KAIAN R&D Team｜发布: 2026年5月22日
"你的肌肤偏干燥。所以，请试试这款含保湿成分的产品。"——这是许多AI肌肤诊断应用的典型流程。看似合理，实则隐藏着根本性的局限。
旧范式：匹配型推荐的局限
"推荐适合肌肤的东西"这种方法，本质上只能提案维持现状。干性肌肤推荐保湿；油性肌肤推荐控油。这只是返回"适合现在的你的东西"，完全缺少"3个月后你想成为什么样"这一视角。
KAIAN的差距驱动型诊断
我们采用的，是完全不同的设计思想。由三步构成：①现状评分（图像分析量化5轴）、②理想评分（设定3〜6个月后的目标）、③差距可视化（将差异显示为"改善向量"，并提案可弥合差距的成分）。
用具体例子理解
例如，现状的干燥评分为7/10，理想为9/10。匹配型只会简单推荐"保湿成分"。差距型则不同——它思考需要什么来弥合这2分的差距。如果表层保湿剂无法触及问题，需要重建屏障功能的话，就是神经酰胺NP/NS/AP；如果代谢周期停滞的话，就是烟酰胺。
为什么是Top5成分
肌肤问题是复合性的，单一成分能解决所有问题的情况很罕见。KAIAN为了设计多成分协同效应，提示优先度前5位的成分。不多不少，作为实际配方设计可使用的单位被优化。
从"适合你的东西"到"改变你的东西"
这一思维转换，重新定义了护肤本身的目的。不是维持现状，而是达到目标；不是被动的护理，而是主动的改善。下一篇文章将介绍持续支撑这一变化的"纵向评分"机制。