一、小精靈介紹與使用情境
最近的煩惱是衣櫃堆了一堆衣服卻不知道怎麼搭配，最後來來去去還是活動發的衣服配排球褲就這樣度過了一天==
因此做了這個小精靈希望可以每天都穿的漂漂亮亮的蛋不會在衣櫃永遠少一件衣服啦!

希望能透過平常最常用的 LINE，打造一個零門檻的智慧衣櫃：只要隨手「拍一張衣服照片」傳送進去，AI 就會自動分析並將單品收錄到數位衣櫃；出門前只要用一句話詢問，AI 就能直接從我「現有的衣櫃庫存」中挑選組合，給出符合場合、兼顧配色與材質互補的實用穿搭提案。

二、AI 指令設計與串接方式
在整體系統中，我將 AI 設定為一位具備敏銳審美觀、專業且溫暖的穿搭顧問，核心要求包含：

1.結構化視覺分析：仔細觀察使用者上傳的衣服照片，精準拆解其類別、品項、主色調、色溫屬性、材質紋理、剪裁版型與風格標籤，並以標準純 JSON 格式輸出，方便直接存入資料庫。
2.多維度搭配美學：在給予穿搭建議時，必須依序分析「推薦組合」、「色彩調和（如冷暖平衡、深淺層次）」與「材質互補（如硬挺丹寧配柔軟針織）」，避免全身材質或色彩過於扁平。
3.立足現有衣櫃庫存：穿搭推薦必須優先從使用者資料庫中已有的單品進行搭配；若缺少關鍵單品，才額外提出具體的添購方向。
4.貼心造型細節：提供塞衣角、捲袖口、飾品點綴等實穿技巧，並依特定場合給予貼心叮嚀。

三、串接流程：
整體架構採用 事件驅動（Event-Driven）與雙向分流 機制：
流程起點：LINE ----> n8n Webhook ----> Switch 判斷訊息類型
路線 A（照片建檔）：Switch (image) ----> HTTP Request 下載 LINE 圖片（Binary File） ----> AI Agent（OpenAI Vision 模型視覺拆解） ----> Code（JSON 解析） ----> n8n Data Table（寫入 Wardrobe 表格） ----> HTTP Request 回傳收錄結果至 LINE。
路線 B（文字諮詢）：Switch (text) ----> n8n Data Table（以 user_id 篩選並抓取該使用者的衣櫃清單） ----> AI Agent（讀取提問與現有衣物 JSON 產出穿搭建議） ----> HTTP Request 回傳完整搭配至 LINE。

四、遇到的問題與調整過程
這次製作過程中跨足了多模態圖片下載、資料庫欄位對應與 JSON 格式處理，遇到了幾個關鍵問題與調整：

① 圖片下載異常與網址取值錯誤
一開始執行圖片分析時，AI 始終無法讀取照片。檢查後發現，在向 LINE 下載圖片的 HTTP Request 中，網址參數不小心引用成了訊息類型（.message.type，固定為 "image"），導致向 LINE 請求了錯誤的靜態網址

② Switch 分流判斷條件失效
在設定文字與圖片分流時，曾經出現傳送純文字訊息卻卡住、沒有任何輸出的情況。排查發現是規則中將比對目標設為文字內容（.message.text）卻去比對字串 "text"；修正為比對 .message.type 是否等於 "text" 後，分支便能順利分流。

③ 資料庫篩選回傳空陣列（[]）
在文字諮詢階段，AI 一度回覆混亂或無法給出具體推薦。檢查 AI Agent 輸入才發現，衣櫃清單抓出來竟是空陣列 []。原因是一開始存衣服時沒有在表格寫入 userid，導致後續條件篩選不到資料；後來在 Data Table 補上 userid 欄位並在建檔與查詢節點重新關聯，AI 就能精準抓到屬於該使用者的專屬衣櫃。

五、預期增加功能(沒辦法誰叫我是壓線仔)
1.個人身形分析，可以更精準地提供意見找到最適合的衣服!
2.逛街小助手，逛街不求人，問問小精靈就知道衣服合不合適，自己衣櫃裡有沒有適合的單品啦!