# game_ai

**Repository Path**: ywhhs/game_ai

## Basic Information

- **Project Name**: game_ai
- **Description**: 可链接到ai从而生成想要的游戏攻略，也可自行添加知识库
- **Primary Language**: Unknown
- **License**: BSD-3-Clause
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-27
- **Last Updated**: 2026-05-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 游戏深度学习 AI 助手

这是一个 Web 版 MVP，用来演示“游戏截图识别 + 最新攻略生成 + 知识库问答 + 数据分析预测”的完整流程。

项目默认不依赖 npm。后端使用 Python 标准库提供 HTTP API 和静态页面服务，前端使用原生 HTML/CSS/JS。你可以在 VSCode 里直接运行，也可以把国内大模型 API Key 填到页面里，让截图识别和问答走真实多模态模型。

## 功能

- 上传游戏截图，调用视觉大模型识别游戏、场景、UI 和候选结果。
- 支持 OpenAI 兼容接口，可接入硅基流动、阿里云百炼、智谱、DeepSeek、Kimi 等国内模型服务。
- 内置 RAG 知识库：攻略文本会分块、向量化、检索，再交给大模型生成答案。
- 支持导入攻略、补丁、Wiki、社区文本，作为“最新攻略”的来源。
- 提供趋势预测模块，用于展示热度、更新风险、攻略可靠性等分析结果。
- 没有 API Key 时自动进入演示模式，方便先跑通项目。

## 快速运行

在 VSCode 打开本文件夹，然后运行：

```powershell
python backend/app.py
```

浏览器打开：

```text
http://127.0.0.1:8765
```

如果 `8765` 已被占用，程序会自动尝试后续端口，实际地址以终端打印为准。

或者在 VSCode 的“运行和调试”里选择 `Game AI Assistant`。

## 桌面端运行

桌面端使用 Electron 包一层桌面能力，启动时会自动拉起现有 Python 后端，并加载同一套 Web UI。

首次运行需要安装 Node 依赖：

```powershell
npm install
```

启动桌面端：

```powershell
npm run desktop
```

也可以使用项目里的启动脚本，它会自动检查依赖：

```powershell
.\desktop.ps1
```

如果提示没有 `npm`，先安装 Node.js LTS：

```powershell
winget install OpenJS.NodeJS.LTS
```

安装完成后重新打开 PowerShell，再回到项目目录运行 `.\desktop.ps1`。

桌面端新增能力：

- 全局快捷键：`Ctrl + Shift + G` 截取当前屏幕并调用云端视觉模型识别。
- 悬浮窗：快捷键识别时自动显示，也可以在悬浮窗里再次识别当前屏幕。
- 识别结果同步：结果会回填到主界面的“识别结果”，登录后也会进入个人历史。

如果系统里 `python` 命令不可用，可以指定后端 Python：

```powershell
$env:GAME_AI_PYTHON="E:\miniconda\python.exe"
npm run desktop
```

打包 Windows 便携版：

```powershell
npm run pack:win
```

如果打包时报 `app-builder.exe: spawn EPERM`，通常是当前终端、杀毒软件或受限沙箱拦截了 Electron Builder 的本地打包程序。请在普通 PowerShell 或管理员 PowerShell 里重新运行：

```powershell
npm run pack:dir
npm run pack:win
```

当前桌面 MVP 仍依赖本机 Python 环境。后续产品化可以把 Python 运行时一起打进安装包。

## 接入国内免费/低成本模型 API

打开页面左侧“模型配置”，选择预设或手动填写：

```text
API 地址: https://api.siliconflow.cn/v1
API Key: 你的 key
对话模型: Qwen/Qwen3.5-14B
视觉模型: THUDM/GLM-4.1V-9B-Thinking
向量模型: BAAI/bge-m3
```

只要服务兼容 OpenAI 的 `/chat/completions` 和 `/embeddings` 接口，就可以使用。

## 项目结构

```text
backend/
  app.py                 HTTP 服务和 API 路由
  settings.py            项目路径、模型预设和默认配置
  storage.py             SQLite 知识库和配置存储
  ai/
    providers.py         OpenAI 兼容模型客户端
    vision.py            游戏截图识别流水线
    rag.py               攻略生成和知识问答
    embeddings.py        向量化与余弦检索
    prediction.py        趋势预测与风险分析
    prompts.py           提示词模板
frontend/
  index.html             主界面
  styles.css             页面样式
  app.js                 前端交互逻辑
data/
  games_seed.json        游戏目录种子数据
  knowledge_seed.json    内置示例知识库
.vscode/
  launch.json            VSCode 调试配置
```

## 深度学习体现在哪里

这个项目把深度学习能力拆成三个可替换层：

1. 多模态视觉大模型：分析截图中的 UI、角色、地图、文字和游戏候选。
2. 文本/图像向量模型：把攻略、补丁、Wiki 文本变成向量，用于语义检索。
3. 大语言模型：基于检索到的资料生成攻略、回答问题、总结风险和预测趋势。

演示模式下会使用本地规则和哈希向量作为降级方案；配置 API Key 后就会调用真实深度学习模型。

## 下一步可扩展

- 接入 RAWG、IGDB、Steam 数据源，自动抓取游戏资料和截图。
- 使用 CLIP/OpenCLIP 做本地图像向量库，提高截图识别准确率。
- 增加用户账号、收藏游戏、历史记录和多人知识库。
- 打包成 Electron/Tauri 桌面端，加入截图快捷键和悬浮窗。