AI Agent 岗位模拟面试系统 —— 基于 Claude Code Skill + MCP Server + RAG 知识库，为求职者提供沉浸式的 AI Agent 技术面试模拟与评估。
- 简历解析：读取候选人简历（PDF/MD/TXT），分析技术背景和目标岗位
- 多轮面试：覆盖 LLM、Agent、RAG、记忆系统、多智能体、RLHF、VLM、工程实践等方向
- 自适应难度：根据候选人回答质量动态调整问题深度
- RAG 知识库：基于 hello-agents（16章系统教程）、Agent-Learning-Hub（学习路线图 + 90+ 外部资源）构建
- 评估报告：生成包含知识评分、学习方向、改进建议和简历修改建议的完整报告
┌─────────────────────────────────────────────┐
│ Claude Code │
│ │
│ /interview [resume_path] │
│ ↓ │
│ ┌─────────────────────────────────────┐ │
│ │ agent-interview Skill │ │
│ │ 面试流程编排 + 评估 + 报告生成 │ │
│ └──────────────┬──────────────────────┘ │
│ │ MCP tool calls │
│ ┌──────────────▼──────────────────────┐ │
│ │ interview-rag MCP Server │ │
│ │ │ │
│ │ search_knowledge 语义检索知识库 │ │
│ │ get_interview_questions 获取面试题 │ │
│ │ get_learning_path 生成学习路径 │ │
│ │ │ │
│ │ FAISS + bge-base-zh-v1.5 │ │
│ └─────────────────────────────────────┘ │
└─────────────────────────────────────────────┘
pip install -r interview_rag_server/requirements.txt需要的核心依赖：
fastmcp>= 2.0.0faiss-cpu>= 1.7.4sentence-transformers>= 2.2.0
首次使用需要从源项目构建向量索引：
# 克隆知识源项目（构建完成后可删除）
git clone https://github.com/datawhalechina/hello-agents.git
git clone https://github.com/datawhalechina/Agent-Learning-Hub.git
# 抓取 Agent-Learning-Hub 中引用的外部资源（官方文档、论文、开源项目 README）
python -m interview_rag_server.knowledge_base.fetch_web_sources
# 构建 FAISS 索引
python -m interview_rag_server.knowledge_base.build_index构建完成后会在 interview_rag_server/data/ 下生成：
faiss_index.bin— 向量索引（1086 vectors, 768-dim）metadata.json— 文本块元数据
源项目目录在索引构建完成后可以安全删除。
确保 .claude/settings.json 中已配置 MCP Server：
{
"mcpServers": {
"interview-rag": {
"command": "python",
"args": ["-m", "interview_rag_server.server"],
"cwd": "/path/to/agent_study",
"env": {
"EMBEDDING_MODEL": "BAAI/bge-base-zh-v1.5",
"HF_HUB_OFFLINE": "1"
}
}
}
}在 Claude Code 中使用 /interview 技能：
/interview path/to/resume.pdf
- 简历分析 — 解析候选人背景，确定面试重点
- 热身问题 — 1 轮宽泛问题，评估基线水平
- 知识面试 — 3-5 轮，覆盖 Agent 技术全栈
- 项目深挖 — 1-2 轮，针对简历中的项目追问
- 评估报告 — 生成结构化评估，含学习路径和简历建议
| 主题 | 来源 |
|---|---|
| LLM 基础 | hello-agents Ch.3, Extra01 |
| Agent 架构 | hello-agents Ch.1/4/6/7, Agent-Learning-Hub Stage 0-1, Anthropic/OpenAI 官方指南 |
| RAG 技术 | hello-agents Ch.8, Agent-Learning-Hub Stage 2, GPT Researcher/RAGFlow 等项目 |
| 记忆系统 | hello-agents Ch.8, Agent-Learning-Hub Stage 2, mem0/Letta 等项目 |
| 多智能体 | hello-agents Ch.15, Agent-Learning-Hub Stage 4, A2A/ACP 协议文档 |
| RLHF/对齐 | hello-agents Ch.11 |
| VLM | hello-agents Extra01, Agent-Learning-Hub Stage 6 |
| 评估方法 | hello-agents Ch.12, Agent-Learning-Hub Stage 7, AgentBench/SWE-bench 论文 |
| 工程实践 | hello-agents Ch.9/10, Agent-Learning-Hub Stage 3/5/8, Claude Code Docs, learn-claude-code |
| Agent Harness | Agent-Learning-Hub Stage 3, Dive into Claude Code 论文, AI Harness Engineering 论文 |
| Skills/协议 | Agent-Learning-Hub Stage 5, MCP/A2A/ACP 协议文档 |
| Tool | 用途 | 参数 |
|---|---|---|
search_knowledge |
语义检索知识库 | query, topic?, top_k? |
get_interview_questions |
获取分级面试题 | topic, difficulty?, count? |
get_learning_path |
生成学习路径 | weak_topics |
pytest tests/ -v.
├── .claude/
│ ├── skills/agent-interview.md # Claude Code 技能文件
│ └── settings.json # MCP Server 配置
├── interview_rag_server/
│ ├── server.py # MCP Server 入口
│ ├── vector_store.py # FAISS 向量存储
│ ├── question_bank.py # 面试题库
│ ├── learning_path.py # 学习路径生成
│ ├── knowledge_base/
│ │ ├── build_index.py # 索引构建脚本
│ │ ├── chunker.py # 文本分块
│ │ └── embedder.py # Embedding 封装
│ └── data/
│ ├── questions.json # 面试题库数据
│ ├── learning_paths.json # 学习路径数据
│ ├── topic_file_mapping.json # 主题-文件映射
│ ├── topic_index.json # 主题-向量映射
│ ├── faiss_index.bin # FAISS 索引（gitignored）
│ └── metadata.json # 块元数据（gitignored）
├── tests/ # 单元测试
└── docs/ # 设计文档和实施计划
- Embedding: BAAI/bge-base-zh-v1.5 — 中文语义表示 SOTA，开源本地运行
- 向量存储: FAISS (CPU) — 零基础设施，单文件持久化，<100K 向量高效
- MCP 框架: FastMCP — 官方 Python MCP SDK
- 分块策略: 512 token / 64 overlap，保留 markdown 标题上下文
- 知识源: hello-agents 本地教程 + Agent-Learning-Hub 外部资源（自动抓取 90+ 链接）
MIT