YouCam API 提供的 AI Skin Analysis 能力，适合被嵌入品牌官网、App、小程序、电商页面或线下导购工具中。对于开发团队而言，重点不是“单次调用成功”，而是如何把测肤任务、结果解析、推荐规则和用户数据管理连接起来。
一、AI 肌肤分析在系统中的位置
在一个完整的护肤推荐链路里，AI 肌肤分析通常处于“数据输入层”。
它负责把用户自拍转换为结构化结果，例如某类肌肤问题的类型、分数或可视化结果。后续的推荐逻辑，则应该由品牌自己的商品系统、内容系统和会员系统来承接。
可以把整体架构理解为：
用户自拍 ↓ AI 肌肤分析 API ↓ 结构化肤况结果 ↓ 推荐规则 / 推荐模型 ↓ 商品、内容、护理方案 ↓ 前端报告展示 |
这种设计的好处是职责清晰。AI API 负责分析图像，品牌系统负责理解业务含义。这样后续无论是新增商品、调整推荐策略，还是针对不同渠道配置不同报告，都不需要频繁改动底层 AI 调用逻辑。
二、代码示例：创建 AI Skin Analysis 任务
下面保留一段 AI Skin Analysis 任务创建示例，代码段不做修改：
bashcurl --request POST \ --url https://yce-api-01.makeupar.com/s2s/v2.0/task/skin-analysis \ --header 'Authorization: Bearer YOUR_API_KEY' \ --header 'Content-Type: application/json' \ --data '{ "src_file_id": "SaGaqpDgKwFrVBgMpQMA3HY0LeqdT9/13W5TOD8/u/FfjK3xgCQ+hRt9MJXBFaud", "dst_actions": ["hd_wrinkle", "hd_pore", "hd_texture", "hd_acne"], "miniserver_args": { "enable_mask_overlay": true, "enable_dark_background_hd_pore": true, "color_dark_background_hd_pore": "3D3D3D", "opacity_dark_background_hd_pore": 0.4 // Additional parameters omitted for brevity }, "format": "json" }' |
这段请求中，dst_actions 是比较关键的字段。它决定本次分析关注哪些肌肤维度，例如 wrinkle、pore、texture、acne。在真实项目中，技术团队可以根据业务场景配置不同的分析组合。
例如，抗老专题页可以重点关注皱纹和纹理；毛孔护理产品页可以重点关注毛孔状态；祛痘护理链路可以重点关注痘痘相关结果。这样 API 调用就不只是固定流程，而是可以和品牌的业务场景绑定。
三、从 API 结果到推荐规则
AI 肌肤分析结果不建议直接等同于最终推荐结果。更合理的方式，是在中间增加一层“结果解释层”。
这一层主要完成三件事。
第一，把 API 返回的技术字段转换成业务可理解的肤况标签。
例如：
pore → 毛孔关注 texture → 肌理关注 wrinkle → 抗老关注 acne → 痘痘护理关注 |
第二，把肤况标签映射到商品功效标签。
例如：
毛孔关注 → 控油、细致毛孔、清洁 肌理关注 → 修护、平滑、温和焕肤 抗老关注 → 紧致、淡纹、抗氧化 痘痘护理关注 → 舒缓、控油、温和清洁 |
第三，结合用户信息做过滤。
例如，用户是否敏感肌、是否孕期、预算范围是多少、是否偏好某类成分、是否已经购买过相关产品。这些信息通常不来自 AI API，而来自问卷、会员档案或交易数据。
因此，AI 肌肤分析更适合作为推荐系统的一个输入，而不是替代完整推荐系统。
四、推荐系统不要只看单次测肤结果
很多品牌在接入 AI 测肤时，容易只关注“这一次测出了什么”。但从技术运营角度看，多次测肤结果更有价值。
如果用户第一次测肤显示毛孔问题明显，系统推荐了控油和毛孔护理产品；四周后用户再次测肤，毛孔分数有所变化，品牌就可以基于变化趋势生成新的护理建议。
这类长期数据可以用于：
首次测肤 → 建立肤况档案 二次测肤 → 判断护理变化 多次测肤 → 形成趋势记录 结合购买 → 分析产品使用效果 结合会员 → 触发复购和内容推荐 |
这样，AI 肌肤分析就不只是一次营销互动，而是可以进入会员运营和用户生命周期管理。
五、技术落地时要注意数据边界
在系统设计中，建议把 AI 分析结果、推荐规则和用户身份信息分层处理。
AI 分析结果可以保存为结构化记录，例如分析时间、分析项目、分数、图片结果地址、任务状态等。
推荐规则可以单独维护，例如某个肤况标签对应哪些商品、内容或护理建议。
用户身份信息则需要按照隐私和合规要求进行管理，避免不必要地长期保存原始面部图像。
一个比较稳妥的设计是：
AI 任务表：记录 file_id、task_id、task_status 测肤结果表：记录肤况类型、分数、结果地址 推荐规则表：记录肤况标签与商品标签关系 用户档案表：记录授权后的用户测肤历史 |
这样既方便后续排查任务问题，也方便推荐系统独立迭代。
六、前端展示要避免“黑盒推荐”
对用户来说，只看到“推荐你购买这款精华”是不够的。更好的体验是解释推荐依据。
例如：
根据本次 AI 肌肤分析结果，你的肌肤纹理和毛孔状态更需要关注。 因此建议优先选择控油、细致毛孔和修护类产品。 |
这种展示方式可以让用户理解推荐逻辑，也能降低“系统为什么推荐这个”的疑问。
如果结果中包含可视化 mask 或局部区域展示，前端可以进一步把分数和图像结合起来，帮助用户理解具体问题区域。但展示时要注意表达方式，避免使用过度医疗化或诊断式描述。
七、适合技术团队的接入建议
实际接入时，建议采用后端封装方式。
前端负责拍照、授权、上传状态展示和报告页面。 后端负责 API Key 管理、文件上传、任务创建、状态查询、错误处理和结果落库。 推荐系统负责根据肤况结果匹配商品、内容或服务。 运营后台负责维护不同肤况标签对应的推荐规则。
这种结构更适合长期维护，也方便多端复用。无论是品牌官网、小程序、App，还是线下门店设备，都可以复用同一套后端测肤服务。
