AI 智能面试官 (Interview Agent)

基于大语言模型(GLM-4)的本地部署面试 Agent 系统，支持知识库构建、简历解析、智能面试模拟和实事求是的面试评估。

✨ Features/Overview

核心特性

智能面试引擎

海量题库: 641+ 道大厂后端面试真题，涵盖 Go、MySQL、Redis、Docker、微服务、分布式系统等
动态题库系统: 根据简历技能栈智能筛选相关技术题目，支持自定义启用/禁用分类
多维度评估: 基于回答长度、技术术语、逻辑解释、代码示例等自动评分
实事求是评价: 面试结束后提供客观、直接、有针对性的反馈
追问机制: 50%概率触发深度追问，考察技术理解深度

简历解析与编辑

智能解析: 自动提取姓名、联系方式、工作经验、技能栈等信息
可视化编辑: 支持修改基本信息和工作经历(Markdown编辑器)
技能匹配: 根据技能栈自动匹配相关面试题目

多种面试模式

预设面试类型: 后端开发、Go专项、Java专项、考研复试、校招面试
DIY面试官: 自定义面试官风格、考察领域、面试时长
系统流程: 选择面试 → 上传简历 → 智能面试 → 查看报告

完整导航体验

面包屑导航: 树状层级结构，清晰展示页面关系
URL路由: 支持浏览器前进/后退，刷新页面不丢失状态
本地存储: 自动保存页面状态，支持断点续面

🏗️ Architecture

系统架构

用户层                    API层                  服务层                    数据层
┌─────────┐             ┌─────────────┐        ┌─────────────────┐     ┌──────────────┐
│  前端    │ ─────────── │  FastAPI    │ ────── │ InterviewerAgent │ ── │  面试题知识库  │
│ (React) │             │   Routes    │        │    (核心Agent)   │     │  (ChromaDB)  │
└─────────┘             └─────────────┘        └─────────────────┘     └──────────────┘
                              │                           │
                              ▼                    ┌──────┴───────┐
                        ┌──────────────┐    ┌────────────┐  ┌────────────┐
                        │ ResumeParser │    │ 风格配置器  │  │ 简历解析器  │
                        │ (简历上传)   │    │(牛客风格)  │  │(LLM解析)   │
                        └──────────────┘    └────────────┘  └────────────┘

Docker 部署架构

┌─────────────────┐
│     Nginx       │  ← 前端服务 (Port 3000)
│   (Frontend)    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│    FastAPI      │  ← 后端服务 (Port 8000)
│    (Backend)    │
└────────┬────────┘
         │
    ┌────┴────┐
    ▼         ▼
┌────────┐ ┌──────────┐
│PostgreSQL│ │ChromaDB │  ← 数据存储
│(Port 5432)│ │(Port 8001)│
└────────┘ └──────────┘

面试流程

候选人上传简历
    │
    ▼
┌─────────────────┐
│ 简历解析服务    │
│ - 文本提取     │
│ - 结构化分析   │
│ - 能力评估     │
│ - 策略生成     │
└─────────────────┘
    │
    ▼
生成简历画像 + 面试策略
    │
    ▼
开始面试 (45分钟)
    │
    ├── 开场破冰 (3分钟)
    ├── 技术基础面试 (20分钟)
    │   ├── 根据策略选择知识点
    │   ├── 生成个性化问题
    │   ├── 评估回答质量
    │   └── 智能追问 (最多8次)
    ├── 项目深挖 (12分钟)
    ├── 场景设计 (8分钟)
    └── 总结反馈 (2分钟)
            │
            ▼
    ┌─────────────────┐
    │ 面试报告生成    │
    │ - 多维度评分   │
    │ - 能力画像     │
    │ - 改进建议     │
    └─────────────────┘

🚀 Quick Start

环境要求

Python 3.11+
Node.js 18+
Docker & Docker Compose (推荐)

方法一：Docker Compose 部署（推荐）

# 1. 克隆项目
git clone https://github.com/1708737115/Interview-agent.git
cd Interview-agent

# 2. 配置环境变量
cp backend/.env.example backend/.env
# 编辑 backend/.env 文件，填入必需的 API 密钥

# 3. 选择题库配置（可选）
cp question_bank_light.json question_bank.json  # 轻量版（217题，推荐新手）
# 或
cp question_bank_config.json question_bank.json  # 完整版（641题，推荐生产）

# 4. 启动服务
docker-compose up -d

# 5. 访问系统
# 前端: http://localhost:3000
# 后端API文档: http://localhost:8000/docs

方法二：本地开发环境

后端启动

cd backend

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

# 启动服务
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

前端启动

cd frontend

# 安装依赖
npm install

# 启动开发服务器
npm run dev

# 访问 http://localhost:5173

⚙️ Configuration

必需配置

在 backend/.env 文件中配置以下 API 密钥：

# 智谱 AI GLM-4 API Key (必需)
# 获取地址: https://open.bigmodel.cn/usercenter/apikeys
GLM4_API_KEY=your_glm4_api_key_here
GLM4_MODEL=glm-4-air
GLM4_EMBEDDING_MODEL=embedding-3
GLM4_BASE_URL=https://open.bigmodel.cn/api/paas/v4

# 数据库配置
DATABASE_URL=postgresql://interview_agent:interview_agent_pass@postgres:5432/interview_agent

# ChromaDB配置
CHROMA_DB_PATH=/app/chroma_db

# 应用配置
APP_NAME=Interview Agent
DEBUG=False
SECRET_KEY=your_secret_key_here

可选配置

# LlamaParse API Key (可选，用于PDF解析)
# 获取地址: https://cloud.llamaindex.ai/api-key
LLAMAPARSE_API_KEY=your_llamaparse_api_key_here

# LLM配置
MAX_TOKENS=4096
TEMPERATURE=0.7
TOP_K_RETRIEVAL=5
SIMILARITY_THRESHOLD=0.7

# 面试配置
INTERVIEW_DURATION=45
MAX_FOLLOWUPS=8

# 文件上传路径
UPLOAD_DIR=./uploads

📚 Question Bank

本系统提供多种题库配置，您可以根据实际需求选择合适的版本。

可用配置文件

文件	题目数	用途	推荐场景
`question_bank_light.json`	217题	轻量版	快速体验、测试部署
`question_bank_config.json`	641题	完整版	生产环境、正式面试
`question_bank_index.json`	仅索引	索引版	大规模部署、自定义题库

快速开始（使用轻量版）

# 复制轻量版配置为默认配置
cp question_bank_light.json question_bank.json

# 启动服务
docker-compose up -d

题库分类统计

当前题库共包含 641 道题目：

分类	题目数	子分类
计算机基础	50题	Linux (41题)、计算机网络 (7题)、操作系统 (2题)
编程语言	85题	Go语言 (85题)
数据库	153题	MySQL (55题)、Redis (94题)、MongoDB (4题)
消息队列	40题	Kafka (40题)
后端组件	81题	Docker (59题)、Nginx (10题)、Elasticsearch (12题)
架构设计	229题	系统设计 (189题)、分布式系统 (21题)、微服务 (19题)
项目经历	3题	项目深挖 (3题)

自定义题库

启用/禁用分类

{
  "groups": {
    "languages": {
      "enabled": true,
      "categories": {
        "language_go": {
          "enabled": true
        }
      }
    }
  }
}

添加自定义题目

{
  "id": "custom-001",
  "text": "你的自定义题目",
  "category": "database_mysql",
  "difficulty": 3,
  "type": "technical"
}

字段说明：

id: 唯一标识符
text: 题目内容
category: 分类标识
difficulty: 难度等级（1-5，1最简单，5最难）
type: 题目类型（technical技术题/design设计题/project项目题）

修改配置后重启

docker-compose restart backend

📄 PDF Import

本系统支持通过PDF文件扩展面试题库。

目录结构

interview-agent/
├── question_pdfs/              # 存放PDF文件的目录
├── question_bank_config.json   # 基础题库（JSON格式）
├── import_pdf_questions.py     # PDF导入脚本
└── backend/app/data/           # 合并后的题库输出目录
    └── merged_question_bank.json

使用方法

方法一：手动导入（开发环境）

# 1. 将PDF文件放入 question_pdfs/ 目录
cp /path/to/your/interview_questions.pdf question_pdfs/

# 2. 运行导入脚本
python3 import_pdf_questions.py

# 输出文件: backend/app/data/merged_question_bank.json

方法二：部署时自动导入（推荐）

# 1. 将PDF放入目录
cp your_questions.pdf question_pdfs/

# 2. 正常部署
docker-compose up -d

# 部署脚本会自动执行导入并加载合并后的题库

高级配置

# 指定PDF目录
python3 import_pdf_questions.py --pdf-dir /custom/pdf/path

# 指定输出文件
python3 import_pdf_questions.py --output /custom/output.json

# 指定基础题库
python3 import_pdf_questions.py --base-bank question_bank_light.json

# 组合使用
python3 import_pdf_questions.py \
  --pdf-dir my_pdfs/ \
  --output backend/app/data/my_bank.json \
  --base-bank question_bank_config.json

自动分类规则

关键词	分类
go, goroutine, channel	Go语言
java, jvm, spring	Java
mysql, sql, 索引	MySQL
redis, 缓存	Redis
kafka, 消息队列	Kafka
docker, 容器	Docker
linux, 命令	Linux
tcp, http, 网络	计算机网络
微服务, ddd	微服务
分布式, cap	分布式系统
设计, 秒杀, 短链接	系统设计

更新题库流程

# 1. 添加新的PDF
cp new_interview_questions.pdf question_pdfs/

# 2. 重新导入（会自动合并所有PDF）
python3 import_pdf_questions.py

# 3. 重启服务（如果使用Docker）
docker-compose restart backend

🐳 Deployment

环境准备

确保已安装：

Docker Engine 20.10+
Docker Compose 2.0+

# 检查版本
docker --version
docker-compose --version

常用命令

# 启动所有服务
docker-compose up -d

# 停止所有服务
docker-compose down

# 重启服务
docker-compose restart

# 查看日志
docker-compose logs -f

# 查看特定服务日志
docker-compose logs -f backend
docker-compose logs -f frontend

# 进入后端容器
docker-compose exec backend bash

# 进入数据库容器
docker-compose exec postgres psql -U interview_agent -d interview_agent

数据持久化

Docker Compose 配置了以下数据卷：

卷名	路径	说明
`postgres_data`	`/var/lib/postgresql/data`	PostgreSQL数据
`chroma_data`	`/chroma/chroma`	ChromaDB向量数据
`./backend/data`	`/app/data`	面试题知识库
`./backend/uploads`	`/app/uploads`	上传的简历文件

生产环境部署

使用外部数据库

修改 docker-compose.yml：

services:
  backend:
    environment:
      - DATABASE_URL=postgresql://user:password@your-db-host:5432/interview_agent

配置HTTPS

使用 Traefik 或 Nginx Proxy Manager 配置 SSL 证书。

自动重启策略

所有服务已配置 restart: unless-stopped，系统重启后会自动启动。

备份数据

#!/bin/bash
# backup.sh

DATE=$(date +%Y%m%d_%H%M%S)

# 备份PostgreSQL
docker-compose exec postgres pg_dump -U interview_agent interview_agent > backup_${DATE}.sql

# 备份知识库
cp backend/data/processed/enhanced_questions.json backup_questions_${DATE}.json

# 备份向量数据库
tar czf backup_chroma_${DATE}.tar.gz chroma_db/

echo "备份完成: ${DATE}"

📁 Project Structure

interview-agent/
├── .gitignore                      # Git忽略文件配置
├── docker-compose.yml              # Docker编排配置
├── deploy.sh                       # 部署脚本
├── start.sh                        # 启动脚本
├── README.md                       # 项目主文档
├── LICENSE                         # MIT许可证
│
├── backend/                        # FastAPI后端
│   ├── Dockerfile                  # 后端容器镜像配置
│   ├── docker-entrypoint.sh        # 容器启动入口脚本
│   ├── requirements.txt            # Python依赖
│   ├── .env.example                # 环境变量模板
│   ├── app/                        # 应用代码
│   │   ├── api/                    # API路由
│   │   │   └── routes/
│   │   │       └── interview.py    # 面试API路由
│   │   ├── core/                   # 核心配置
│   │   │   └── config.py           # 配置管理
│   │   ├── models/                 # 数据模型
│   │   │   ├── schemas.py          # Pydantic模型
│   │   │   └── database.py         # 数据库模型
│   │   ├── services/               # 业务逻辑
│   │   │   ├── llm_service.py      # GLM-4服务封装
│   │   │   ├── interview_service.py # 面试引擎
│   │   │   ├── resume_analyzer.py  # 简历解析器
│   │   │   └── document_service.py # 文档处理
│   │   └── knowledge_base/         # 知识库模块
│   │       ├── github_sync.py      # GitHub数据同步
│   │       ├── markdown_parser.py  # Markdown解析
│   │       ├── llm_enhancer.py     # LLM增强处理
│   │       ├── vector_store.py     # 向量数据库存储
│   │       └── build_knowledge_base.py # 主构建流程
│   └── data/                       # 数据文件
│       ├── repos/                  # GitHub仓库镜像
│       ├── processed/              # 处理后数据
│       └── chroma_db/              # 向量数据库
│
├── frontend/                       # React前端
│   ├── Dockerfile                  # 前端容器镜像配置
│   ├── package.json                # Node依赖
│   ├── nginx.conf                  # Nginx配置
│   └── src/                        # 源代码
│       └── pages/                  # 页面组件
│
├── question_pdfs/                  # 扩展题库PDF目录
│   └── (用户可放入自己的PDF题库)
│
├── uploads/                        # 上传文件目录
├── chroma_db/                      # 向量数据库
│
├── question_bank_config.json       # 基础题库配置（641题）
├── question_bank_light.json        # 轻量版题库（217题）
├── question_bank_index.json        # 题库分类索引
│
├── import_pdf_questions.py         # PDF题库导入工具
└── uploads_lifecycle.py            # 上传文件生命周期管理

核心脚本

import_pdf_questions.py

解析PDF文件并提取面试题目，合并到题库中
自动执行：部署时通过 docker-entrypoint.sh 自动执行

uploads_lifecycle.py

上传文件生命周期管理（7天压缩，30天删除）
定时任务：可添加到 crontab 每天执行

🤝 Contributing

欢迎提交 Issue 和 Pull Request！

Fork 本项目
创建您的特性分支 (git checkout -b feature/AmazingFeature)
提交您的更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
打开一个 Pull Request

📄 License

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

项目地址: https://github.com/1708737115/Interview-agent

Name		Name	Last commit message	Last commit date
Latest commit History 18 Commits
backend		backend
chroma_db		chroma_db
frontend		frontend
uploads		uploads
.env.example		.env.example
.gitignore		.gitignore
2022_后端开发大厂面试题.pdf		2022_后端开发大厂面试题.pdf
LICENSE		LICENSE
README.md		README.md
deploy.sh		deploy.sh
docker-compose.yml		docker-compose.yml
import_pdf_questions.py		import_pdf_questions.py
question_bank_config.json		question_bank_config.json
question_bank_index.json		question_bank_index.json
question_bank_light.json		question_bank_light.json
start.sh		start.sh
uploads_lifecycle.py		uploads_lifecycle.py

License

1708737115/Interview-agent

Folders and files

Latest commit

History

Repository files navigation