interviewpilot-ai

# 面试飞行员 ### AI驱动的面试模拟与准备平台 面试飞行员是一款智能面试模拟平台，旨在通过自适应的AI驱动对话帮助候选人准备技术面试和行为面试。 使用 **LangGraph**、**RAG（检索增强生成）**、**FastAPI** 和 **模型上下文协议（MCP）** 集成构建，面试飞行员创建了逼真的面试体验，评估回答，识别知识空白，并生成个性化的学习笔记。 候选人可以定义面试主题，上传简历或职位描述，并参与根据其技能水平量身定制的互动面试会话。 --- ## 面试飞行员实战 | 主界面（启动屏幕） | 即时聊天和实时性能分析 | | :-----------------------------------------------------------------------------------------------: | :------------------------------------------------------------------------------------: | |  |  | --- ## 核心功能 * **通过LangGraph进行代理工作流编排：** 整个面试生命周期（问题生成 → 答案评估 → 后续行动 → 总结生成）被建模为使用LangGraph的状态驱动工作流。 * **通过SSE进行实时流式传输：** 规划步骤、面试进度和代理输出通过服务器发送事件（SSE）即时流式传输到前端。 * **自适应难度引擎：** 根据候选人在整个会话中的表现动态调整面试难度（简单、中等、困难）。 * **RAG支持的上下文检索：** 上传的简历、职位描述、PDF和网络资源通过ChromaDB索引和检索，以生成高度相关的面试问题。 * **MCP支持的学习笔记：** 在面试过程中识别出的薄弱环节通过MCP兼容的集成自动转换为结构化的学习笔记。 * **多模型支持：** 轻松切换支持的LLM提供商和模型以获得不同的面试体验。 * **性能分析：** 跟踪分数、优势、劣势和整个会话的整体面试进度。 * **现代仪表板体验：** 使用React、TypeScript和Tailwind CSS构建，提供干净和交互式的用户体验。 --- ## 系统架构 面试飞行员作为由LangGraph编排的状态驱动工作流运行。 ```mermaid graph TD START -->|route_action| build_context[构建上下文] build_context --> load_resources[加载资源] load_resources --> research_summary[研究和总结] research_summary --> index_documents[索引文档] index_documents --> retrieve_context[检索上下文] retrieve_context --> generate_question[生成问题] generate_question --> wait_for_answer[等待用户回答] wait_for_answer --> evaluate_answer[评估答案] evaluate_answer --> supervisor[主管] supervisor -->|next_question| generate_question supervisor -->|study_note| create_note[创建学习笔记] create_note --> generate_question supervisor -->|summary| summary[生成总结] summary --> END ``` --- ## 工作流程概述 1. 用户选择面试主题。 2. 可选文档（简历、职位描述、PDF）被上传。 3. 资源通过RAG管道处理和索引。 4. LangGraph使用检索的上下文生成面试问题。 5. 用户提交答案。 6. 答案被评估和评分。 7. 薄弱环节被转换为学习笔记。 8. 根据表现调整难度。 9. 生成最终的面试总结和反馈报告。 --- ## 项目结构 ```text ├── agents/ # AI代理（评估、笔记生成、规划） ├── api/ # FastAPI应用程序和API端点 ├── config/ # 应用程序配置 ├── frontend/ # React前端应用程序 │ ├── src/ │ │ ├── components/ │ │ ├── hooks/ │ │ ├── pages/ │ │ ├── services/ │ │ └── types/ │ ├── graph/ # LangGraph工作流定义 │ ├── nodes/ │ ├── state.py │ └── builder.py │ ├── llm/ # LLM提供商抽象 ├── mcps/ # MCP集成和管理器 ├── models/ # 共享数据模型 ├── rag/ # 检索增强生成管道 ├── services/ # 业务逻辑和面试引擎 ├── storage/ # 本地存储实现 └── tests/ # 单元测试和集成测试 ``` --- ## 技术栈 ### 后端 * Python * FastAPI * LangGraph * LangChain * ChromaDB * Pydantic * MCP（模型上下文协议） ### 前端 * React * TypeScript * Tailwind CSS * Vite ### AI & 数据 * Groq * OpenAI * Google Gemini * 向量嵌入 * 检索增强生成（RAG） --- ## 安装和设置 ### 要求 * Python 3.10+ * Node.js 18+ * Groq、OpenAI或Gemini API密钥 --- ### 后端设置 #### 选项A — 使用uv（推荐） ```bash uv sync source .venv/bin/activate ``` Windows: ```bash .venv\Scripts\activate ``` #### 选项B — 使用pip ```bash python -m venv .venv source .venv/bin/activate ``` Windows: ```bash .venv\Scripts\activate ``` 安装依赖项: ```bash pip install -r requirements.txt ``` --- ### 环境变量 创建 `.env` 文件: ```env GROQ_API_KEY=your_groq_api_key OPENAI_API_KEY=your_openai_api_key GOOGLE_API_KEY=your_google_api_key ``` --- ### 运行后端 ```bash uvicorn api.app:app --reload ``` 后端运行在: ```text http://localhost:8000 ``` --- ### 前端设置 ```bash cd frontend npm install npm run dev ``` 前端运行在: ```text http://localhost:5173 ``` --- ## 示例用例 ### 技术面试准备 * Android开发人员 * 后端工程师 * 前端工程师 * Python开发人员 * DevOps工程师 ### 行为面试 * 领导力问题 * 团队合作 * 冲突解决 * 沟通技巧 ### 公司特定准备 * 上传职位描述 * 上传简历 * 练习有针对性的面试问题 --- ## 路线图 ### 核心平台 * [ ] 基于PostgreSQL的会话持久性 * [ ] 重用面试会话 * [ ] 用户身份验证和个人资料 * [ ] 历史面试仪表板 ### 高级RAG * [ ] 混合搜索（BM25 + 向量搜索） * [ ] 父文档检索器 * [ ] 多查询检索 * [ ] 上下文重新排序 ### MCP生态系统 * [ ] Google Sheets集成 * [ ] Notion集成 * [ ] GitHub集成 * [ ] MCP连接池 ### 多代理架构 * [ ] 主管代理模式 * [ ] 专用评估代理 * [ ] 研究代理 * [ ] 学习计划代理 ### 分析和可观察性 * [ ] LangSmith集成 * [ ] 代理性能指标 * [ ] 成本跟踪 * [ ] 使用情况分析 ### 学习助手 * [ ] 个性化学习计划 * [ ] 学习日历 * [ ] 笔记重复数据删除 * [ ] 技能差距分析 ### 语音面试 * [ ] 语音转文本候选人回答 * [ ] AI语音面试官 * [ ] 实时语音对话 * [ ] 模拟电话面试 --- ## 愿景 面试飞行员旨在成为一个个人AI面试教练，通过自适应的面试模拟、个性化的反馈和智能的学习推荐，帮助候选人不断练习、学习和改进。 --- ## 贡献 欢迎随时提出贡献、想法和反馈。 请随意提出问题或提交拉取请求。 --- ## 许可证 该项目根据MIT许可证授权。