Fit Receipt：懂得何时调用JEV的隐私优先虚拟试衣Agent

在Product Hunt的Vercel Day活动中，一款名为Fit Receipt的产品以73票排在第19位。它试图解决两个看似不相关的问题：如何让虚拟试衣更可信，以及如何在AI Agent产品中划清"聊天"与"事实"的边界。作为一个参考实现（reference implementation），它给出的答案值得开发者关注。

一个带"判决收据"的虚拟试衣工具

Fit Receipt的核心功能是在浏览器里虚拟试穿内衣，但它真正的卖点不在试穿本身，而在每一次选择都会附带一张"AI判决收据"（AI judgment receipt）。换句话说，产品不只告诉你某件商品是否合适，还会把判断依据记录下来，形成可追溯的凭证。

这种设计思路把"推荐"从黑箱变成了可审计的过程。对于内衣这类高度依赖尺码与个人偏好的品类，一个能解释"为什么推荐"的系统显然比单纯输出结果更有说服力。产品的定位横跨Productivity、Fashion与Developer Tools三个分类，也说明它并非纯粹的电商工具，而是带有明显的技术演示属性。

JEV：只在需要时被调用的判断模型

产品名中的JEV（TypeSafe）是整套系统的技术核心。按照官方描述，JEV是一个判断模型（judgment model），专门用来对权衡取舍打分，并给出经过校准的置信度（calibrated confidence）。它的响应速度约为300毫秒，输出的不是长篇大论，而是简洁的评分结果——"scores trade-offs, not essays"。

更关键的是它的调用逻辑。产品标语强调这是一个"知道何时该调用JEV"的Agent，意味着JEV并非每次都被触发。当判断结果置信度过低时，系统会保持"未决"状态（stay unresolved），而不是强行给出一个不可靠的答案。所有判断都会被记录，且整个流程在没有JEV的情况下依然能运行。

这套机制反映出一种务实的Agent设计哲学：模型只在有价值、有把握的场景介入，低置信度时宁可承认不确定，也不制造幻觉。对于依赖大模型输出的产品，这种"知道何时不作为"的能力往往比"什么都敢答"更重要。

「校准置信度」（calibrated confidence）是概率预测领域的一个核心概念，指模型输出的置信度数值与真实准确率之间的一致性。一个校准良好的模型，如果它说「我有80%的把握」，那么在大量此类预测中，它的实际准确率也应当接近80%。相比之下，未经校准的模型往往过度自信——即使内部不确定，也倾向于输出接近100%的置信度，这在医疗诊断、金融决策、商品推荐等场景中会造成严重误导。JEV的设计强调校准置信度，意味着它在输出评分的同时，会如实反映自身的不确定程度，从而让上层系统能够做出理性决策：置信度高时采纳判断，置信度低时保持悬而未决，而非掩盖不确定性强行给出答案。

Agent负责对话，代码负责守护事实

Fit Receipt提出了一条清晰的职责分工原则：Agent处理聊天，代码保护事实与定价（the agent handles chat; code protects facts and pricing）。

这是当前AI产品工程中一个愈发被重视的问题。大语言模型擅长自然交互，却不适合承担价格、库存、事实这类不容出错的信息输出。一旦把定价交给会"编故事"的模型，后果可能是灾难性的。Fit Receipt的做法是把这些关键事实用确定性的代码逻辑锁死，Agent只负责它擅长的对话层，从架构层面规避了幻觉风险。

这种"对话归对话、事实归代码"的分层，为其他构建垂直Agent的团队提供了一个可参考的范式。

这种分层设计在AI工程领域被称为「确定性护栏」（deterministic guardrails）模式。大语言模型的核心缺陷之一是「幻觉」（hallucination）——即以流畅的语言输出看似合理但实际错误的信息。对于价格、库存数量、法律条款、医学剂量等结构化事实，错误输出的代价远高于对话场景。因此，工程实践上的主流做法是：将此类数据存储在数据库或配置文件中，通过确定性代码逻辑读取和校验，模型只获得这些数据的只读视图，无法对其内容进行「创造性发挥」。Fit Receipt将这一原则明确纳入产品叙事，等于为开发者提供了一个清晰的架构决策框架：凡是「不允许出错」的信息，就不该由模型来「生成」，而应由代码来「查询」。

隐私设计：照片不离开浏览器

虚拟试衣绕不开一个敏感问题——用户照片。Fit Receipt在隐私上给出了相当克制的方案：

• 照片留在浏览器本地，服务器不存储任何照片（no server photo storage）；
• JEV模型只能看到结构化的字段（typed fields），永远看不到照片；
• API做了限流（rate-limited）。

对于内衣试穿这种极度私密的场景，把图像处理限制在客户端、让判断模型只接触脱敏后的结构化数据，是一种符合隐私最小化原则的工程选择。它既保留了AI判断能力，又切断了照片外泄的路径。

「隐私最小化」（data minimization）是GDPR等数据保护法规的核心原则之一，要求系统仅收集和处理完成目标所必需的最少量个人数据。在本案例中，这一原则通过技术架构而非法律声明来实现：图像在客户端完成处理，服务器接收到的只是从图像中提取的结构化特征字段（如体型参数、尺码估算值），而非照片本身。这种「本地处理、只传元数据」的模式与苹果的「差分隐私」（differential privacy）思路一脉相承，即便服务器遭到攻击或数据泄露，也无法还原用户的原始图像。对于内衣这一涉及身体图像的高度敏感品类，这种架构选择不仅是隐私工程的最佳实践，也是降低合规风险的务实策略。

一次面向开发者的参考实现

值得强调的是，Fit Receipt反复自我定位为"reference implementation"，并且是开源的、部署在Vercel上。它出现在Vercel Day活动中，收获11条评论、73票支持，更像是一次面向开发者社区的技术示范，而非成熟的消费级产品。

它想传递的信息其实很明确：如何在真实产品里负责任地使用判断模型——按需调用、校准置信度、承认不确定、隔离敏感数据、用代码守住事实底线。这些设计理念的价值，可能远超"虚拟试内衣"这个具体应用本身。

对于正在构建AI Agent的团队来说，Fit Receipt提供的不是一个可以直接抄的产品，而是一套关于"AI该在何时介入、又该如何被约束"的思考样本。