保養 App 如何變聰明？用 Claude 串接玩美移動肌膚分析 API 打造 AI 保養顧問

多數膚質檢測工具都有同樣的痛點：很會產生數據，卻不擅長把數據變成真的有用的東西。

毛孔 58 分、細紋 65 分，完全不會讓使用者知道「下一步該做什麼」。這些分數為什麼重要、背後原因是什麼、實際可行的改善計畫長什麼樣子，都沒說清楚。數據是有的，但沒有解讀。

這套技術組合，就是用來補上這個缺口。玩美移動肌膚分析 API 負責難的那一半：只要一張臉部照片，就能針對 15 種膚況給出經皮膚科醫師驗證的精準量化分數，包含細紋（再細分額頭、魚尾紋、法令紋等）、毛孔（依區域）、含水度、緊緻度、痘痘、出油、泛紅、光澤、黑眼圈、眼袋、上眼皮下垂、色斑、淚溝以及膚質。還會回傳推估膚齡與整體膚況健康分數。

輸出是乾淨的 JSON，0–100 的數值分數、可做視覺疊圖的遮罩圖片 URL，以及可依需求選擇原始分數或調整後的 UI 分數。

Claude 則是非常適合做「醫療相鄰」解讀任務的大型語言模型。只要給它結構化的膚況分數 payload，加上一個清楚的系統提示，它就能用白話解釋每個分數代表什麼、幫忙抓出最需要優先處理的幾個重點膚況、給出有根據的下一步建議，還能依情境調整說話口吻，不論是醫美諮詢摘要、一般消費者看的保養建議，或是品牌的客製化產品指南都可以。

單用其中一個工具，都不算完整體驗。API 給的是精準，但缺乏溝通；Claude 給的是溝通，但缺乏量化精度。結合起來，兩邊一次補齊。

整合怎麼運作

基本流程非常直覺：

1. 使用者從前端送出照片，可以是手機相機、檔案上傳或是網頁攝影機
2. 後端呼叫 肌膚分析 API，將影像依規格調整大小（長邊 ≤ 4096px、短邊 ≥ 1080px 以達 HD）、透過 File API 上傳、建立任務並輪詢直到結果產出
3. 把分數 JSON 丟給 Claude，同時附上定義角色、語氣與輸出格式的系統提示
4. Claude 的回應在 UI 呈現，個人化、好讀又可付諸行動

API 呼叫本身需要幾秒鐘，Claude 再多花一兩秒。多數 UI 場景可以採用 token-by-token 串流回應，讓整體體感速度變快，即便內容還沒完全生成完畢。

以下是最小可行的系統提示範例：

You are a skincare advisor interpreting AI skin analysis results.
Scores range from 0–100, where higher = healthier.
Given the scan results below, explain what they mean in plain language.
Identify the 2–3 concerns most worth addressing.
Suggest specific, evidence-based next steps for each.
Be warm, specific, and avoid jargon.
Do not mention the numerical scores directly — translate them into language.

而你可能會傳入的資料，可以長得像這樣精簡版：

{"hd_moisture":{"ui_score":70},"hd_wrinkle":{"whole":{"ui_score":65},"forehead":{"ui_score":55}},"hd_pore":{"nose":{"ui_score":58},"cheek":{"ui_score":72}},"hd_acne":{"whole":{"ui_score":82}},"hd_radiance":{"ui_score":79},"skin_age":37,"all":{"score":74.2}}

Claude 會拿到這個 payload，然後回傳像這樣的內容：

Your skin is generally in good shape — hydration and radiance are both holding up well. The main area to focus on is your nose pores, which are showing more congestion than the rest of your face. This is usually driven by excess sebum in the T-zone and tends to respond well to a salicylic acid cleanser used a few times a week. Your forehead wrinkles are the second thing worth addressing — not dramatic, but earlier intervention with a retinol (start low, go slow) pays off more than later. Everything else is tracking well.

這就是「數據儀表板」跟「專業諮詢」之間的差異。

MCP：更快完成整合的路徑

在此之前，要讓 Claude 連到外部 API，勢必得自己寫整合程式碼，處理驗證、組 request、解讀 response、管理錯誤等等。當然可行，但摩擦很多，尤其在還在做原型的階段。

Perfect Corp 現在已支援 Model Context Protocol（MCP），讓整個設定有了明顯不同。

MCP 是一套開放標準，讓像 Claude 這類 AI 模型，以及像 Cursor 這類開發工具，可以直接理解並呼叫外部 API，而不需要客製 wrapper code。可以把它想成標準化的連接器：不用再為每個工具各自寫一套整合邏輯，只要把 API 以 MCP server 形式暴露一次，任何支援 MCP 的 client 都能直接使用。

以肌膚分析 API 來說，代表：

• Claude Desktop 與 Claude Code 可以在對話或 agentic workflow 中，直接呼叫膚質分析工具
• Cursor 在開發時就能引用並執行 API，不用離開編輯器
• 任何其他支援 MCP 的 client，像 Windsurf、Cline 等，都能享有同樣存取能力

實際上，這會把從「想測試這個整合」到「畫面上看到結果」的時間，從數小時壓縮到幾分鐘。少寫一堆管線程式碼，把時間留給真正的產品體驗。

這個技術組合可以打造什麼產品？

這樣的組合，能打開很多產品方向，端看要服務的對象是誰：

個人化保養諮詢工具：最直接的應用。使用者掃描一次，Claude 說明檢測結果並推薦保養步驟。可以做成獨立網頁工具、嵌入式小工具或 App 畫面。再把 Claude 與自家產品目錄串起來，就能一邊給建議、一邊帶出相關 SKU。

醫美與診所的預先諮詢流程：客人預約前先完成一次掃描。Claude 產出結構化的膚況摘要——關注重點、嚴重程度，以及如果有累積歷史資料，還能帶入變化趨勢。美容師或皮膚科醫師進場前就已掌握大致輪廓，進門少花時間在問診填表，多把時間放在實際療程。

電商個人化推薦引擎：購物前先掃臉。膚況分數會餵進推薦引擎——可以直接讓 Claude 做推薦，也可以用 Claude 輔助設計一套「膚況 → 產品」的對應邏輯。降低退貨率、提升結帳信心，同時取得比問卷自填更可靠的第一方膚況資料。

進度追蹤功能：把多次掃描結果存起來。Claude 可以比對不同時間點的差異：哪裡進步、哪裡維持、哪裡似乎開始走下坡。這種類型的長期敘事，用程式硬湊很難，但對 Claude 來說自然好寫。

開發者與企業 Sandbox 環境：團隊在正式導入前評估 API 時，可以先用 Claude 驅動的 sandbox，用自然語言跟真實檢測結果互動，不用先砸時間做 UI。非常適合 demo、內部工具，以及加速採購決策。

關於分數資料的一點小提醒

在設計提示詞前，有個細節很值得先了解：API 針對每一個膚況，會回傳兩種分數——raw_score 與 ui_score。

raw_score 是模型的直接輸出；ui_score 則是調整過、整體感受較偏正向的版本——文件裡提到，消費者普遍對略偏正面的評價接受度更高，而 UI 分數就是依此做了校正。

如果是面向一般消費者，通常建議使用 ui_score。但在重視精準度高於情緒 framing 的情境（例如臨床或研究）中，raw_score 則提供了未經調整的原始輸出。

若打算用 Claude 來解讀結果，消費者場景多半會選擇傳入 ui_score，並在提示中要求 Claude 著重在分數間的相對差異與整體 pattern，而不是絕對數字本身。

Getting started

最快打造可運作原型的路線：

1. 取得 API key：前往 yce.perfectcorp.com/ai-api，提供免費試用，可存取 HD 膚質分析端點
2. 先跑文件裡的 curl 範例：確認驗證設定正確，並熟悉回應結構，再開始寫正式的應用程式碼
3. 透過 MCP 連線（如果在 Claude 或 Cursor 中開發）：能移除大部分整合負擔，直接開始玩 prompt 與流程設計
4. 持續調整系統提示：Claude 輸出品質幾乎完全由角色定義、目標受眾與輸出格式的清晰度決定。一開始先簡單，隨著理解使用者需求再慢慢加細節

膚質分析市場成長速度很快，預估到 2034 年，全球膚質分析市場規模將達約 71.1 億美元，而現在開放給開發者的工具已經成熟到，過去必須有電腦視覺團隊、花好幾個月訓練模型才能做到的事，現在一個下午就能串完。

從一般的線上膚質測驗，到真的有幫助的專業膚況諮詢，中間的距離，從未像現在這樣好跨越。