SuggestArr

SuggestArr ist eine Open-Source-Medienautomatisierungsplattform mit über 1.100 GitHub-Sternen, die die Lücke schliesst zwischen dem, was Sie ansehen, und dem, was Ihrer selbst gehosteten Medienbibliothek hinzugefügt wird. Sie verbindet sich mit Ihrem Jellyfin-, Plex- oder Emby-Medienserver, analysiert die aktuelle Wiedergabe-Historie jedes Benutzers und nutzt die API von The Movie Database (TMDb), um ähnliche Titel zu finden – und übermittelt diese Titel dann automatisch als Download-Anfragen an Ihre Seer-Instanz. Der gesamte Empfehlungs-zu-Anfrage-Zyklus läuft unbeaufsichtigt nach einem konfigurierbaren Cron-Zeitplan ab und verwandelt einen täglichen manuellen Workflow in einen vollautomatischen Hintergrunddienst.

Häufige Anwendungsfälle

Home-Lab-Betreiber mit einer Jellyfin- oder Plex-Bibliothek nutzen SuggestArr, um ihre Sammlung automatisch basierend auf tatsächlichen Sehgewohnheiten zu erweitern, ohne täglich manuell in Seer nach ähnlichen Inhalten suchen zu müssen. Familien mit geteilten Plex-Servern richten SuggestArr auf bestimmte Benutzerkonten aus, sodass jedes Haushaltsmitglied Empfehlungen basierend auf seiner eigenen Wiedergabe-Historie erhält und nicht auf dem Durchschnitt der geteilten Bibliothek. Power-User aktivieren den KI-Modus, um SuggestArr mit einer lokalen Ollama-Instanz zu verbinden und erhalten personalisierte Empfehlungen mit Erklärungen sowie die Möglichkeit, mit natürlichsprachigen Abfragen anstelle von Schlüsselwortabgleichen zu suchen. Benutzer, die einen grossen Rückstand angesammelt haben, verwenden die Inhaltsfilter, um Genres, niedrig bewertete Titel, aktuelle Veröffentlichungen oder bereits in ihren Streaming-Abonnements verfügbare Inhalte auszuschliessen – so bleibt die Anfragewarteschlange auf wirklich neue Ergänzungen fokussiert.

Hauptmerkmale

• Erfassung der Wiedergabe-Historie von Jellyfin, Plex und Emby mit benutzerbezogener Ausrichtung
• TMDb-gestützter Ähnlichkeitsabgleich für Filme und TV-Sendungen mit konfigurierbaren Ergebnisgrenzen
• Automatisierte Anfragenübermittlung an Seer (ehemals Overseerr/Jellyseerr) nach einem Cron-Zeitplan
• Inhaltsfilter: Ausschluss nach Genre, Bewertung, Erscheinungsjahr, Sprache und Verfügbarkeit bei Streaming-Diensten
• Optionale KI-Empfehlungs-Engine unter Verwendung von OpenAI, Ollama, Gemini, LiteLLM oder OpenRouter
• Mediensuche in natürlicher Sprache, unterstützt durch LLM-Integration (Beta)
• Web-Dashboard mit Echtzeit-Filter-Log-Viewer zur Überwachung von Automatisierungsläufen
• Einrichtungsassistent für den ersten Besuch: alle API-Schlüssel und Dienstverbindungen werden nach der Bereitstellung in der Benutzeroberfläche konfiguriert
• SQLite standardmässig mit optionalem PostgreSQL oder MySQL für grössere Multi-User-Bereitstellungen
• Kubernetes-fähige Health-Endpoints: Liveness-Probe unter /api/health/live und Readiness-Probe unter /api/health/ready

Warum SuggestArr auf Hostinger VPS bereitstellen

SuggestArr ist darauf ausgelegt, als persistenter, ständig aktiver Hintergrunddienst zu laufen – er muss zu geplanten Intervallen online sein, um die Wiedergabe-Historie abzurufen und Anfragen zu übermitteln, was ihn ungeeignet für den Betrieb auf einem Desktop-PC oder Laptop macht, der regelmässig heruntergefahren wird. Ein Hostinger VPS bietet die ständig verfügbare Verfügbarkeit, die die Automatisierung erfordert, mit ausreichend

Ressourcen zur Verarbeitung der periodischen TMDb- und LLM-API-Aufrufe, ohne andere selbst gehostete Dienste zu beeinträchtigen. Die gesamte Empfehlungslogik und die Daten des Wiedergabeverlaufs bleiben auf Ihrer eigenen Infrastruktur, anstatt von einem gehosteten Dienst verarbeitet zu werden. Da SuggestArr standardmässig SQLite verwendet, ist die gesamte Bereitstellung ein einzelner Container mit einem benannten Volume – einfach zu sichern und leicht genug, um neben Ihrem bestehenden Jellyfin-, Plex- oder Seer-Stack ohne dedizierte Ressourcenzuweisung zu laufen. Die Kopplung von SuggestArr mit einer gemeinsam gehosteten Seer-Instanz auf demselben VPS eliminiert die Latenz zwischen den Diensten und hält den gesamten Empfehlungsverkehr lokal.