Zurück zum Blog

BoardGameHelper: Intelligente Brettspiel-Datenbank mit KI-Crawler

Von der frustrierenden Suche in 40-seitigen Regelwerken zu einem Telegram Bot mit GPT-4 Vision: Wie ich 3000+ Brettspiel-Regelwerke per RAG durchsuchbar machte – und nebenbei lernte, dass Bilder oft mehr sagen als tausend Worte.

6 Min. Lesezeitvon Daniel AlischAI, RAG, Telegram

Das Problem: Brettspiel-Regeln sind ein Albtraum

Jeder, der schon mal ein komplexes Brettspiel gespielt hat, kennt das Problem:

  • Du bist mitten im Spiel
  • Eine spezifische Regel-Frage kommt auf
  • Du blätterst durch ein 40-seitiges PDF-Regelwerk
  • 5 Minuten später: Immer noch keine Antwort

Ich dachte: Das muss besser gehen.

Warum kann ich nicht einfach fragen: "Kann ich in Wingspan zwei Vögel gleichzeitig legen?" – und eine sofortige Antwort bekommen?

Die Idee: RAG für Brettspiel-Regeln

RAG (Retrieval-Augmented Generation) ist perfekt für dieses Problem:

  1. Crawl alle Regelwerke von BoardGameGeek
  2. Vektorisiere den Text (Embeddings)
  3. Nutzer stellt Frage → System findet relevante Regel-Abschnitte
  4. GPT-4 generiert Antwort basierend auf den gefundenen Regeln

Klingt simpel – war es aber nicht.

Der Crawler: 3000+ Brettspiel-Regelwerke automatisch sammeln

BoardGameGeek (BGG) ist die größte Brettspiel-Datenbank der Welt. Problem: Keine offizielle API für Regelwerk-Downloads.

Also baute ich einen Crawler:

  • Keyword-basierte Suche (z.B. "Wingspan", "Gloomhaven", "Terraforming Mars")
  • Automatisches PDF-Download von BGG-Links
  • Text-Extraktion aus PDFs mit pdfplumber
  • Chunking – Zerlege Regelwerke in sinnvolle Abschnitte (Setup, Spielzug, Siegbedingungen, etc.)
  • Embedding-Generierung mit OpenAI Ada-002
  • Speicherung in Qdrant (Vector Database)

Resultat: 3000+ Brettspiel-Regelwerke durchsuchbar in Sekunden.

Der Telegram Bot: Fragen per Chat + Bilder erkennen

Ich wollte kein komplexes Web-Interface bauen. Warum? Weil jeder schon Telegram auf dem Handy hat.

Der BoardGameHelper Telegram Bot kann:

1. Text-basierte Fragen beantworten

Beispiel:

User: "Wingspan: Kann ich zwei Vögel gleichzeitig legen?"
Bot: "Nein, pro Zug kannst du nur einen Vogel legen. Quelle: Wingspan Rulebook, Seite 7."

Der Bot nutzt RAG, um die relevanten Regel-Abschnitte zu finden und antwortet mit Quellenangaben.

2. Bilder erkennen (GPT-4 Vision)

Das war der absolute Game-Changer:

Du kannst dem Bot ein Foto vom Spielbrett schicken und fragen:

"Welches Brettspiel ist das? Und wie geht der nächste Zug?"

Der Bot nutzt GPT-4 Vision, um:

  1. Das Spiel zu identifizieren (anhand von Spielbrett, Karten, Komponenten)
  2. Den aktuellen Spielstand zu analysieren
  3. Die passenden Regeln zu finden (via RAG)
  4. Eine kontextuelle Antwort zu geben

Beispiel:

User: [Foto von Catan-Spielbrett]
Bot: "Das ist Catan. Du hast aktuell 5 Rohstoffe. Du kannst eine Straße bauen (kostet Holz + Lehm) oder eine Siedlung (kostet Holz + Lehm + Weizen + Schaf)."

Das war magic. Niemand erwartet, dass ein Bot ein Foto analysiert und die Regeln versteht.

Die Technik: Wie funktioniert das System?

Backend-Stack

  • Python + FastAPI – Backend-Server
  • Qdrant – Vector Database für Embeddings
  • OpenAI Ada-002 – Text-Embeddings
  • OpenAI GPT-4 – Textgenerierung
  • OpenAI GPT-4 Vision – Bilderkennung
  • Telegram Bot API – Chat-Interface
  • pdfplumber – PDF-Text-Extraktion

Workflow

  1. User sendet Frage (Text oder Bild)
  2. Text-Frage:
    • Generiere Embedding der Frage
    • Suche ähnlichste Regel-Chunks in Qdrant
    • GPT-4 generiert Antwort basierend auf gefundenen Regeln
  3. Bild-Frage:
    • GPT-4 Vision analysiert Bild
    • Identifiziert Spiel + Spielstand
    • RAG sucht passende Regeln
    • GPT-4 kombiniert Bild-Analyse + Regeln zu Antwort
  4. Bot sendet Antwort zurück (mit Quellenangaben)

Was ich gelernt habe

1. RAG ist perfekt für strukturierte Wissensdatenbanken

Brettspiel-Regeln sind perfekt für RAG, weil:

  • Regeln sind statisch (ändern sich nicht täglich)
  • Regeln sind strukturiert (Setup, Spielzug, Siegbedingungen)
  • Nutzer stellen spezifische Fragen (keine vagen Anfragen)

2. GPT-4 Vision ist underrated

Niemand nutzt GPT-4 Vision für Brettspiele – aber es funktioniert verdammt gut. Der Bot erkennt:

  • Spielbretter (auch bei schlechten Lichtverhältnissen)
  • Karten und Tokens
  • Spielstände ("Wer gewinnt gerade?")

3. Telegram Bots sind unterschätzt

Warum ein komplexes Web-Interface bauen, wenn jeder schon Telegram hat? Der Bot ist:

  • Sofort nutzbar (kein Account, keine Installation)
  • Mobile-first (perfekt für Spieleabende)
  • Push-Notifications (Bot kann proaktiv helfen)

Der Stand heute

BoardGameHelper läuft als privater Telegram Bot. Die Nutzung:

  • ~50 Anfragen pro Woche
  • Top-3-Spiele: Wingspan, Gloomhaven, Terraforming Mars
  • Genauigkeit: ~85% (basierend auf User-Feedback)

Features, die ich noch bauen will:

  • Multi-Language Support (aktuell nur Deutsch/Englisch)
  • Video-Erkennung ("Zeig mir, wie dieser Zug geht")
  • Community-Regeln (User können eigene Haus-Regeln hinzufügen)

Fazit: RAG + Vision = Magic

BoardGameHelper zeigt, wie RAG + GPT-4 Vision zusammen echte Probleme lösen können.

Was als "Ich will nicht mehr 40-seitige PDFs durchblättern" begann, wurde zu einem System, das:

  • 3000+ Brettspiel-Regelwerke durchsuchbar macht
  • Bilder analysiert und kontextuelle Antworten gibt
  • Per Telegram nutzbar ist (ohne App-Installation)

Und das Beste: Es funktioniert einfach. Kein Schnickschnack, keine komplexen UIs – nur eine Frage, eine Antwort, fertig.

Quellen & weiterführende Links

Willst du ein ähnliches RAG-System bauen?

Du hast eine Wissensdatenbank, die durchsuchbar sein soll? Oder eine Idee für ein AI-gesteuertes Tool?

Lass uns reden.

Kontakt aufnehmen

Weiterlesen

Weitere Beiträge