LLM Integrated Movie Recommendation And Analysis System

电影RAG系统

一个LLM集成电影推荐和分析系统 TypeScript, AWS基岩, 主控程序 （模型上下文协议），以及 SQLite使用RAG（检索增强生成）架构来回答自然语言电影问题，生成个性化推荐，并提供比较分析。

建筑

┌─────────────────────────────────────────────────────────────┐
│                     MCP Client (Claude Desktop, etc.)       │
│                              │                              │
│                        stdio transport                      │
└──────────────────────────────┬──────────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────────┐
│                        MCP Server                           │
│              (5 tools registered via zod schemas)            │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────┐   ┌──────────────┐   ┌─────────────────┐  │
│  │  Retriever   │──▶│   Context     │──▶│   Generator     │  │
│  │  (SQL-based) │   │  (formatter)  │   │  (Bedrock LLM)  │  │
│  └──────┬──────┘   └──────────────┘   └─────────────────┘  │
│         │                                                   │
│  ┌──────▼──────────────────────────────────────────────┐    │
│  │              SQLite (better-sqlite3)                 │    │
│  │  ┌──────────┐  ┌──────────┐  ┌──────────────────┐   │    │
│  │  │ movies   │  │ ratings  │  │ enriched_movies  │   │    │
│  │  │ (45k)    │  │ (100k)   │  │ (75, LLM-gen)   │   │    │
│  │  └──────────┘  └──────────┘  └──────────────────┘   │    │
│  │       movies.db      ratings.db (ATTACH DATABASE)    │    │
│  └─────────────────────────────────────────────────────┘    │
│                                                             │
└─────────────────────────────────────────────────────────────┘

技术栈

• TypeScript （ES2022，NodeNext模块）
• AWS基岩 --LLM推理 ConverseCommand （亚马逊Nova Pro）
• 模型上下文协议（MCP） --通过stdio传输的工具服务器
• SQLite — better-sqlite3 跨数据库 ATTACH for joins
• 萨德 --MCP工具输入的运行时模式验证

设置

先决条件

• Node.js 24+（通过 非易失性存储器)
• AWS CLI配置了 dev-bedrock 具有基岩通道的剖面图
• 访问亚马逊Nova Pro（或其他基岩型号）

安装

nvm install 24
nvm use 24
npm install

cp .env.example .env
# Edit .env if needed (defaults to Nova Pro in us-east-1)

# Copy source databases into working directory
cp -r db_original db

AWS简介

该系统使用 dev-bedrock AWS CLI配置文件。确保它存在于 ~/.aws/credentials:

[dev-bedrock]
aws_access_key_id = YOUR_KEY
aws_secret_access_key = YOUR_SECRET

NPM脚本

用法

数据丰富

使用LLM生成的属性丰富75部顶级电影：

npm run enrich

这创建了一个 enriched_movies 桌上 movies.db 每部电影有5个AI生成的属性（参见 丰富属性 在......下面

要重新运行富集（例如，使用不同的模型）：

npm run reset-enrichment   # Clears existing enrichment data
npm run enrich             # Re-generates with current model

MCP服务器

启动MCP工具服务器：

npm run mcp

使用任何MCP客户端进行连接。用于测试 MCP检查员:

npx @modelcontextprotocol/inspector node_modules/.bin/tsx src/index.ts mcp

验证脚本

富集后，验证数据：

./scripts/test-enrichment.sh

数据库模式

movies 表（movies.db）--约45000部电影

ratings 表（ratings.db）--约100000个评级

enriched_movies 表（movies.db）--由创建 npm run enrich

丰富属性

富集管道将每部电影的数据发送到AWS Bedrock并使用 tool_use （强制工具调用）以提取结构化属性：

每个属性都包括LLM生成的解释分类的推理。

MCP工具

MCP服务器公开了5个工具，每个工具都遵循RAG模式（检索→ 增强→ 生成）：

查询示例

"Recommend action movies with high revenue and positive sentiment"
"Summarize preferences for user 1"
"Compare Star Wars and Jurassic Park"
"What are the most profitable low-budget movies?"

RAG架构

每个MCP工具都遵循 检索增强生成 图案：

1. 检索 --SQL查询 movies.db 和 ratings.db （通过以下方式加入 ATTACH DATABASE).对于 query_movies，LLM首先使用以下公式从自然语言问题中提取结构化过滤器 tool_use.

1. 增强 --检索到的数据被格式化为结构化文本上下文，其中包含电影详细信息、评级、丰富属性和用户历史记录（视情况而定）。

1. 生成 --增强的上下文将通过特定于任务的系统提示发送到AWS Bedrock。LLM生成基于数据的对话式响应。

项目结构

src/
├── index.ts              # CLI entry point (enrich | reset-enrichment | mcp)
├── config.ts             # Bedrock client, env vars, DB paths
├── types.ts              # TypeScript interfaces
├── db/
│   ├── connection.ts     # SQLite singleton + ATTACH DATABASE
│   ├── movies.ts         # Movie queries with JSON parsing
│   ├── ratings.ts        # Rating queries + user preference stats
│   └── enriched.ts       # Enriched movies table CRUD + stats
├── enrichment/
│   ├── prompts.ts        # System prompt + Bedrock tool_use schema
│   └── pipeline.ts       # Batch enrichment pipeline with retry
├── rag/
│   ├── retriever.ts      # SQL-based retrieval for each tool
│   ├── context.ts        # Format data as LLM context strings
│   └── generator.ts      # Bedrock Converse calls for responses
└── mcp/
    ├── server.ts         # MCP server setup (stdio transport)
    └── tools.ts          # 5 tool definitions + handlers

设计决策

看 JOURNEY.md 了解架构选择、模型选择和经验教训的详细原理。