AI Interview

一个面向求职场景的 AI 模拟面试系统。
项目围绕“简历解析 -> 岗位匹配 -> RAG 出题 -> AI 评分 -> 面试报告”构建了完整闭环，重点体现了我在 AI 应用开发、工程化落地、RAG 设计、Agent 工作流编排 方面的能力。

---

项目简介

传统模拟面试系统通常只解决“出题”和“评分”，而这个项目进一步把 AI 放到了求职链路前面：

• 用户上传简历后，系统先调用 AI 解析简历并落库
• 基于岗位匹配 Agent，对候选人画像进行分析并推荐更适合的岗位方向
• 进入目标岗位的专项模拟面试
• 基于题库 RAG 召回高相关题目，并结合参考答案与采分点进行 AI 评分
• 输出结构化面试报告，帮助用户明确能力差距和下一步学习方向

这个项目不是单一 Prompt Demo，而是一个包含 前端、后端、数据库、异步任务、向量检索、Agent 编排、Docker 部署 的完整 AI 应用项目。

---

核心亮点

1. 面向真实业务的 AI 闭环

此项目实现了完整的求职场景闭环：

• 简历上传与解析
• 岗位匹配 Agent
• 题库 RAG 面试
• AI 评分与反馈
• 面试报告输出

2. 题库 RAG

项目中实现了两套 RAG，其中真正接入主业务的是 题库 RAG：

• 管理员维护结构化题库：题目、参考答案、采分点
• 将题目与参考答案拼接后做向量化
• 使用 PostgreSQL + pgvector 存储 embedding
• 面试发起时，结合岗位和简历技能做语义召回
• 当题库不足时，采用“二次召回 + AI 兜底补全”的策略保证流程稳定

相比纯 AI 生成题目，这种方式让题目更贴近岗位，也让评分更可控。

3. 评分不是“凭感觉”，而是基于题库标准答案

用户回答问题后，系统不会直接让大模型自由打分，而是把题库中的：

• reference_answer
• key_points

一起注入评分 Prompt，作为评分参考依据。
这样可以显著提升评分稳定性，减少大模型“凭感觉评分”的不确定性。

4. 实现了岗位匹配 Agent，而不是单纯表单跳转

项目含有 岗位匹配 Agent功能，用于把“简历解析”和“模拟面试”连接起来。

它不是凭空推荐岗位，而是：

• 先读取已解析的结构化简历
• 构建候选人画像
• 再与系统中的岗位模板库做匹配
• 输出推荐岗位、推荐理由、能力差距和下一步建议

技术上使用了 LangChain Tool Calling Agent，并配合工具调用工作流来保证结果可解释、可调试。

5. 项目具备工程化

项目中体现了较完整的工程化思维：

• 前后端分离架构
• Docker Compose 本地一键启动
• PostgreSQL / Redis / Celery 异步任务协同
• 静态文件挂载与容器内服务通信
• API 分层、Service 分层、Schema 分层
• 向量检索、异步任务、SSE 流式输出

---

技术栈

后端

• FastAPI
• SQLAlchemy 2.x
• PostgreSQL
• pgvector
• Redis
• Celery
• Alembic
• Uvicorn

AI / RAG / Agent

• DeepSeek API
• OpenAI Compatible SDK
• LangChain
• LangChain OpenAI
• DashScope Embedding
• RecursiveCharacterTextSplitter

前端

• Vue 3
• Vite
• Vue Router
• Pinia
• Axios

工程与部署

• Docker / Docker Compose
• Nginx
• Linux

---

系统架构

[用户前端]
   ├─ 上传简历
   ├─ 岗位匹配
   ├─ 模拟面试
   └─ 查看报告
        │
        ▼
[FastAPI 后端]
   ├─ 简历解析服务
   ├─ 岗位匹配 Agent
   ├─ 面试服务
   ├─ 题库管理
   └─ 知识库管理
        │
        ├─ DeepSeek：简历解析 / 出题 / 评分 / 报告
        ├─ DashScope：Embedding
        ├─ PostgreSQL + pgvector：结构化数据 + 向量检索
        ├─ Redis：缓存 / Broker
        └─ Celery：异步任务

---

业务流程

1. 简历解析

用户上传 PDF 简历后，系统会：

1. 提取 PDF 文本
2. 调用 DeepSeek 解析成结构化简历
3. 生成简历分析结果
4. 将 parsed_content 与 analysis 写入数据库

2. 岗位匹配 Agent

Agent 主流程：

1. 读取已解析简历
2. 构建候选人画像
3. 匹配岗位模板
4. 获取岗位面试重点
5. 输出推荐岗位、推荐理由、能力差距和学习建议

3. 题库 RAG 出题

发起面试时，系统会：

1. 根据目标岗位 + 简历技能构造检索 query
2. 调用 DashScope Embedding 生成 query vector
3. 在 question_bank 中用 pgvector cosine_distance 召回候选题
4. 如果候选题足够，由 AI 选题并微调
5. 如果候选题不足，触发二次召回或 AI 兜底补全

4. AI 评分

用户提交回答后，系统会：

1. 获取当前题对应的 reference_answer 和 key_points
2. 构造评分 Prompt
3. 调用 DeepSeek 评分并流式返回反馈
4. 保存单题得分、反馈、整场报告

---

项目结构

ai-interview/
├─ ai-interview-backend/     # FastAPI + PostgreSQL + Redis + Celery
├─ ai-interview-frontend/    # 用户端前端
├─ ai-interview-admin/       # 管理端前端
├─ 面试要点.md               # 项目口述与面试整理
├─ 项目RAG实现原理.md         # RAG 技术链路说明

---

工程化设计亮点

分层清晰

后端采用较清晰的分层：

• api：接口层
• schemas：请求/响应模型
• services：业务逻辑层
• models：数据库模型

这样做的好处是：

• 业务逻辑更集中
• 便于单独维护 RAG、Agent、简历、面试等模块
• 后续扩展更自然

AI 能力统一封装

ai_service.py 不是简单的模型调用文件，而是项目里的 AI 能力中枢，统一封装了：

• 简历解析
• 简历分析
• 面试出题
• 回答评分
• 流式反馈
• 报告生成
• 题库补题与微调

Agent 采用工具调用工作流

岗位匹配 Agent 不是“一个大 Prompt 全部搞定”，而是显式拆成多步工具调用：

• get_parsed_resume
• build_candidate_profile
• match_positions
• get_position_interview_focus
• start_mock_interview

这样结果更稳定，也便于调试和展示 Agent 的执行过程。

兼顾开发效率与可部署性

项目提供 Docker Compose 开发环境，能够快速拉起：

• App
• PostgreSQL
• Redis
• Celery Worker
• Celery Beat

对 AI 应用项目来说，这一点很重要，因为它体现的是“可运行、可联调、可部署”的完整能力。

---

启动方式

1. 启动后端

进入：

cd ai-interview-backend

使用 Docker Compose 启动：

docker compose -f docker-compose.yml -f docker-compose.dev.yml up -d --build

2. 启动用户端前端

进入：

cd ai-interview-frontend

安装依赖并启动：

npm install
npm run dev

3. 启动管理端前端

进入：

cd ai-interview-admin

安装依赖并启动：

npm install
npm run dev

说明：实际运行前需要补充 .env 配置，例如数据库、Redis、DeepSeek、DashScope 等相关参数。

---