内容
# mcp-interview-prep
一款模拟罗扎·鲁斯基（Roza Russkikh）的AI克隆人，能够回答面试式问题 — 简历事实、技能、联系信息和STAR格式的行为情况 — 作为动手练习MCP（多轮对话平台）和作品集的展示。
## 工作原理
一个Python MCP服务器（`server.py`）将罗扎的数据 — `personal.json`、`resume.json`、`situations.json` — 暴露为MCP资源、工具和提示。最终，一个FastAPI后端作为MCP客户端：它首先尝试确定性关键词匹配（例如“冲突” → `get_situation("冲突")`，直接从JSON格式化，无需大型语言模型），只有在无法自信匹配时才会fallback到Gemini进行开放式问题。Next.js + Tailwind聊天界面通过HTTP与FastAPI通信 — 它永远不会直接与MCP通信。
## 技术栈
- **MCP服务器**: Python，`mcp[cli]`
- **后端**（第二阶段）：Python，FastAPI — MCP客户端，也调用Gemini作为fallback
- **大型语言模型**：Gemini via `google-generativeai`
- **前端**（第二阶段）：Next.js + Tailwind
- **托管**（第二阶段）：Fly.io（后端），Vercel（前端）
## 状态
**第一阶段**（当前）：构建MCP服务器并直接使用Claude Code测试 — 无需自定义客户端，Claude Code已经是一个MCP主机。
**第二阶段**（后续）：构建FastAPI后端作为MCP客户端 + Gemini fallback，然后是Next.js前端，最后部署。
参见 [PLAN.md](PLAN.md) 获取完整设计细节。
## MCP服务器
**资源**
- `personal://info` — 值，任务，背景，语气
- `situations://all` — STAR格式的行为故事
- `resume://full` — 经验，教育，技能
**工具**
- `get_situation(类别: 字符串)` — 按类别获取行为故事（冲突，领导力，失败，模糊）
- `get_experience(公司或职称: 字符串)` — 获取某一条工作经历
- `get_skill(技能: 字符串)` — 获取技能类别 + 支持的经验亮点
- `get_contact()` — 获取邮箱，领英，GitHub
**提示**
- `find_gaps()` — 报告哪些标准面试能力还没有对应的故事
- `answer_as_roza(问题: 字符串)` — 以罗扎的语气/口吻回答
## 本地运行
```bash
uv run mcp dev server.py # MCP 检验
```
