Trakt Agent：基于本地LLM的隐私优先影视推荐系统

本项目是结合Trakt.tv观影历史与本地大语言模型的开源智能推荐工具，核心价值在于解决流媒体时代"智能推荐"与"隐私保护"的矛盾——用户数据全程本地存储，推理过程由本地GPU完成，无需向第三方AI服务发送敏感信息。支持Obsidian集成，可生成个性化推荐并同步回Trakt.tv。

在流媒体时代，算法推荐是内容发现的必备工具，但将个人观影数据交给大型科技公司引发隐私担忧。Trakt Agent由Shiva108开发，通过结合Trakt.tv的观影记录管理与本地运行的大语言模型，实现智能且私密的推荐：用户观影历史本地保存，推理过程由用户控制的GPU完成，无第三方数据传输。

Trakt Agent的推荐流程分为四步：

1. 数据获取层：通过Trakt.tv API拉取用户观影历史和待看清单（Trakt仅记录用户主动标记内容）；
2. 口味分析层：生成用户审美偏好的深度"心理画像"（含叙事风格、视觉美学、角色类型等）；
3. 推荐生成层：本地LLM基于画像和候选池生成个性化推荐（理由动态生成）；
4. 输出与同步层：以Markdown格式输出（优化Obsidian体验），并支持将已观看内容标记回Trakt.tv形成闭环。

Trakt Agent的隐私保护是架构设计选择：

• 使用兼容OpenAI API的本地LLM服务器（如LM Studio/Ollama+OpenWebUI），所有推理本地完成；
• Trakt.tv本身隐私友好，仅依赖用户主动标记，Agent仅读取数据不上传分析结果；
• 代码完全开源，用户可审查无隐藏数据收集行为。

功能特性：智能过滤（排除已看、年份筛选、类型黑名单）、种子推荐（指定影片引导推荐方向）、评分过滤（设置最低IMDb评分）、Obsidian集成、手动标记同步。 使用场景：周末观影计划（生成推荐清单）、主题观影马拉松（种子推荐风格相似内容）、长期口味追踪（Obsidian存档）、跨设备同步（Trakt多设备支持）。

快速安装：运行./install.sh自动完成Python环境、依赖、目录设置； Trakt API配置：在Trakt.tv创建应用获取client_id/secret，通过向导完成OAuth认证； 本地LLM配置：修改config.py设置LLM服务器地址（默认http://127.0.0.1:1234/v1）和模型名称； 偏好设置：复制preferences.json.example为preferences.json，设置最低年份、排除类型、最低IMDb评分等。

当前项目的局限及改进方向：

• 推荐多样性：可引入协同过滤等经典算法补充LLM推理；
• 用户界面：仅命令行界面，需优化非技术用户体验；
• 多语言支持：当前主要针对英文内容，需扩展其他语言支持。

Trakt Agent证明"智能"与"隐私"可兼得，通过本地LLM与Trakt.tv结合，为用户提供可控的内容发现方式。适合重视隐私的影视爱好者、Obsidian用户及本地AI应用开发者尝试。未来将持续优化推荐多样性、界面友好度及多语言支持。