一、 项目全局看板

1. 产品愿景

针对美甲行业“试错成本高、效果不可预见”的痛点，开发一款基于生成式 AI 的虚拟试戴工具。用户通过 Web、H5 或 App 等多端前端上传手部照片和美甲款式图，系统利用 AI 技术将款式“穿”在用户手上，实现“所见即所得”，打造一款商业级的 AI 美甲虚拟试戴 SaaS 平台，连接 C 端用户“试色”需求与 B 端美甲店“引流”需求。

2. 总体需求迭代矩阵

阶段	核心目标	关键用户故事/功能清单	商业/技术价值
一期	核心能力验证 (POC)	1. 管理员后台可上传美甲款式图并打标签； 2. 系统能接收手部图片并记录任务； 3. AI 服务能生成逼真的试戴效果图； 4. 内部后台可查看生成结果与耗时。	验证技术可行性 (TR)，规避核心算法风险，搭建后端基座。
二期	核心能力优化	1. 优化手部遮罩 (Mask) 分割精度，解决边缘溢出问题； 2. 调优光影融合算法，提升指甲材质真实感； 3. 提升生成速度，引入并发队列机制； 4. 建立 AI 效果自动化评测指标。	重点攻坚：将“能用”提升至“商用”级别，确保生成效果逼真，消除“贴纸感”。
三期	多端前端发布 (MVP)	1. C端前端 (Web/H5) 上线，支持拍照与选图； 2. 提供“拍照辅助线”引导与多端适配； 3. 用户可对比原图与效果图并保存； 4. 前端展示排队进度动画。	跑通 C 端用户体验，获取首批种子用户反馈，验证跨端架构。
四期	商业化 V1.0	1. 接入会员订阅与单次付费体系； 2. 接入通用支付渠道 (微信/支付宝/Stripe)； 3. 每日免费次数限制逻辑； 4. 高并发队列优化 (Redis Stream)。	实现营收闭环，保证系统在高负载下的稳定性。
五期	B端赋能 (SaaS)	1. 美甲店商户入驻与专属色板上传； 2. C端用户一键导航至门店； 3. 生成“指尖流光”短视频 (SVD技术)。	拓展 B 端收入，通过视频传播实现社交裂变。

3. 当前进度

• 所处阶段：一期: 核心能力验证 (POC) - Day 2

• 本期冲刺路线图：

  • ✅ Day 1: 基础设施搭建与双核架构落地 [Java基座/环境初始化]

  • 👉 Day 2: 业务建模与低代码开发 [表结构设计/代码生成/Docker化]

  • ⬜ Day 3: 算力服务基建 [Python FastAPI搭建/基础接口/Token鉴权]

  • ⬜ Day 4: AI 工作流攻坚 (上) [ComfyUI部署/手部Mask分割/基础生图]

  • ⬜ Day 5: AI 工作流攻坚 (下) [ControlNet手部结构控制/IP-Adapter风格迁移]

  • ⬜ Day 6: 异构系统联调 [Java异步调用Python/OSS图片流转/状态机]

  • ⬜ Day 7: 闭环验证与演示 [全流程跑通/内部验收/性能基准测试]

• 今日焦点：业务建模与低代码开发

  • 为了支撑“款式管理”和“任务记录”的需求，今日重点是将业务逻辑转化为数据库模型，并利用代码生成器快速产出前后端 CRUD 代码；同时完成 Docker 镜像构建，并将服务自动发布到云服务器，实现开机自启。

---

二、 开发日记正文

CI/CD 状态：本地构建通过 / 镜像推送到云仓库 / 云服务器部署成功

1. 今日任务清单

核心策略：利用 Ruoyi-Vue-Pro 内置的代码生成器提效开发；引入“镜像仓库”作为中转站，结合 Docker Compose 实现云端服务器的一键发布与自动灾备启动。

ID	任务项	关联需求/业务价值	状态
T-01	业务数据库设计 (ER建模) 设计 nail_style (款式表) 和 nail_task (任务表)，包含必要的审计字段。	一期-数据持久化 确立核心业务的数据结构，为“款式上传”和“任务流转”提供存储支撑。	✅ 完成
T-02	低代码生成与落地 配置生成器参数，一键生成 Controller/Service/Mapper 及 Vue 界面代码，并集成到 yudao-module-nail 模块。	一期-管理后台 快速产出“款式管理”的可视化界面，验证了管理员上传图片的流程，提效 90%。	✅ 完成
T-03	菜单与权限配置 在系统后台配置新生成的菜单路由，并分配给管理员角色。	一期-权限控制 确保生成的业务功能能被前端正确加载和访问，打通 RBAC 链路。	✅ 完成
T-04	后端 Docker 化 编写 Dockerfile，配置 JDK 基础镜像与 JVM 参数，完成本地镜像构建测试。	CI/CD 前置 实现“一次构建，到处运行”，解决环境一致性问题。	✅ 完成
T-05	云端自动发布与自启配置 搭建私有镜像仓库（阿里云ACR），编写发布脚本，实现云服务器一键拉取镜像并配置 Docker 开机自启。	CI/CD 交付 确立线上交付标准，确保服务宕机或服务器重启后能自动恢复，保障业务高可用。	✅ 完成

2. 核心原理

今日工作着重于数据层的设计与云端自动化交付体系的构建，以下是详细的技术实现原理。

(1) 业务核心数据模型设计

为满足一期需求，我们设计了两个核心表。所有表均继承了芋道框架的标准审计字段（创建/更新人、时间、逻辑删除、租户ID）。

表 1：美甲款式表 (nail_style)
用于存储系统的核心资产——美甲款式库。

字段名	类型	必填	含义/说明
id	bigint	Y	主键 ID，自增或雪花算法
name	varchar(64)	Y	款式名称 (如：冰透猫眼)
cover_url	varchar(512)	Y	款式参考图 URL (OSS地址)，AI 将提取此图的纹理
tags	varchar(255)	N	标签 (JSON数组)，用于分类筛选 (如：显白, 纯欲)
status	tinyint	Y	状态 (0:开启, 1:禁用)，控制C端是否可见
deleted	bit	Y	逻辑删除 (0:未删, 1:已删)，防止数据物理丢失
creator	varchar(64)	N	创建者，记录上传款式的运营人员
create_time	datetime	N	创建时间

表 2：试戴任务表 (nail_task)
用于记录每一次用户的生成请求，作为异步任务流转的核心凭证。

字段名	类型	必填	含义/说明
id	bigint	Y	任务 ID (TaskID)，前端轮询凭证
user_id	bigint	Y	用户 ID，关联 C 端用户表
hand_image_url	varchar(512)	Y	用户原图 (手部照片)
style_id	bigint	Y	关联款式 ID，指向 nail_style 表
result_image_url	varchar(512)	N	生成结果图，AI 跑完后回填此字段
status	tinyint	Y	任务状态 (0:排队中, 10:生成中, 20:成功, 30:失败)
trace_id	varchar(64)	N	链路追踪 ID，用于在日志中串联 Java 与 Python 的调用链
cost_ms	int	N	耗时 (毫秒)，用于统计 AI 服务性能

(2) Docker 镜像分层构建原理 (Layered Jar Architecture)

• 场景描述：传统的 Java 镜像构建直接将 app.jar (100MB+) 复制进镜像。每次修改哪怕一行代码，整个 Jar 包都会变化，导致 Docker 无法利用缓存，每次上传/拉取镜像都要消耗大量带宽和时间。

• 构建策略：我们在 Dockerfile 中利用多阶段构建，依照依赖变更的频率从低到高进行分层复制。

分层结构图与构建流程：

(3) 云端自动发布与自启架构 (Cloud Auto-Deploy)

• 场景描述：本地开发环境与云服务器物理隔离。我们拒绝使用 FTP 上传 Jar 包这种原始方式，而是采用标准的 Registry (镜像仓库) 模式进行交付。

• 技术原理 (Registry Implementation Detail)：

  1. 仓库选型：使用阿里云 ACR (容器镜像服务) 个人版，创建私有命名空间 chroma-tip。

  2. 鉴权机制 (Auth)：

     • 本地开发机执行 docker login，输入阿里云凭证。

     • 云服务器同样执行 docker login，确保有拉取权限。

  3. 标准化打标 (Tagging)：

     • 格式：registry.cn-xxx.aliyuncs.com/namespace/repo:tag

     • 我们采用 latest 作为最新开发版，后续上线使用 v1.0.0 语义化版本控制。

  4. 发布闭环 (The Cycle)：

     • Push: 本地 docker build -> docker tag -> docker push。

     • Pull: 云端 deploy.sh 脚本执行 docker pull -> docker-compose up -d。

自动发布流程图：

3. 今日成果

1. 业务表结构：

   • nail_style 与 nail_task 表已成功导入 MySQL 数据库，且包含完整的注释与索引。

2. 管理后台功能上线：
   成功在本地后台看到“美甲管理”顶级菜单，无需手写 Vue 代码即实现了增删改查功能。
   

3. 云端服务在线：

   • 镜像推送：本地镜像已成功推送到阿里云 ACR 私有仓库。

   • 云端运行：通过公网 IP 访问云服务器 Swagger 接口成功。

   • 自启验证：重启云服务器后，Docker 容器自动启动，服务在 20秒内 恢复可用。

4. 代码仓库：

   • Git Repo: https://gitee.com/qqqq219/chroma-tip

   • 分支: feature/day2 已提交。

---

三、 明日预告

关联需求：一期 - “AI 服务能生成逼真的试戴效果图”。

技术焦点：Python 算力服务搭建。

关联任务：

• T-03: 算力服务基建 (对应冲刺路线图 Day 3)。

关键动作：

1. Python 环境初始化：搭建 FastAPI 项目骨架，配置虚拟环境。

2. 基础接口开发：编写 POST /generate 接口（Mock 模式），并实现 Java 调用 Python 的 HTTP Client。

3. 鉴权机制：实现简单的 Token 校验，防止 Python 算力接口被未授权调用。