【独立开发日记 005】为了学 RAG，我周末手搓了一个“懂人话”的游戏推荐系统
从一个简单的想法到可用的产品，分享 Game Odyssey 的诞生过程。
Hello，我是小兔大白糖。
这周不聊沉重的架构，聊点轻松的——打游戏。
作为一个有娃的中年人，周末好不容易把神兽哄睡了，有了点属于自己的时间，想找个游戏放松一下。打开 Steam 翻了半天，又去论坛爬楼，最后还是没选出来玩什么。
我的需求其实很明确，但也很模糊：“我想找一款类似《对马岛之魂》的开放世界游戏，画面要好，但不要太肝，适合周末玩玩。”
这种需求，传统的“标签筛选”根本搞不定。搜“开放世界”会出来一堆你不想要的，搜“动作”又太泛。市面上的推荐大多是“热门榜单”，并不懂我当下的心境。
正好最近我在研究 RAG（检索增强生成） 技术，职业病犯了：这不就是典型的 RAG 场景吗？
用户说人话 -> 系统理解语义 -> 向量库检索 -> LLM 生成推荐理由。
于是，我花了一个周末，当做练手项目，写了这个 Game Odyssey。
初衷：做给自己玩的玩具
起初没想做成 SaaS，纯粹是想验证一下：在不花钱买 OpenAI API 的前提下，纯本地化的 RAG 到底能不能打？
我想解决两个痛点：
- 搜索太笨： 我想用自然语言搜游戏，而不是点标签。
- 技术验证： 都在吹本地大模型，我想亲手试试 Apple Silicon (M系列芯片) 跑 RAG 的真实体验。
我的“穷游”技术栈
既然是练手，原则就是零成本、全掌控。
- 大脑 (LLM)： Ollama + Qwen2.5:3b。
- 体验： Qwen 的中文能力很惊喜。3B 模型在我的 Macbook Rro 上跑起来大概 2-3 秒响应，完全可接受。
- 理解 (Embedding)： MLX + Qwen3-Embedding-4B。
- 理由： 专门为苹果芯片优化的 MLX 框架，跑 Embedding 飞快。它能把“放松”、“不肝”这种模糊概念变成向量。
- 记忆 (Database)： PostgreSQL + pgvector。
- 理由： 几千条游戏数据，Postgres 装个插件就够了，没必要上专业的向量数据库。
技术栈：
- 前端：React + TypeScript + Tailwind（快速出界面）
- 后端：Python + FastAPI（异步 API 很顺手）
- 数据库：PostgreSQL + pgvector（向量检索一把梭）
- LLM：Ollama（本地运行，不用 API Key）
踩坑：AI 的“直男思维”
虽然是练手，但也遇到了一些挺有意思的坑。
1. “我也推荐我自己” 最开始，我问“推荐类似《对马岛之魂》的游戏”，系统返回的第一个推荐就是《对马岛之魂》。 从向量检索的角度看，这没毛病，它确实和自己最相似。但从用户体验看，这是废话。 解决： 我得在 Prompt 里严厉地告诉 LLM：“如果用户提到了某款游戏，千万别再推荐它”，同时在后端代码里做了 ID 过滤。
2. 幻觉与格式 我想让 LLM 返回 JSON 格式以便前端渲染卡片。但本地小模型（3B）有时候很倔，聊嗨了就开始写小作文，或者自创 JSON 格式。 解决： 既然管不住 AI，就管好自己。我写了一套“脏解析”逻辑，正则、关键字匹配轮番上，终于兜住了底。
最终效果
现在，我可以舒服地问它：“推荐几款适合带孩子一起玩的 Switch 游戏，要简单的。” 它能理解“带孩子”意味着双人、画风可爱、难度低，然后推荐《马里奥赛车》或者《星之卡比》，而不是给我推荐《黑魂》。
写在最后
这个项目目前还是个 Demo，但我把它开源了（稍后整理好放出）。
通过这个项目，我把 RAG 的完整流程（数据清洗、向量化、检索、Prompt 工程）彻底跑通了一遍。纸上得来终觉浅，绝知此事要躬行。
如果你也是技术人，想学 RAG 但不知道从哪下手，不妨也试着从自己身边的小痛点开始，造个轮子玩玩。