粉丝小说推荐系统这种东西，现在的逻辑还是太“肤浅”了。

在 AO3 上搜标签、看 Kudos 数，本质上是在看“大众流行度”，而不是“个人口味”。哪怕一篇文有 10k Kudos，如果文风不对，对你来说也就是一堆废纸。我之前试过让 Claude 帮我找文，结果它只能根据描述瞎猜，根本理解不了什么叫“节奏感”或者“角色张力”。

所以这哥们儿决定自己动手写个“口味引擎” Siagnos，逻辑挺硬核，不是简单的特征匹配，而是想做一套基于个人阅读行为的偏好模型。

他的技术路径是这样的：
1. 用 cloudscraper + BeautifulSoup 把 AO3 的元数据（标题、标签、摘要等）爬下来。
2. 用 HuggingFace 的 sentence transformers 把摘要转成 Embedding。
3. 最骚的是，他打算在本地跑个 Ollama 里的 Mistral 7B，专门用来提取摘要里的情绪、节奏和角色动态等深层特征。
4. 最后用 XGBoost 训练一个偏好模型，直接根据阅读记录给新文打分，甚至能告诉你：“这篇文之所以适合你，是因为它有你喜欢的慢热感和灰色主角设定”。

目前进度到 Stage 3，数据库 Schema 都设计好了。他甚至为了搞清楚底层原理，强迫自己不用 LangChain 这种重度封装的框架，全程 Python 撸到底。

技术栈清单：

- Backend: FastAPI
Database: PostgreSQL

Embedding: HuggingFace sentence transformers

Local LLM: Ollama (Mistral 7B)

ML Model: XGBoost

Deployment: Docker + Azure

这种从底层原理出发、结合特定垂直领域数据的玩法，确实比单纯调 API 强得多。比起看那些千篇一律的推荐算法，这种能读懂“文风”的个性化模型才真正有点意思。

项目地址：

https://github.com/P-Kumar-18