FEMentor

FEMentor is an AI-powered frontend interview practice platform for software engineers. It helps candidates prepare for job interviews with resume analysis, JD understanding, mock interviews, personalized follow-up questions, and structured feedback.

FEMentor 是一个面向中文前端求职场景的 AI 前端面试训练系统，帮助候选人基于简历和目标岗位进行前端模拟面试、项目经历复盘、前端面试题库练习与结构化面试反馈。

Keywords: frontend interview practice, mock interview, AI interview assistant, resume analysis, interview feedback, Next.js, TypeScript, OpenAI

中文关键词：AI 前端面试训练系统、前端模拟面试、前端面试题库、简历解析、岗位 JD 分析、面试反馈、项目经历复盘、前端求职准备

What It Does

FEMentor 围绕「简历解析 -> 岗位 JD 分析 -> 模拟面试 -> 评分反馈 -> 针对性练习」构建完整训练闭环，不是通用题库，而是更贴近真实前端面试流程的个性化训练环境，适合做前端求职准备、项目经历复盘和面试前冲刺训练。

Core features

Resume parsing for PDF and DOCX files with structured summaries
JD upload and job requirement understanding for targeted interview generation
AI mock interviews with streaming responses, follow-up questions, and session history
Experience library retrieval to ground questions and scoring in the candidate's own projects
Question bank and practice mode for repeated review and weakness tracking
Retrieval-augmented scoring with Sirchmunk evidence lookup to reduce hallucinated feedback

Who it's for

Frontend engineers preparing for job interviews
Candidates who want resume-based mock interviews instead of generic question lists
Developers practicing JavaScript, React, browser, CSS, performance, and engineering topics

Use cases

Upload a resume and generate personalized frontend mock interview questions
Upload a JD and simulate interviews for a target role
Review project experience before interviews and prepare evidence-backed answers
Build a personal interview question bank from public sources and practice weak areas

进度

技术栈

层	技术
前端	Next.js 15 · React 18 · Tailwind CSS 4 · TypeScript
后端	Node.js · Fastify
数据库	PostgreSQL（推荐本地与云端统一） / SQLite（兼容旧本地模式）
认证	Clerk
检索	Sirchmunk（本地检索引擎）
文档解析	pdf-parse · Mammoth · 火山引擎 OCR
LLM	OpenAI 兼容接口 · SSE 流式输出

项目结构

fementor/
├── apps/
│   ├── api/                    # Fastify API 服务
│   │   ├── src/
│   │   │   ├── routes/           # system / document / interview / practice / experience 路由
│   │   │   ├── plugins/          # Fastify 插件
│   │   │   ├── interview/        # 模拟面试编排与回合处理
│   │   │   ├── experience/       # 面经同步、清洗、图谱与检索
│   │   │   ├── question-bank/    # 题库服务层
│   │   │   ├── resume/           # 简历解析与元数据管理
│   │   │   ├── doc/              # profile / knowledge 文档抽象
│   │   │   ├── retrieval/        # Sirchmunk 检索适配
│   │   │   ├── public-question-source-sync/ # 公共题源同步
│   │   │   ├── postgres/         # Postgres 存储实现
│   │   │   ├── db/               # SQLite fallback 与兼容层
│   │   │   └── search/           # 搜索辅助模块
│   │   ├── migrations/           # SQL migrations
│   │   ├── scripts/              # crawl / migrate / seed / storage test
│   │   └── data/                 # 内置数据（如图谱 skeleton）
│   └── web/                      # Next.js 前端
│       ├── app/
│       │   ├── resume/           # 简历 / JD 管理
│       │   ├── interview/        # 面试准备与会话页
│       │   ├── experience/       # 面经库与详情页
│       │   ├── graph/            # 知识图谱页
│       │   ├── bank/             # 题库页
│       │   └── practice/         # 练习页
│       ├── components/           # 跨页面共享组件
│       └── lib/                  # API / viewer / auth 等前端工具
├── data/                         # 本地开发数据、用户文档、Sirchmunk 数据
├── docs/                         # 架构、页面、数据库、spec、todolist、排查文档
├── image/                        # README / 文档配图
├── compose.yaml                  # 本地 Docker Postgres
└── scripts/                      # 根级辅助脚本

关键入口

apps/api/src/start.js：当前默认 API 启动入口
apps/api/src/app.js：Fastify app 构建与插件注册
apps/api/src/server.js：保留的旧 HTTP 启动入口
apps/api/src/storage.js：Supabase Storage 适配层
apps/api/src/postgres.js：Postgres 初始化与查询封装
apps/web/app/*：按业务域拆分的 App Router 页面
docs/architecture：系统设计与运行时方案
docs/pages：页面级说明
docs/database：数据库与 API 契约

产品说明

FEMentor 解决的核心问题是：前端候选人缺少一个能「理解自己背景」的练习环境。市面上的面试题库是通用的，但真实面试官会根据你的简历和目标岗位来提问。FEMentor 把你的简历、JD、项目经历串联起来，生成贴合个人背景的面试训练流程。

训练闭环

简历 / JD 上传  →  岗位画像生成  →  模拟面试（逐轮出题）  →  评分与追问  →  薄弱项沉淀  →  针对性练习
       ↑                                                                              |
       └──────────────────────── 项目经历补充 · 题库积累 ────────────────────────────────┘

简历 / JD 管理

上传 PDF 或 DOCX 格式的简历，系统自动提取正文并通过 LLM 生成结构化摘要，包括技术栈、项目经验、工作年限等关键维度。同时支持上传目标岗位的 JD，生成岗位理解摘要。简历与 JD 的解析结果会作为后续面试出题和评分的基础上下文。

模拟面试

基于已解析的简历和 JD，系统通过关键词队列驱动面试流程，逐题召回与生成，模拟真实面试官的提问节奏。

面试流程

简历 + JD
  ↓
LLM 分析 → 关键词队列（带简历条目映射）
  ↓
┌─────────────────────────────────────────────┐
│ 循环：取当前关键词 → 面经库召回 → 提问       │
│                                             │
│  用户回答                                    │
│    ↓                                        │
│  LLM 统一调用：评分 + 判断下一步             │
│    │                                        │
│    ├─ 期望点未命中 → 追问期望点              │
│    ├─ 面经库有 followup → LLM 验证后采用     │
│    └─ 当前关键词验证完毕                     │
│         → 记录该关键词掌握情况               │
│         → 取下一个未覆盖的关键词             │
│                                             │
│  直到：题数满 / 关键词用完                    │
└─────────────────────────────────────────────┘
  ↓
汇总所有关键词掌握情况 → 生成最终评估报告

知识分类体系

面经库和知识图谱采用三层分类，关键词队列对齐 Level 2（子话题）粒度：

Level 1 (大类)        Level 2 (子话题)         Level 3 (知识点)
─────────────        ──────────────          ──────────────
JavaScript     →     闭包                →   词法作用域、内存泄漏、柯里化
                     原型链              →   原型继承、构造函数、class语法
                     事件循环            →   宏任务、微任务、requestAnimationFrame

React          →     Hooks原理           →   useState、useEffect、useMemo、useCallback
                     Fiber架构           →   虚拟DOM、Diff算法
                     性能优化            →   React.memo、懒加载

CSS            →     BFC                →   ...
                     Flex布局            →   ...

浏览器          →     HTTP缓存            →   强缓存、协商缓存
                     跨域方案            →   CORS、代理

工程化          →     Webpack             →   Tree Shaking、代码分割
                     微前端              →   Module Federation

性能优化        →     首屏优化            →   懒加载、SSR、CDN

每轮回答后实时给出评分与反馈，并根据回答质量决定是否追问。整个过程通过 SSE 流式输出，面试体验接近实时对话。支持查看历史面试会话，对比不同场次的表现。

项目经历库

独立管理你的项目经历条目。面试过程中，系统会自动检索与当前问题相关的项目经历，作为出题和评分的补充上下文，让追问更贴近你的实际工作内容。

题库与练习

维护个人题库，支持从公共题源（如牛客等）远程同步题目。系统根据历史评分追踪薄弱知识点，在练习模式中优先推送你尚未掌握的题目，形成有针对性的刷题路径。

牛客面经爬取

系统内置牛客网面经爬虫，可从牛客讨论区批量抓取前端面经帖，提取面试题目并入库。

CLI 调用：

npm run crawl:niuke -- --keyword "前端 面经" --pages 3 --max-items 30

参数	说明	默认值
`--keyword`	搜索关键词	`前端面经`
`--pages`	爬取列表页数	3（上限 100）
`--max-items`	最大抓取文章数	30（上限 500）
`--delay-ms`	请求间隔（ms）	1200
`--timeout-ms`	单次请求超时	15000
`--article-url`	直接指定文章 URL（可多次使用）	—
`--output`	输出 JSON 路径	`data/crawled/niuke-experiences.json`
`--verbose`	详细日志	false

爬取流程：

列表发现 — 尝试多种牛客搜索 URL 模式（/search、/discuss），提取文章链接并去重
正文提取 — 对每篇文章解析标题、作者、发布时间、正文内容和标签。正文优先取 .feed-content-text 等结构化节点，其次尝试页面内嵌 JSON，兜底取最大文本块
相关性评分 — 对关键词分词后在标题（3x）、摘要（2x）、正文（1x）、标签中加权匹配，过滤无关文章
输出 — 生成结构化 JSON，包含文章元信息、正文、相关性评分和爬取统计

面经入库流程：

爬取结果通过经历同步任务（POST /v1/experience-sync/jobs）进入数据库：

爬取 JSON → 按日期过滤 → 去重（source_platform + source_post_id）
         → LLM 清洗（提取公司、岗位、面试阶段、题目分组）
         → 写入 experience_post / experience_question_group / experience_question_item

清洗阶段会对面经原文做结构化拆解：识别公司名称和岗位、划分面试阶段（一面/二面/HR 面等）、按知识领域对题目分组，并对内容质量评分。

三层题库架构

题目从爬取到用户练习经过三层流转：

question_source（公共题源层）
    ↓  用户收录
user_question_bank（个人题库层，含复习状态和掌握度）
    ↓  练习作答
question_attempt（练习记录层，含评分和间隔复习调度）

公共题源（question_source）：存放从牛客爬取或远程同步的题目，按 (source_type, source_ref_id) 去重，支持相同题目合并
个人题库（user_question_bank）：用户从公共题源收录题目后生成，追踪复习状态（review_status）、掌握度（mastery_level 0-100）、下次复习时间（next_review_at），支持收藏标记
练习记录（question_attempt）：每次作答记录答案、评分、优缺点和证据引用，作答后自动更新间隔复习调度

远程题源同步

除本地爬取外，支持从远程 API 增量同步公共题源：

# 环境变量配置
PUBLIC_SOURCE_REMOTE_BASE_URL=https://your-source-server.com
PUBLIC_SOURCE_REMOTE_API_KEY=your-api-key

接口	说明
`GET /v1/public-question-sources/local-status`	查看本地同步状态
`POST /v1/public-question-sources/check-update`	检查远程是否有更新
`POST /v1/public-question-sources/sync`	触发增量同步

同步机制基于 last_server_time 做增量拉取，每次仅获取上次同步之后变更的题目，避免全量重复同步。

检索增强评分

回答评分不只依赖 LLM 的通用判断。系统通过本地检索引擎（Sirchmunk）在你的文档和项目经历中查找相关证据，辅助评分和生成追问，减少 LLM 幻觉对评分准确性的影响。

快速启动

本地 PostgreSQL（推荐）

cp apps/api/.env.example apps/api/.env
npm install
npm run db:up
npm run db:migrate
npm run db:seed:dev
npm run dev

数据库命令

# 启动本地 Docker Postgres
npm run db:up

# 查看 migration 状态
npm run db:migrate:status

# 执行 migration
npm run db:migrate

# 写入开发示例数据
npm run db:seed:dev

# 测试 Supabase Storage bucket
npm run storage:test

`migration` / `seed` / `init` 分工

migration 负责数据库结构版本管理。当前 SQL 文件位于 apps/api/migrations，通过 apps/api/scripts/migrate.js 顺序执行，并记录到 schema_migrations。
seed 负责写入开发环境示例数据。当前脚本是 apps/api/scripts/seed-dev.js，默认写入几条 question_source 示例题目。
init 负责应用启动时的兜底自举。当前仍保留 apps/api/src/postgres.js 里的 initPostgres()，避免旧环境尚未跑 migration 时直接启动失败。

脚本和运行时都会优先读取 DATABASE_URL，没有时回退到历史变量 SUPABASE。

推荐用法是：

本地和部署前先跑 migration
开发环境需要样例题时再跑 seed
init 只保留为过渡期兜底，不作为长期 schema 管理方案

Supabase Storage 测试

如果你已经在 Supabase 里创建了私有 bucket（比如 resumes），可以先配置：

SUPABASE_URL
SUPABASE_SERVICE_ROLE_KEY
SUPABASE_STORAGE_BUCKET=resumes

然后执行：

npm run storage:test

当前脚本位于 apps/api/scripts/test-storage.js，会对 bucket 做一次：

上传测试文件
下载并校验内容
删除测试文件

环境要求

Node.js >= 18
npm
Docker Desktop（推荐，用于本地 PostgreSQL）

安装与运行

npm install
npm run db:up
npm run dev

默认同时启动：

API：http://localhost:3300
Web：http://localhost:3000

单独启动：

npm run dev:api
npm run dev:web

环境变量

复制 apps/api/.env.example 为 apps/api/.env，按需配置：

cp apps/api/.env.example apps/api/.env

如果你希望本地直接统一走 PostgreSQL，建议额外确认这几个值：

DATABASE_URL=postgresql://fementor:fementor@localhost:55432/fementor
APP_RUNTIME_MODE=local
PUBLIC_SOURCE_DRIVER=postgres

常用数据库命令：

npm run db:up
npm run db:logs
npm run db:down

必须配置（LLM 相关功能）：

变量	说明	默认值
`OPENAI_API_KEY`	LLM API Key	—
`OPENAI_BASE_URL`	LLM 接口地址	`https://api.openai.com/v1`
`OPENAI_MODEL`	模型名称	`gpt-4o-mini`

可选配置：

变量	说明
`DATABASE_URL`	PostgreSQL 连接串（不配置则使用本地 SQLite）
`CLERK_SECRET_KEY` / `CLERK_JWT_KEY`	Clerk 认证（不配置则使用本地模式）
`VOLC_ACCESSKEY` / `VOLC_SECRETKEY`	火山引擎 OCR（简历 PDF 解析）
`SIRCHMUNK_BIN` / `SIRCHMUNK_MODE`	Sirchmunk 检索引擎
`PUBLIC_SOURCE_REMOTE_BASE_URL`	公共题源远程同步地址

运行模式

本地模式（默认）：APP_RUNTIME_MODE=local，推荐连接本地 Docker PostgreSQL；也兼容旧 SQLite 模式
云端模式：APP_RUNTIME_MODE=cloud，PostgreSQL + Clerk 认证

主要 API 路由

路径	说明
`GET /health`	健康检查与当前运行态
`GET /v1/me`	当前 viewer 信息与能力
`POST /v1/resume/parse`	简历解析
`GET /v1/resume/library`	简历库列表
`POST /v1/resume/select`	设为当前简历
`POST /v1/jd/upload`	JD 上传
`GET /v1/jd/library`	JD 库列表
`POST /v1/interview/sessions/start`	开始面试会话
`POST /v1/interview/sessions/:id/turns`	提交回答并推进面试
`POST /v1/interview/sessions/:id/turns/stream`	SSE 流式面试回合
`GET /v1/experiences`	面经列表
`POST /v1/experiences/sync`	触发面经同步
`GET /v1/experiences/sync/active`	查看当前同步任务
`POST /v1/question-sources/promote`	将题目提升至公共题源
`POST /v1/user-question-bank`	收录题目到个人题库
`GET /v1/user-question-bank`	查询个人题库
`GET /v1/practice/next`	获取下一道待复习题目
`POST /v1/question-attempts`	提交练习作答记录
`POST /v1/public-question-sources/sync`	远程题源增量同步
`PUT /v1/runtime/session-llm-config`	当前会话 LLM 配置同步

数据库表

表	用途
`users`	用户信息、简历 / JD 元数据、角色等
`resume_parse_usage` / `resume_parse_cache`	简历 OCR 配额与解析缓存
`interview_session` / `interview_turn` / `interview_question`	面试会话、轮次、题目队列
`chat_session` / `chat_message`	聊天会话与消息记录
`attempt`	练习记录
`score_report`	评分报告
`weakness_tag`	薄弱项标签
`question_source`	公共题源（牛客爬取 / 远程同步）
`user_question_bank`	个人题库（新版，含掌握度和复习调度）
`question_attempt`	练习作答记录
`public_source_sync_state`	远程题源同步状态
`experience_sync_job`	面经爬取同步任务
`experience_post` / `experience_question_group` / `experience_question_item`	面经帖 / 题目分组 / 题目条目
`evidence_ref`	证据引用

页面入口

路径	说明
`/`	首页总览
`/resume`	简历解析与管理
`/interview`	模拟面试
`/experience`	项目经历库
`/bank`	题库
`/practice`	刷题练习

License

Private

Name		Name	Last commit message	Last commit date
Latest commit History 42 Commits
.claude/skills/ui-ux-pro-max		.claude/skills/ui-ux-pro-max
apps		apps
data		data
docs		docs
scripts		scripts
.gitignore		.gitignore
.mcp.json		.mcp.json
QQ20260317-221814.png		QQ20260317-221814.png
README.md		README.md
compose.yaml		compose.yaml
package-lock.json		package-lock.json
package.json		package.json

Folders and files

Latest commit

History

Repository files navigation

FEMentor

What It Does

Core features

Who it's for

Use cases

进度

技术栈

项目结构

关键入口

产品说明

训练闭环

简历 / JD 管理

模拟面试

面试流程

知识分类体系

项目经历库

题库与练习

牛客面经爬取

三层题库架构

远程题源同步

检索增强评分

快速启动

本地 PostgreSQL（推荐）

数据库命令

migration / seed / init 分工

Supabase Storage 测试

环境要求

安装与运行

环境变量

运行模式

主要 API 路由

数据库表

页面入口

License

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

`migration` / `seed` / `init` 分工

Packages