正文

StyleMind：基于知识图谱和RAG的个性化时尚推荐系统

StyleMind是一个AI驱动的时尚造型助手，通过Neo4j知识图谱、向量相似性搜索和双LLM管道，实现基于用户画像的个性化服装推荐。本文深入解析其架构设计、技术选型和创新之处。

StyleMind时尚推荐知识图谱RAGNeo4j个性化推荐LLM应用向量搜索

发布时间 2026/04/30 13:09最近活动 2026/04/30 13:22预计阅读 3 分钟

章节 01

StyleMind导读：AI驱动的个性化时尚推荐系统核心概述

StyleMind是一款AI驱动的时尚造型助手，核心理念是通过对话静默学习用户品味，结合Neo4j知识图谱、向量相似性搜索和双LLM管道，提供基于用户画像的个性化服装推荐。它并非简单的产品搜索工具，而是能理解用户风格偏好、场合需求和个人特点的智能造型伴侣，是大语言模型与特定领域深度知识结合的典型案例。

章节 02

项目背景：AI与时尚领域结合的需求与挑战

在AI应用百花齐放的当下，如何将大语言模型能力与特定领域深度知识结合是关键挑战。StyleMind针对这一问题，旨在构建一个能理解用户个性化需求的时尚推荐系统，解决传统推荐工具难以捕捉用户隐性风格偏好和场景化需求的痛点。

章节 03

技术架构与方法：双LLM+Neo4j的核心设计

技术栈选择

StyleMind采用Python 3.14、Neo4j 5 Community（兼具图数据库与向量索引功能）、Groq Llama 3.3 70B（对话与提取双LLM）、all-MiniLM-L6-v2本地嵌入模型等技术栈，亮点在于Neo4j的双重角色避免了多系统维护复杂性。

系统流程

用户对话→获取画像快照→产品检索→画像重排序→流式响应生成→异步更新画像（fire-and-forget模式）。

关键特性

流式响应：通过FastAPI SSE实现自然体验；
双LLM分工：对话LLM生成自然回复，提取LLM输出结构化风格信号；
画像驱动：每回合基于画像指导推荐并更新置信度。

章节 04

核心功能详解：画像推理、知识图谱与RAG管道

画像推理

记录用户显式偏好（颜色、材质等）并推断隐性倾向（风格关键词、预算敏感度），每轮更新置信度评分以检测漂移。

知识图谱遍历

存储产品搭配关系、风格层级、场合关联等，支持语义查询（如“这件外套适合什么场合”）。

RAG管道

混合向量相似性与图遍历检索，结合画像重排序，且推荐附带来源信号确保透明性。

服装搭配构建

通过/outfit/{product_id}端点，围绕锚定产品分析属性、查询搭配关系、过滤画像不匹配项，生成完整造型建议。

章节 05

交互界面：Web API与CLI的使用方式

Web API

POST /chat：SSE流式聊天（画像感知RAG）；
GET /persona/{user_id}：获取画像快照；
GET /outfit/{product_id}：构建搭配方案；
GET /health：健康检查。

CLI界面

运行uv run python -m stylemind启动，支持/help（命令列表）、/persona（查看画像）、/outfit <name>（构建搭配）等命令，产品名称支持Tab补全。

章节 06

可观测性与调试：追踪与开发工具

Langfuse Cloud集成：追踪对话span、LLM token使用、画像置信度评分；
本地调试：/debug-dev命令以Rich表格显示会话画像信号，无需网络。

章节 07

创新之处：架构模式的启示

知识图谱与向量统一：Neo4j同时支持图遍历与向量搜索，避免数据孤岛；
显式画像管理：持久化显式画像，提升推荐可解释性与跨会话一致性；
双LLM架构：分离对话生成与结构化提取，平衡自然性与可靠性；
流式与后台处理平衡：SSE保证流畅体验，画像更新异步执行不阻塞响应。

章节 08

结语与快速开始：项目价值与部署指南

StyleMind是架构精良的垂直领域AI应用示例，为推荐系统、个性化助手开发提供参考。

快速开始

配置环境：复制.env.example为.env，设置Groq API密钥、Neo4j密码；
启动服务：docker-compose up --build（自动执行seed与嵌入）；
访问：App（http://localhost:8000）、Neo4j Browser（http://localhost:7474）。 StyleMind展示了LLM与领域知识结合的潜力，值得开发者深入研究。