Steam Judger - AI 游戏库锐评

一个前后端分离的全栈项目。用户输入其 Steam ID 后，后端从 Steam Web API 获取公开的游戏列表，将数据存储在 Cloudflare D1 数据库中，并利用 AI 大语言模型（当前配置为 DeepSeek）生成一份关于用户游戏品味和习惯的“毒舌”锐评。前端使用 Nuxt 3 构建，负责用户交互和展示结果；后端 API 使用 Hono 构建，部署在 Cloudflare Workers 上，负责数据获取、存储和 AI 分析。

关联仓库：

• Steam Judger - Steam 游戏库吐槽姬 (Frontend)
• Steam Judger - Steam 游戏库吐槽姬 (Backend)

✨ 主要功能

• 获取 Steam 游戏库: 输入 64 位 Steam ID，通过 Steam Web API 获取用户公开的游戏列表和游玩时长。
• D1 数据存储: 将获取到的 Steam 游戏数据存储在 Cloudflare D1 数据库中，用于后续分析，并设置有效期以定期更新，避免频繁请求 Steam API。
• AI 驱动的玩家画像: 调用 AI 大模型（通过 OpenAI 兼容接口），基于用户的游戏数据生成一份幽默、讽刺且富有洞察力的“锐评”。
• 流式响应: AI 生成的评价内容通过 Server-Sent Events (SSE) 流式传输到前端，提供即时反馈。
• 模型信息查询: 提供 API 端点以查询当前后端正在使用的 AI 模型名称和版本。
• 用户 Steam 信息查询: 提供 API 端点根据 Steam ID 查询用户的公开 Steam 个人资料信息（昵称、头像等）。
• 全栈 Cloudflare 部署: 前后端均设计为可便捷地部署在 Cloudflare 平台上（Pages + Workers + D1）。

🚀 技术栈

• 前端: Nuxt 3
• 后端 API: Hono
• 部署平台: Cloudflare Workers (后端), Cloudflare Pages (前端)
• 数据库: Cloudflare D1
• AI 模型: DeepSeek API (或其他 OpenAI 兼容模型，通过 OpenAI SDK 调用)
• 数据源: Steam Web API

🔧 环境准备

在开始之前，请确保你已安装以下工具和拥有必要的账户/密钥：

• Node.js (建议使用 LTS 版本)
• pnpm (或 npm/yarn)
• Cloudflare Account
• Wrangler CLI (已登录并授权，用于部署 Cloudflare Worker 和管理 D1)
• 有效的 Steam Web API Key
• 有效的 DeepSeek API Key (或其他 OpenAI 兼容模型的 API Key)
• 一个 Cloudflare D1 数据库实例（可在 Cloudflare Dashboard 创建）
• 一个拥有公开游戏库的 Steam 账户（用于测试）

⚙️ 安装与配置

1. 克隆仓库: 项目包含前端和后端两个独立部分。

   # 克隆前端仓库 (Nuxt)
   git clone https://github.com/kutius/steam-judger.git steam-judger-frontend
   
   # 克隆后端仓库 (Hono on Workers)
   git clone https://github.com/kutius/steam-judger-backend.git steam-judger-backend

2. 安装依赖: 分别进入前后端项目目录安装依赖。

   cd steam-judger-frontend
   pnpm install
   
   cd ../steam-judger-backend
   pnpm install

3. 配置后端 (steam-judger-backend):

   • wrangler.toml 配置: 编辑 wrangler.toml 文件，配置 D1 数据库绑定。你需要先在 Cloudflare Dashboard 创建一个 D1 数据库，获取其 database_name 和 database_id。

     # backend/wrangler.toml (示例片段)
     name = "steam-judger-backend" # Worker 名称
     main = "src/index.ts"
     compatibility_date = "2024-03-18" # 使用适合你项目的日期
     
     # D1 数据库绑定
     [[d1_databases]]
     binding = "DB" # 在代码中访问数据库时使用的绑定名称 (例如 c.env.DB)
     database_name = "your-d1-database-name" # 你在 Cloudflare 上创建的 D1 数据库名称
     database_id = "your_d1_database_uuid_from_cloudflare" # D1 数据库的 UUID
     # preview_database_id = "your_preview_d1_database_uuid" # 可选，用于本地预览环境

   • 环境变量配置:

     • 本地开发: 在 steam-judger-backend 目录下创建一个 .dev.vars 文件，并填入以下内容：

       STEAM_API_KEY="YOUR_STEAM_API_KEY"
       OPENAI_API_KEY="YOUR_DEEPSEEK_API_KEY"
       # D1 绑定在 wrangler dev 运行时会根据 wrangler.toml 自动模拟或连接
       # OPENAI_BASE_URL="OPTIONAL_CUSTOM_OPENAI_COMPATIBLE_ENDPOINT" # 如果使用非官方 DeepSeek 或 OpenAI 端点

     • Cloudflare 部署:
       • 登录 Cloudflare Dashboard。
       • 导航到 Workers & Pages -> 你的 Worker (steam-judger-backend) -> Settings -> Variables。
       • 在 "Secret variables" 下添加 STEAM_API_KEY 和 OPENAI_API_KEY，并填入你的密钥值。如果需要自定义 OpenAI 端点，也在此处添加 OPENAI_BASE_URL。
       • D1 数据库绑定已在 wrangler.toml 中配置，部署时会自动关联。

▶️ 本地运行

1. 启动后端 Worker (Hono): 在 steam-judger-backend 项目目录下运行：

   # 首次运行或 D1 schema 变更后，需要迁移数据库结构
   # npx wrangler d1 execute your-d1-database-name --local --file=./schema.sql
   
   # 启动本地开发服务器
   pnpm run dev

   Wrangler 会启动一个本地服务器（通常监听 http://localhost:8787），并模拟 D1 数据库环境。

2. 启动前端应用 (Nuxt): 在 steam-judger-frontend 项目目录下运行：

   pnpm run dev

   Nuxt 会启动一个开发服务器（通常监听 http://localhost:3000）。在浏览器中打开此地址即可访问前端页面。

☁️ 部署到 Cloudflare

1. 部署后端 Worker: 确保 wrangler.toml 配置正确，并且你已经在 Cloudflare 创建了对应的 D1 数据库。 在 steam-judger-backend 目录下运行：

   # 部署前，确保生产环境的 D1 数据库结构是最新的
   # npx wrangler d1 execute your-d1-database-name --file=./schema.sql
   
   # 部署 Worker
   pnpm run deploy

   Wrangler 会将你的 Hono 应用部署到 Cloudflare Workers。记下部署后的 Worker URL（例如 https://steam-judger-backend.your-account.workers.dev）。

2. 部署前端 Nuxt 应用:

   • 将你的 steam-judger-frontend 代码推送到 Git 仓库 (GitHub, GitLab 等)。
   • 登录 Cloudflare Dashboard，导航到 Workers & Pages -> Create application -> Pages -> Connect to Git。
   • 选择你的前端仓库和分支。
   • 配置构建设置：
     • Framework preset: Nuxt
     • Build command: pnpm build (或 npm run build)
     • Build output directory: .output/public
   • (可选) 配置环境变量：
     • 添加 NUXT_PUBLIC_API_BASE_URL 并将其值设置为你部署的后端 Worker URL（如果前端需要显式指定）。
   • 点击 "Save and Deploy"。

🎮 使用方法

1. 访问部署好的前端应用 URL（Cloudflare Pages 的 URL）。
2. 在输入框中输入一个有效的 64 位 Steam ID。
3. 点击提交按钮。
4. 前端调用后端 /api/analyze/:steamid 接口。
5. 后端首先检查 D1 数据库中是否有该 Steam ID 的有效游戏数据记录。
6. 如果记录不存在或已过期，后端调用 Steam API 获取最新数据，并存入 D1。
7. 后端使用 D1 中的数据调用 AI 大模型生成分析评价。
8. AI 生成的锐评通过 SSE 流式传输回前端并显示在页面上。
9. 页面同时会尝试调用 /api/user/:steamid 获取并展示用户的 Steam 昵称和头像。

📝 API 端点 (后端 Hono 应用)

所有 API 路径建议以 /api 开头，方便前端代理或区分。

• GET /api/analyze/:steamid

  • 接收 64 位 Steam ID 作为路径参数。
  • 检查 D1 数据库中是否有该 Steam ID 的有效游戏数据记录 (dataId)。
  • 如果不存在或已过期，调用 Steam API 获取最新数据，存入 D1（设置 TTL），并获取 dataId。
  • 从 D1 中获取 dataId 对应的游戏数据。
  • 如果数据不存在（异常情况），返回错误。
  • 调用配置的 AI 大模型生成分析评价。
  • 通过 text/event-stream 流式返回 AI 生成的内容。

• GET /api/user/:steamid

  • 接收 64 位 Steam ID 作为路径参数。
  • 调用 Steam Web API 获取用户的公开个人资料信息（昵称、头像 URL 等）。
  • 返回用户信息 JSON 对象。

• GET /api/model

  • 返回当前后端配置用于分析的 AI 模型名称和版本信息。
  • 响应示例: { "modelName": "deepseek-chat", "version": "v1.0" } (版本信息可根据实际情况添加)

🤝 贡献

欢迎通过提交 Pull Requests 或创建 Issues 来改进项目！无论是功能建议、代码优化还是 Bug 修复，都非常感谢。

🙏 致谢与赞助

特别致谢 小黑盒的朋友对本项目的支持！

特别感谢所有为本项目提供灵感、帮助和反馈的朋友们！

如果你觉得这个项目对你有帮助或启发，并且希望支持我继续开发和维护类似的项目，欢迎考虑：

• 给我一个 Star ⭐！
• Buy Me a Coffee

你的支持是我前进的最大动力！

📄 License

本项目采用 MIT License。