AiMURO：高达集换式卡牌游戏 AI 规则助手

tsgreenberg1217/aimuro · AI-powered rules assistant for the Gundam Trading Card Game.

GitHub原文发布未知首次收录 2026-09-18上架 2026-09-18 07:01

ELI5：它是什么，解决什么问题

AiMURO 是一个面向高达集换式卡牌游戏的 AI 规则助手，通过自然语言回答规则问题。项目结合对官方规则文档的语义检索与实时卡牌数据查询，将回答建立在权威资料之上。技术上采用 Planner + 工具调用的 Agentic RAG 方式，按请求决定所需信息，并使用声明式嵌入切分策略提升检索精度；卡牌数据经 GraphQL 实时获取。运行时基于 Kotlin / Spring Boot 与 Spring AI，支持 OpenAI 或本地 Ollama 双模型配置，并通过 Redis Streams 实现可重连的 SSE 流式输出。

# 语义搜索 # pgvector # Spring AI # 智能体 # RAG

核心能力与快速开始

★ 0 · Kotlin

能做什么: 面向高达集换式卡牌游戏的自然语言规则问答。通过 Agentic RAG（Planner + 工具调用）按请求规划子问题并决定所需工具；模型自身决定是否、调用次数与顺序地调用规则检索工具（searchRules，支持 SIMPLE / MODERATE / IN_DEPTH 深度）或卡牌查询工具（findCard / findCards）。规则文档按标题层级切分为嵌入块，采用判别性嵌入策略（不拼接祖先路径前缀、标题型条目也嵌入、例外条款单独成块）以提升检索精度；卡牌数据通过 GraphQL 实时获取。回答以 SSE 流式返回，流式状态经 Redis Streams 解耦，支持断线后按 requestId 重连与回放；prompts 外置为 md 文件，可改文案后重启生效。
适用场景: 用于回答高达 TCG 的规则问题，例如某张卡牌在特定情形下能否行动、关键字效果的具体含义等；适合需要将权威规则文档检索与实时卡牌数据结合起来的问答场景；也可作为 Spring AI 下 Agentic RAG 与 SSE 流式架构的参考实现。
项目形态: 可直接使用的工具
部署方式: 支持 Docker Compose 一键启动完整栈（应用 + pgvector + PostgreSQL + Redis），也支持本地运行。配置分为基础设施轴（debug / prod）与模型轴（openai / ollama）：debug 使用内存向量库与嵌入式 H2、无需 Redis；prod 使用 PostgreSQL（pgvector 与对话历史）+ Redis。默认 profile 为 debug,ollama，直接 ./gradlew bootRun 只需本地运行 Ollama（端口 11434）；使用 OpenAI 需设置 OPEN_AI_KEY。应用监听 localhost:8080，另可通过 gundamhub-k8 在集群中运行。
主要依赖: 运行时为 Kotlin / Spring Boot，AI 框架为 Spring AI。openai profile 使用 o4-mini 对话模型与 text-embedding-3-small 嵌入，需 OPEN_AI_KEY；ollama profile 使用 llama3.1 与 qwen3-embedding:0.6b，需本地 Ollama。prod 需要 PostgreSQL（pgvector，pg18）与 Redis；debug profile 无需数据库或 Redis。
使用限制: 未说明许可证信息。API 成本、具体硬件要求与性能上限未说明。prompts 外置但修改后仍需重启才能生效。水印或（OpenAI）模型的具体调用配额与限制未说明。
许可证: 未说明
最近推送: 2026-09-17 08:59

官方入门核对 README 依据 ↗

资料检查：2026-09-18 07:00 · 卡片整理：2026-09-18 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

相似资源

Fortémi：自托管 AI 知识库与混合检索检索增强平台

Fortémi 是一个面向 AI 应用的自托管智能数据库，基于 Rust 与 PostgreSQL 构建。它在统一的规范化 schema 之上集成了 BM25 全文检索、稠密向量检索与 RRF 融合的混合语义搜索，并提供知识图谱、MCP 服务器（44 个 Agent 工具）、多模态数据摄取（图像视觉、音频转写与说话人分离、视频场景分析、3D 模型渲染、邮件与表格解析等 13 类适配器）、131 种文档类型自动识别，以及 Ollama、OpenAI、OpenRouter、llama.cpp 多provider 推理切换。适用于知识管理、检索增强生成（RAG）、智能体记忆和团队文档等场景，支持从纯 CPU 到 GPU 的部署形态。

PHP Chatbot Assistant：自托管文档问答聊天机器人

一个基于 PHP 与 PostgreSQL/pgvector 的自托管聊天机器人系统：上传 PDF、Word、TXT 或 Markdown 文档后训练机器人，通过一行 script 标签嵌入网站，让访客基于自有文档提问并获得回答。支持多聊天机器人、知识库检索、线索收集、快捷回复、使用限额与仪表盘统计，并可配置 OpenAI、OpenRouter 或自托管模型。

rag-eval-lab：零依赖 RAG 流水线与确定性幻觉评测工具

一个纯 Python 标准库实现的 RAG 参考项目，覆盖 ingest→chunk→embed→store→retrieve→answer 全流程，并配有确定性评测框架（precision@k、recall@k、citation、faithfulness）。其核心价值在于用闭式指标（非 LLM 评判）检测幻觉：预埋的幻觉样例会被 faithfulness 指标标记，并由 CI 持续验证。支持 bm25、hybrid、reranker 等可插拔检索策略，并在 SciFact 基准上给出实测对比；可选接入 OpenAI 嵌入/回答与 Postgres+pgvector 存储后端。

睡前消息知识库：面向节目文稿的智能 RAG 问答与站内阅读系统

该项目为睡前消息视频节目文稿构建知识库网站，既可向智能体提问，也能在站内浏览与阅读全部节目文稿。问答由基于 LangGraph 的智能 RAG 系统提供，包含自动查询路由、查询优化与语义搜索、基于 LLM 的文档相关性评分、检索文稿上下文与 Markdown 引用修复等功能，并支持自动化文档索引与基于不可变快照的增量更新和网页界面阅读器。系统使用 PostgreSQL + pgvector 存储向量，支持任意 OpenAI-compatible 的对话与嵌入端点，提供 Docker Compose 自托管与蓝绿零停机升级方案。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。