Skills 规范，可被其他 Agent 复用。 - 安全策略：默认关闭导入器，必须配置
OPENAI_API_KEY并放置模特参考图后才能启用，避免误调用产生 API 费用。
五、适用场景与人群
场景一：个人数字衣橱建设。适合想把相册里的穿搭照系统化管理的用户，一次导入长期使用。
场景二：穿搭博主内容生产。每天要产出大量 lookbook 的博主，可用 generate-outfits 批量生成搭配灵感。
场景三：服装电商素材整理。小批量服装卖家，把平铺图或模特图批量导入，自动产出白底产品图与统一模特预览图。
适合：Node 开发者、Codex 重度用户、对隐私敏感的本地优先主义者。不适合：完全不想配 API Key 的纯小白、只想要现成 SaaS 的用户。
六、竞品对比
| 维度 | Wardrobe | Whering | Acloset | Remove.bg |
|---|---|---|---|---|
| 衣物识别 | GPT 自动批量 | 手动 + AI 辅助 | 手动 + AI 辅助 | 不支持 |
| 模特试穿 | 内置，统一模特 | 无 | 基础试穿 | 无 |
| 数据存储 | 本地 JSON + 文件 | 云端 | 云端 | 云端 |
| 开源 | MIT | 否 | 否 | 否 |
| Agent 集成 | Codex 双技能 | 无 | 无 | 无 |
选 Wardrobe 的理由：开源、本地可控、Agent 可编排、试穿风格统一。
七、如何快速上手
安装步骤：
git clone https://github.com/tandpfun/wardrobe.git
cd wardrobe
npm install
cp .env.example .env
在 .env 中填入 OPENAI_API_KEY，并把你的全身 PNG 照片放到 data/model-reference.png，然后执行 npm run dev，浏览器打开 localhost:5173。
最小可用示例：拖一张穿搭照到网页，按提示确认识别结果，点击「生成模特图」，即可看到白底产品图与试穿预览。
进阶建议：
- 先用 5-10 张照片跑通流程，确认模型参考图质量与生成风格。
- 把整个
data/目录加入 Git 仓库，方便多设备同步。 - 在 Codex 中使用
$generate-outfits 5一键生成 5 套搭配方案。
八、总结与行动建议
Wardrobe 把 AI 视觉能力封装成一个本地化、可编排的衣橱工具，核心价值在于「识别-抠图-试穿」三合一 + 数据自主可控。它不是又一个需要手动维护的衣橱 App，而是给 Agent 和开发者准备的「衣橱操作系统」。
使用建议：先小批量测试 API 成本，确认风格后再大批量导入；模特参考图建议选正面、全身、纯色背景的 PNG，效果最稳。
项目链接：GitHub 仓库 https://github.com/tandpfun/wardrobe，灵感来源可在 X.com 查看 @cdngdev 的原始推文。一句话推荐：让 GPT 帮你「读懂」衣柜，每天出门前多 10 分钟。
