Netflix Buddy AI：基于本地大模型的Netflix风格电影推荐系统

一个Netflix风格的AI电影推荐系统，使用FastAPI、Ollama本地大模型、FAISS向量搜索和混合搜索技术，实现完全本地化的智能电影推荐。

在流媒体时代，个性化推荐系统已成为用户体验的核心。GitHub上的开源项目 netflix-buddy-ai 提供了一个完整的Netflix风格电影推荐解决方案，其独特之处在于采用全本地化架构——从向量搜索引擎到大语言模型推理，全部运行在用户本地环境中，无需依赖外部API。

该项目由开发者Divyansh Bramhe构建，技术栈包括FastAPI后端框架、Ollama本地大模型服务、FAISS向量相似度搜索库，以及混合搜索和元数据过滤技术。这种架构选择既保护了用户隐私，又消除了对外部服务的依赖，为推荐系统的私有化部署提供了可行方案。

与大多数现代推荐系统依赖云端API不同，netflix-buddy-ai坚持全本地化设计：

用户查询 → FastAPI后端 → FAISS向量搜索 → Ollama本地LLM → 推荐结果

这种架构的核心优势在于：

• 隐私保护：用户观影偏好和查询数据不会上传到外部服务器
• 成本可控：无需支付API调用费用，适合大规模部署
• 低延迟：本地推理消除了网络延迟，响应更迅速
• 离线可用：无需互联网连接即可提供推荐服务

项目采用FastAPI作为Web框架，这是一个现代、高性能的Python Web框架，基于Starlette和Pydantic构建。FastAPI的异步特性使其能够高效处理并发请求，而自动生成的OpenAPI文档则简化了API的测试和集成。

FAISS（Facebook AI Similarity Search）是Meta开源的高性能向量相似度搜索库，专门用于大规模向量数据的快速检索。在netflix-buddy-ai中，FAISS负责：

• 将电影元数据（标题、简介、类型等）编码为向量
• 支持高效的近似最近邻（ANN）搜索
• 处理混合搜索查询，结合语义相似度和元数据过滤

Ollama是一个轻量级的本地大模型运行框架，支持在本地机器上运行Llama、Mistral等多种开源模型。项目利用Ollama实现：

• 自然语言查询理解
• 推荐理由生成
• 个性化推荐解释

项目采用混合搜索策略，结合多种检索技术：

• 语义搜索：基于向量相似度理解查询意图
• 关键词匹配：处理明确的类型、演员等过滤条件
• 元数据过滤：根据年份、评分、时长等属性筛选

这种混合方法既保证了推荐的准确性，又支持精细的用户偏好控制。

项目代码组织清晰，主要组件包括：

netflix-buddy-ai/
├── data/              # 电影数据集
├── llm/               # 大模型交互模块
├── recommender/       # 推荐引擎核心
├── app.py             # FastAPI应用入口
├── buddy.html         # 推荐界面
├── index.html         # 主页面
├── requirements.txt   # Python依赖
└── README.md          # 项目文档