Platform Overview · 2026

SCoLab:LLM时代的个人护肤管理工具

让语言模型协助你完成今日Routine的构建、评测,让有效护肤触手可及。

🔬 产品组合评分 🤝 智能推荐 🌐 scolab.vercel.app

一、起源:当护肤从“购买”变成“管理”

过去几年,中国护肤市场正全面迈入成分透明化与功效可验证的科学护肤时代。功效型护肤品以18.2%的复合增长率成为行业核心增长引擎,1消费者人均持有产品数量持续上升——但一个结构性问题正在浮现:购买力在上升,使用效率却在下降。

市面上大量的种草内容和成分科普,服务于“购买前”的决策;而当消费者面对自己已有的十几甚至几十款产品时,却缺少一个能够回答以下问题的工具:

这些困扰,是我自己在反复购买、闲置、再购买的循环中亲身经历的。于是我利用工作之余的时间,用 Vibe-coding 构建了一款针对产品组合效果的分析工具 👉 SCoLab.site

"让已有产品达成有效的协作,是 SCoLab 的价值所在。"

二、商业化定位

SCoLab 不仅是一款个人管理工具,其核心商业逻辑在于:

精准推荐“库存中最缺的那一款”
不同于传统电商平台的“泛推荐”,SCoLab 基于用户的肤质档案、所在城市气候、已录入产品库,进行三重匹配分析,推荐当前 Routine 中缺失的关键单品。

例如:用户在深圳(湿热气候)已录入“控油精华+防晒”,系统识别其缺一款“清爽型保湿乳液”,而非盲目推荐面霜——推荐即购买决策,购买即补充库存缺口,形成“管理→分析→补位→再管理”的闭环。
1 数据来源:Euromonitor International,转引自中国银河证券研报,2025

三、核心功能:三步解决你的护肤管理难题

STEP 1 建立个人产品库

录入或拍照识别你现有的所有护肤/美妆产品,不再忘记自己有什么,什么时候买,什么时候要换。

STEP 2 AI 分析最佳组合

AI 分析不同产品搭配的协同效果,帮你找到最适合的 Routine。

STEP 3 智能发现“刚需缺口”

结合你的肤质、气候和现有产品,告诉你“最缺的那一款”,让下次购买更有依据。

⚙️ 产品说明书

1. 重要旅程

2. 功能矩阵

模块 核心功能 价值所在
豆包2.0大模型 AI智能分析 基于预设信息智能分析组合效果,推荐新品
注册登录 Supabase云端数据仓库 建立可持续利用的用户数据库,支持跨设备使用
组合分数记录 收藏最爱产品组合 记录高分routine,重复最优护肤 / 美妆流程
OCR成分识别 智能识别产品成分 根据上传的成分表图片,智能识别产品类型、成分并录入产品库,无需繁琐的手动填写

3. 关键决策

为什么强调“数据可复用”?
这不仅是一个前端产品,而是可以支持用户跨设备使用的工具。就算你更换了不同的电脑设备,都可以通过登录来获取你已录入的数据,无需担心数据丢失。
为何能够“收藏”产品组合?
我希望这是一个可持续使用的产品,我们总能找到一个自己最钟爱的Routine并持续地使用,直至这成为我们的生活习惯,用重复利用代替盲目购买
为什么仍旧提供“新品推荐”功能?
也许大家仍有尝新的欲望,又不想做出太多的错误选择。Scolab在遍历你的护肤、化妆产品库后,不会盲目推荐,而是会根据你的选品风格和当前缺失的产品,给出精准的补位建议,让你的下次购买成为更优决策。

4. 技术栈(尽量让复杂系统保持轻盈)

层级 选择 为什么
前端 React + Vite + TypeScript 保持高效的同时,承载复杂的 AI 交互与状态管理
AI doubao-seed-2-0-lite 用于成分识别、护肤流程分析与产品搭配推荐
数据 Supabase 用最低的后端成本,保存用户产品柜与历史分析结果
架构 Serverless API Routes 把 OCR、成分分析、推荐系统拆成独立 AI 工作流
图片处理 本地裁剪 + AI OCR 减少无效识别与 Token 消耗,让上传体验更稳定
部署 Vercel 低成本部署与持续迭代,后续计划接入独立域名
AI 协作 AI Studio, Antigravity, Codex 让个人开发也能完成完整 AI 产品的设计与迭代

5. 项目结构

SCoLab
├── index.html                    # Vite 应用入口
├── package.json                  # 项目依赖与 AI / React 环境配置
├── vite.config.ts                # 前端构建与开发服务器配置
├── tsconfig.json                 # TypeScript 类型系统配置
├── metadata.json                 # 应用元信息与 AI Studio 配置

├── api/                          # 服务端 AI 工作流
│   ├── health.ts                 # 健康检查接口
│   ├── ai/
│   │   ├── parse-ingredients.ts  # AI OCR:识别包装成分表
│   │   ├── analyze-ingredients.ts# AI 成分解析:分析功效与风险
│   │   ├── analyze-routine.ts    # 搭配逻辑:分析护肤流程协同性
│   │   ├── analyze-shelf.ts      # 产品库综合分析:识别闲置与已购产品特性
│   │   └── recommendations.ts    # 推荐系统:生成更合理的产品组合
│   └── _lib/
│       ├── doubao.ts             # 豆包 AI 调用封装
│       └── http.ts               # API 请求与响应工具

├── supabase/
│   └── schema.sql                # 用户、产品库、分析记录数据库结构

└── src/
    ├── main.tsx                  # React 应用挂载入口
    ├── App.tsx                   # 用户输入、页面状态与核心业务流
    ├── index.css                 # 全局样式系统
    ├── types.ts                  # 产品 / 成分 / AI 分析结果结构化类型
    ├── vite-env.d.ts             # Vite 环境变量类型声明

    ├── components/
    │   └── AuthModal.tsx         # 用户登录与身份验证弹窗

    ├── services/
    │   └── aiService.ts      # 前端 AI 请求封装与调用管理

    └── lib/
        ├── supabase.ts           # 用户数据、产品库、历史记录操作
        └── cropImage.ts          # 图片裁剪与上传前预处理

6. 开发过程中遇到的卡点

卡点一:性能优化
由于应用功能逐渐丰富(包含 AI 分析、成分识别、日常 Routine 管理、产品库分析等),App.tsx 一度增长到了 2500 行以上。在处理复杂表单(如“新增产品”Modal)以及图像处理(如“图片裁剪”)时,状态频繁更新导致页面出现重复渲染、交互卡顿等问题。

解决方案:
• 使用 useMemouseCallback包裹高频计算与函数引用,减少不必要的组件重复渲染。
• 将密码校验、邮箱校验、图片裁剪等复杂逻辑拆分到独立工具函数与组件中,避免主业务流持续膨胀。
• 增加错误处理层,将底层鉴权报错转化为用户能够理解的中文提示,例如把 auth/admin-restricted-operation转换为更明确的引导信息。
卡点二:API Key 安全
在配置key的时,我恰巧到一则关于 AI 创业公司 API Key 泄露的新闻。一家墨西哥 AI 初创公司的 Gemini API Key 因误上传至 GitHub,被恶意爬虫扫描并盗用,在短短 48 小时内产生了高额调用费用。 所以我马上重新检查了自己的项目结构,并且查阅了相关风险。
我发现在早期快速开发阶段,前端代码中存在直接调用模型接口的逻辑:
• 若 API Key 暴露在浏览器请求、Network 面板或构建后的 JS 文件中,就存在被恶意盗刷的风险。
• AI 产品属于高频调用场景,若接口没有鉴权与调用限制,可能会导致异常 Token 消耗与额外成本。
• 当前端直接承担 AI 调用逻辑时,后续模型切换、接口升级与错误监控都会更加困难。

解决方案:
考虑到真实产品环境中的安全性、可维护性与长期稳定性,我将主要 AI 工作流迁移至 Serverless API Routes 中。通过服务端统一管理模型请求,前端只负责用户交互与数据展示,从结构上降低 API Key 暴露风险。
同时:
• 使用 .env 管理敏感环境变量,避免 Key 进入公开仓库。
• 通过 .gitignore 阻止本地配置文件被上传至 GitHub。
• 将 OCR、搭配分析、推荐系统拆分为独立接口,减少单接口过载带来的风险。
• 引入 Supabase 用户体系,为后续鉴权与调用限制预留扩展空间。
卡点三:AI 模型稳定性
项目初期使用的是 Gemini 系列模型。虽然能力很强,但在实际长期测试过程中,存在以下问题:
• OCR 与长文本分析场景下,Token 消耗较高,对个人开发项目来说存在持续成本压力。
• 某些时段接口响应不稳定,偶尔会出现长时间 loading、返回中断等情况,对“搭配分析”这类高频交互功能影响较大。
• 海外接口在网络环境下存在一定门槛,会影响普通用户的可访问性与后续产品扩展。

解决方案:
考虑到真实产品环境中的稳定性、响应速度、经济成本与长期可维护性 ,我将主要工作流逐步迁移到了doubao-seed-2-0-lite
在实际体验中,Doubao 在中文语境、护肤成分分析、结构化推荐等任务上已经能够满足当前阶段需求,并且推理速度更稳定、调用成本更低,更适合作为个人 AI 产品的长期基础设施。

⏱️ 实现时间

这个点子是实习工作日下班之后的个人时间想到的,刚好自己在护肤,发现有些产品只能晚上避光用,有些产品得避开某些成分用,对用户的专业性要求实在太高了。

周六直接开干,花了个周末就完成了MVP,后续花了约1周的下班后时间小修小改就完成了。之后有持续debug,维护数据库,后面会继续完善迭代更多的功能。

💡 给正在探索 AI 前沿的你

不要畏难!不要畏难!不要畏难!

我们相信,在AI的帮助下,保持对古法的敬畏之心,能够让我们获得更大的价值!

```